MétaCan
Menu
Retour à la cohorte
Enregistrement W4392779373 · doi:10.3389/978-2-8325-4606-2

Mathematical modeling and optimization for real life phenomena

2024· book· en· W4392779373 sur OpenAlexfundno aff

Notice bibliographique

RevueFrontiers research topics · 2024
Typebook
Langueen
DomaineDecision Sciences
ThématiqueSimulation Techniques and Applications
Établissements canadiensnon disponible
Organismes subventionnairesFogarty International CenterNational Research, Development and Innovation OfficeMinistry of Education of the People's Republic of ChinaNatural Sciences and Engineering Research Council of CanadaNemzeti Kutatási Fejlesztési és Innovációs HivatalChina Scholarship CouncilElectronics and Telecommunications Research InstituteNatural Science Foundation of Jiangsu ProvinceGovernment of Jiangsu ProvinceNational Institutes of HealthConsejo Nacional de Ciencia y TecnologíaNational Natural Science Foundation of ChinaNational Research Foundation
Mots-clésComputer science

Résumé

récupéré en direct d'OpenAlex

Mathematical modeling of real life phenomena is a powerful tool in analyzing and describing their dynamical behavior. These models can be optimized and controlled using appropriate optimization methods and optimal control theory. Different characterization techniques are used to explain a real natural phenomenon by numerical simulations or experimental approximations.<br/><br/>In this Research Topics we aim to gather recent developments with promising future perspectives on mathematical models for real life phenomena. We are also interested in optimization methods and optimal control theory applied to mathematical models of real life phenomena.<br/><br/>We are particularly interested in the following topics:<br/>- modeling with systems of ordinary differential equations and partial differential equations,<br/>- stability analysis,<br/>- complex networks,<br/>- optimization methods,<br/>- multiobjective optimization,<br/>- optimal control problems,<br/>- multistability,<br/>- chaotic systems,<br/>- piecewise linear systems,<br/>- control of multistability.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Autre · Signal consensuel: aucune
Score de désaccord entre enseignants0,675
Score d'incertitude au seuil0,584

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,322
Tête enseignante GPT0,494
Écart entre enseignants0,172 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreAutre

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFrontiers research topicsMême sujetSimulation Techniques and ApplicationsTravaux en français237 207