Notice bibliographique
Résumé
In order to solve huge-scale optimization problems, many evolutionary algorithms have been proposed. In this paper, we introduce Block Differential Evolution (BDE) algorithm. The BDE can be categorized into the class of memory-efficient optimization algorithms. The main contribution is to solve large and huge-scale problems effectively and efficiently by reducing the problem dimension by utilizing a dimension-blocking scheme. With respect to the block size times reduced memory usage, furthermore, the proposed algorithm is computationally more efficient because DE operations (i.e., mutation, crossover, and selection) are performed on much smaller vector sizes. In fact, the employed blocking approach helps us to map the higher-dimensional problems into a lower-dimensional one which is more convenient to process during the optimization steps. There is a great demanding potential for the proposed approach to be utilized in embedded systems with low computational resources as a compressed optimization algorithm. This strategy is instantiated and evaluated on some well-known benchmark problems and compared with the baseline classic DE algorithm; the reported results are promising and encouraging for conducting further investigations. To the best of our knowledge, that is the first time a variable blocking scheme has been used in any meta-heuristic algorithm. A detailed explanation of the geometrical behavior of the proposed blocking approach is provided which explains how in a higher search space, a blocking approach is meaningful and applicable to accelerate convergence rate while the memory saving is huge. The reported results in this paper show the experiments on Large-Scale Global Optimization Problems proposed in CEC-2013 benchmark suite with 1,000, 10,000, and 100,000 dimensions and clearly are evidence of the possibility of satisfying two conflicting objectives, namely, efficiency and effectiveness, simultaneously. In order to utilize CEC-2013 benchmark problems for the huge dimensions 10,000D and 100,000D, some modifications and expansions have been done. The proposed approach can be utilized in another population-based optimization algorithm (swarm or evolutionary), and it is not restricted to the DE algorithm. In this paper, DE has been used as a parent algorithm for our conducted case study.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».