Adaptive Strategy-Enhanced NSGA-II for Multi-Objective Optimization with Improved Convergence and Diversity Control
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
In modern society, sustainability has become an increasingly important issue. By solving multi-objective problems, decision-makers can make more sustainable decisions. To efficiently solve multi-objective problems, an adaptive strategy is proposed to optimize the crossover and mutation operators of the nondominated sorting genetic algorithm II (NSGA-II). Moreover, the multi-objective flexible job shop scheduling problem is modeled by incorporating worker fatigue factors. Finally, the algorithm performance was tested using ZDT and DTLZ series test functions, and the multi-objective solving performance of the algorithm was tested based on standard examples FMk01-FMk06.The results showed that in the ZDT1 and ZDT2 test functions, the solution set coverage of the proposed algorithm was 0.833 and 0.906, respectively, and the inverse generation distance was 0.006 and 0.0059, respectively, achieving better convergence and diversity. In the DTLZ1 test function, the inverse generation distance of the proposed algorithm did not exceed 2. In the FMk03 example, the inverse generation distance of the proposed algorithm was 0.009, which was lower than the traditional NSGA-II algorithm. In the FMk06 example, the proposed algorithm achieved a super volume of 0.37, which was higher than the multiobjective squirrel search algorithm and NSGA-III algorithm. The experiment has demonstrated the effectiveness of the improved algorithm in solving multi-objective issues. The research results contribute to improving the efficiency of addressing multi-objective optimization and complex problems in real life, enhancing the scientificity and effectiveness of decision-making.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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