A New Self-Adaptive Hybrid Approach Based on History-Driven Methods for Improving Metaheuristics
Notice bibliographique
Résumé
We propose a new hybrid approach, that we call History-driven Particle Swarm Optimization-Simulated Annealing (HdPSO-SA), to improve metaheuristics performance through collaboration and history-driven methods. Collaboration is per-formed using a Self-Adaptive Binary Space Partitioning tree (SA-BSP tree) to partition search space and guide the hybrid frame-work to the most promising sub-region of a given continuous problem to solve. The hybrid framework consists of three phases. In the first phase, the SA - BSP tree is applied in PSO to record essential information, create the landscape of fitness values, and partition the search space during exploration. The second phase consists of a smart controller to learn the SA-BSP maturity condition to balance exploration and exploitation through HdPSO and SA, respectively. The proposed smart controller determines the appropriate step (iteration) for switching from HdPSO to SA. In the third phase, the search space will be limited to only the most promising sub-region. Then, the information of the best solution (fitness value and position) will be given to SA to exploit the limited search space. The proposed HdPSO-SA is compared to several metaheuristics on ten well-known uni-modal and multimodal continuous optimization benchmarks. The results demonstrate the superiority of HdPSO-SA in returning a good quality solution while reducing the execution time.
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 | 0,001 | 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 | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».