A Hierarchical Surrogate-Assisted Differential Evolution With Core Space Localization
Notice bibliographique
Résumé
Surrogate-assisted evolutionary algorithms (SAEAs) are extensively used to tackle expensive optimization problems (EOPs). The integration of surrogate-based global and local search is a prevalent hierarchical SAEA framework, which can effectively balance exploration and exploitation capabilities. However, it still faces challenges when tackling high-dimensional EOPs (HEOPs) owing to the curse of dimensionality. In this article, we propose a hierarchical surrogate-assisted differential evolution with core space localization (HSADE-CS) to solve HEOPs. Its contributions are listed as follows: 1) a top-promising sampling strategy is introduced in the global search to mitigate the challenges posed by the uncertainty in the performance of the surrogate model; 2) a core space localization (CSL) method is proposed to identify a high-potential space within the local promising region, enhancing the effectiveness of local search; and 3) a fitness-independent adaptive parameter control method based on the Minkowski distance is developed within the differential evolution (DE) optimizer to improve the performance of surrogate model-driven local search. The performance of HSADE-CS has been validated on numerous benchmark problems from the commonly used expensive optimization benchmark suite, as well as the CEC2014 and CEC2017 benchmark suites, with problem dimensions up to 500. It has also been tested on a real-world problem, i.e., circular antenna array design optimization. Experimental results demonstrate that HSADE-CS is highly competitive compared to the state-of-the-art SAEAs.
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 | 0,002 |
| 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 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 ».