A Self-Organizing Multimodal Multi-Objective Coati Optimization Algorithm
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
The Coati Optimization Algorithm (COA) has emerged as a prominent evolutionary algorithm renowned for its efficacy in addressing real-world problems. Its wide-ranging applicability across diverse domains is a testament to its exceptional performance and versatility. Compared to other evolutionary algorithms, COA has been proven to possess excellent global and local search capabilities. This paper introduces a novel self-organizing multimodal multi-objective Coati Optimization Algorithm (MMOCOA) designed specifically to tackle multimodal multi-objective problems. The proposed algorithm aims to effectively handle the complexities associated with such problems by incorporating self-organizing mechanisms into the Coati optimization framework. Primarily, MMOCOA utilizes a self-organizing speciation method as its primary approach to identify the Pareto optimal solutions. This speciation tactic can establish stable niches and continually updates them to actively search for and preserve the optimal Pareto solutions. Furthermore, an improved self-organization mechanism is proposed to enhance the generation speed of the niches. Additionally, MMOCOA incorporates a non-dominated sorting method and a specialized crowding distance technique to effectively preserve the diversity of both the decision and objective space. To assess the effectiveness of MMOCOA, this study presents a comprehensive evaluation using eleven multimodal multi-objective test functions. Additionally, MMOCOA is benchmarked against five state-of-the-art multimodal multi-objective optimization algorithms. The experimental results highlight the superior performance of MMOCOA, as it demonstrates the capability to discover a larger number of Pareto solutions compared to the other algorithms under consideration.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| 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