An Improved Harris Hawks Optimization Algorithm Based on Bi-Goal Evolution and Multi-Leader Selection Strategy for Multi-Objective 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
The Harris Hawks Optimizer (HHO) is a bio-inspired metaheuristic acknowledged for its effectiveness in addressing mono-objective optimization problems.However, its application has been limited to these specific challenges.To overcome this constraint and to navigate complex multi-objective optimization challenges, a Guided Multi-Objective variant of HHO, termed as Guided Multi-Objective Harris Hawks Optimization (GMOHHO), is introduced in this study.In the developed GMOHHO algorithm, an archival mechanism is integrated.This mechanism is specifically designed to store non-dominated solutions and to enhance their retrievability during the search process.Moreover, a robust multi-leader selection procedure is implemented, facilitating the steering of the primary set of solutions towards potential areas within the search space.Further, the Bi-Goal Evolution (BIGE) framework is utilized.This framework aids in the transformation of a search space with multitudinous objectives into a bi-objective one, thereby augmenting environmental selection.This integration ensures a balanced compromise between the convergence and diversity of solutions.The performance of the proposed GMOHHO algorithm was appraised across a series of test functions.The results consistently displayed its supremacy over the conventional HHO approach as well as other cutting-edge multi-objective optimization techniques.With its noteworthy capability to address a broad range of multiobjective optimization problems, the GMOHHO algorithm delivers high-quality solutions within acceptable computational timeframes.This study, therefore, paves the way for a promising approach to multi-objective optimization, potentially expanding the application sphere of the HHO algorithm.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,009 |
| Science ouverte | 0,000 | 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