MaOMFO: Many-objective moth flame optimizer using reference-point based non-dominated sorting mechanism for global optimization problems
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Many-objective optimization (MaO) deals with a large number of conflicting objectives in optimization problems to acquire a reliable set of appropriate non-dominated solutions near the true Pareto front, and for the same, a unique mechanism is essential. Numerous papers have reported multi-objective evolutionary algorithms to explain the absence of convergence and diversity variety in many-objective optimization problems. One of the most encouraging methodologies utilizes many reference points to segregate the solutions and guide the search procedure. The above-said methodology is integrated into the basic version of the Moth Flame Optimization (MFO) algorithm for the first time in this paper. The proposed Many-Objective Moth Flame Optimization (MaOMFO) utilizes a set of reference points progressively decided by the hunt procedure of the moth flame. It permits the calculation to combine with the Pareto front yet synchronize the decent variety of the Pareto front. MaOMFO is employed to solve a wide range of unconstrained and constrained benchmark functions and compared with other competitive algorithms, such as non-dominated sorting genetic algorithm, multi-objective evolutionary algorithm based on dominance and decomposition, and novel multi-objective particle swarm optimization using different performance metrics. The results demonstrate the superiority of the algorithm as a new many-objective algorithm for complex many-objective optimization problems.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle