Comparative Study of Decomposition and Merging Evolutionary Algorithms for Large-Scale Optimization Problems
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
Evolutionary Algorithms (EAs) have been shown to be effective when applied to various classes of optimization problems. However, EAs suffer performance degradation as the number of dimensions in a given Large Scale Optimization Problem (LSOP) rises. To improve the performance of EAs for LSOPs, the Cooperative Co-evolutionary (CC) framework has been introduced in the literature. In previous works, novel decomposing and merging methods were proposed for Cooperative Particle Swarm Optimization (CPSO). We propose decomposition and merging variants based on Differential Evolution (DE) and Artificial Bee Colony (ABC) and compare them with the CPSO variants. Two well-known large-scale optimization benchmark problems are used for comparison, i.e., CEC’2010 and CEC’2013 problems of increasing decision variables of up to 2000. The Decomposition Cooperative Differential evolution (DCDE) and Merging-CPSO (MCPSO) variants generally performed best. However, MCPSO saw a greater variance in its performance while DCDE’s performance was more stable. Additionally, Cooperative Artificial Bee Colony (CABC) performed particularly well for the separable functions, outright winning or tying every function. For the CEC’2013 benchmarks, which are designed to more closely resemble real-world applications, DCDE was the top performing algorithm on the partially-separable and nonseparable functions, though Merging-CCDE and CPSO algorithms were also competitive on the partially separable functions. The separable functions saw their bests results with CABC, while Merging-CPSO and Merging-CABC also performed well.
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 | 0,001 |
| 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