A comparative study of evolutionary algorithms and particle swarm optimization approaches for constrained multi-objective optimization problems
Notice bibliographique
Résumé
Many real-world optimization problems contain multiple conflicting objectives as well as additional problem constraints. These problems are referred to as constrained multi-objective optimization problems (CMOPs). Many meta-heuristics for solving CMOPs, called constrained multi-objective meta-heuristics (CMOMHs) have been introduced in the literature, including those using particle swarm optimization (PSO)(Kennedy and Eberhart, 1995), genetic algorithms (GAs)(Man et al., 1996), and differential evolution (DE)(Storn and Price, 1997). CMOMHs can be grouped into four different classes: classic CMOMHs, co-evolutionary approaches, multi-stage approaches, and multi-tasking approaches. An extensive comparative study of twenty different CMOMHs on a wide variety of test problems, including real-world CMOPs in the fields of science and engineering, is conducted. A multi-swarm PSO approach called constrained multi-guide particle swarm optimization (ConMGPSO) is introduced and compared to the best-performing previous approaches according to the comparative study. The performance of each algorithm was found to be problem dependent, however the best overall approaches were ConMGPSO, paired-offspring constrained evolutionary algorithm (POCEA)(He et al., 2021), adaptive non-dominated sorting genetic algorithm III (A-NSGA-III)(Jain and Deb, 2014), and constrained multi-objective framework using Q-learning and evolutionary multi-tasking (CMOQLMT)(Ming and Gong, 2023). ConMGPSO and POCEA had the best performance on the CF benchmark set, which contains examples of bi-objective and tri-objective CMOPs with disconnected CPOFs. The CMOQLMT approach had the best performance on the DAS-CMOP benchmark set, which contain additional difficulty in terms of feasibility-, convergence-, and diversity-hardness. For the selected real-world CMOPs, A-NSGA-III had the best performance overall. ConMGPSO was shown to have the best performance on the process, design, and synthesis problems, and had competitive performance for the power system optimization problems.
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».