S-EPSO: A Socio-Emotional Particle Swarm Optimization Algorithm for Multimodal Search in Low-Dimensional Engineering Applications
Notice bibliographique
Résumé
This paper examines strategies aimed at improving search procedures in multimodal, low-dimensional domains. Here, low-dimensional domains refers to a maximum of five dimensions. The present analysis assembles strategies to form an algorithm named S-EPSO, which, at its core, locates and maintains multiple optima without relying on external niching parameters, instead adapting this functionality internally. The first proposed strategy assigns socio-emotional personalities to the particles forming the swarm. The analysis also introduces a technique to help them visit secluded zones. It allocates the particles of the initial distribution to subdomains based on biased decisions. The biases reflect the subdomain’s potential to contain optima. This potential is established from a balanced combination of the jaggedness and the mean-average interval descriptors developed in the study. The study compares the performance of S-EPSO to that of state-of-the-art algorithms over seventeen functions of the CEC benchmark, and S-EPSO is revealed to be highly competitive. It outperformed the reference algorithms 14 times, whereas the best of the latter outperformed the other two 10 times out of 30 relevant evaluations. S-EPSO performed best with the most challenging 5D functions of the benchmark. These results clearly illustrate the potential of S-EPSO when it comes to dealing with practical engineering optimization problems limited to five dimensions.
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 | 0,001 |
| 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 ».