Kriging Surrogate Model-Based Constraint Multiobjective Particle Swarm Optimization Algorithm
Notice bibliographique
Résumé
The main challenge when solving constrained multiobjective optimization problems (CMOPs) with intricate constraints and high dimensionality is how to overcome a problem of irregular and variable-shaped objective search regions. Such regions can lead to problems of local optimization and uneven distribution of feasible solutions. To overcome these challenges, an efficacious search method is usually needed to improve the efficiency of searching optimal solution and utilization of data structure used to store nondominated vectors. The originality of this work comes with a creative and novel design of Kriging surrogate model-based simplex crossover operator (KSCO) and Kriging surrogate model-based local search of simplex crossover operator (KLSSCO). KSCO is used to calculate the speed update equation, as well as the coefficients of the equation. KLSSCO is employed to decide which particle is treated as third particle participating in the speed update equation. A constrained multiobjective particle swarm optimization (PSO) based on KSCO and KLSSCO is proposed to solve the CMOP with local optimization and uneven distribution problems, namely KSCO and KLSSCO-based constrained multiobjective PSO algorithm (KCMOPSO). This ensures that the algorithm can search the infeasible and feasible regions of constrained multiobjective problems accurately and accelerate the convergence of the algorithm. The experimental results show that the proposed algorithm is more effective compared with the existing elite method.
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 | 0,000 | 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 ».