A Dual-Level Bio-Inspired Optimization Algorithm for Cloud Manufacturing Service Evaluation on Industrial Internet of Things (IIoT) Platforms
Notice bibliographique
Résumé
Inspired by the immune-endocrine system, an improved biological comprehensive optimization algorithm (IBCOA) is proposed for industrial big data analysis and cloud manufacturing service matching. IBCOA employs a dual-level strategy: a bottom-level global optimization immune algorithm (GOIA) narrows down the search space to optimize short-term parameters, while a top-level fuzzy weighted comprehensive evaluation (FWCE) refines the solutions by incorporating long-term performance metrics. Experimental results demonstrate IBCOA’s superior performance, showing higher accuracy, recall, and F1 scores compared to least squares, decision trees, and<?A3B2 \break=""?> K-means clustering, along with longer execution time and lower error rates. When tested on standard benchmarks including Iris (classification), MNIST (handwritten digits), and CIFAR-10 (image recognition), IBCOA achieves remarkable accuracies, highlighting its strong generalization and adaptability. The algorithm not only addresses immediate production requirements in polyester fiber industrial data analysis but also enhances long-term operational efficiency and product quality. By balancing stakeholder interests (suppliers, consumers, operators), it promotes sustainable development on industrial internet platforms. This work provides a robust solution for the industrial Internet of Things (IIoT) service evaluation and classification tasks, demonstrating transformative potential for cloud manufacturing resource allocation across diverse applications.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».