A New Self-Adaptive Hybrid Approach Based on History-Driven Methods for Improving Metaheuristics
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
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.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 | 0,000 |
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