Multi-Objective Coordinate Search Optimization
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 real-world optimization problems can be modelled with several competing objectives. Most of the time, such optimization problems fall under the category of expensive problems. These are problems in which each fitness evaluation is time-consuming, for example, one fitness call could take hours or even days to compute. The time-consuming process of evaluating the function values or gradient of the objective functions may degrade the running speed of many optimization algorithms. The coordinate search (CS) approach is introduced as a single-objective gradient-free method for addressing large-scale, non-convex, and costly optimization problems. Due to the low computation and memory requirements of the CS algorithm, it can also be efficiently extended to address multi-objective optimization problems. The subject of this study is to develop a CS-based algorithm aimed at computationally expensive multi-objective optimization problems. In order to generate a set of non-dominated solutions, a population is created to apply the CS algorithm on each individual and finally reach an optimized interval. We demonstrate the efficacy of the proposed multi-objective CS method by comparing it with NSGA-II and MOEA/D as one of the well-known multi-objective algorithms on ZDT benchmark functions. Promising results are reported with the assumption of a limited number of fitness evaluations (NFF) which is desired during tackling complex and expensive optimization problems. Another major advantage of the proposed algorithm is that it provides regions of the Pareto front, that using sampling can generate as many Pareto front solutions as needed unlike other common optimization algorithms including NSGA-II.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 | 0,001 |
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 découle