Research on Majorization Algorithm and Application of Geotechnical Engineering Structure Based on Granule Swarm Majorization
Notice bibliographique
Résumé
The traditional majorization design method makes too many restrictions on the objective function to be optimized and its constraints, which brings a lot of inconvenience to solving majorization problems in practical projects. A new stochastic Optimization algorithm based on swarm intelligence - granule swarm algorithm (PSO) was put forward in, and it has been widely concerned by researchers. When the algorithm is initialized, the granules are randomly divided into several sub-granule groups, each sub-granule group evolves independently according to a given strategy, and random migration and adaptive mutation of granules are carried out in the specified period of evolution to maintain the diversity of the entire population., to avoid premature convergence. The inverse analysis of geotechnical engineering majorization is essentially a typical majorization problem of complex nonlinear functions. The use of global majorization algorithm is an ideal way to solve this problem. low productivity. The new algorithm is applied to the elastic-plastic parameter inversion of geotechnical materials. The results show that compared with the conventional granule swarm majorization algorithm, the improved algorithm significantly improves the search efficiency of parameters, and the results that meet the accuracy requirements can be obtained with less iterations, which reduces the amount of calculation of elastic- plastic back analysis of geotechnical engineering. It is a feasible parameter inversion method.
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 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 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».