Kriging Surrogate Model-Based Constraint Multiobjective Particle Swarm Optimization Algorithm
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
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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