Holistic swarm optimization: A novel metaphor-less algorithm guided by whole population information for addressing exploration-exploitation dilemma
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
This paper introduces a novel metaphor-less optimization algorithm called Holistic Swarm Optimization (HSO), designed to enhance the search process by utilizing data from the entire population. Unlike conventional algorithms that rely on partial or local information, HSO adopts a comprehensive approach, ensuring that each decision is informed by the overall distribution and fitness landscape of the population. The algorithm dynamically balances exploration and exploitation through an adaptive framework that integrates root-mean-squared (RMS) fitness-based displacement coefficients, simulated annealing-based selection, and adaptive mutation. This structure enables HSO to efficiently navigate complex, multimodal optimization problems while avoiding local optima. The performance of HSO is evaluated on two widely used benchmark test suites–CEC 2005 and CEC 2014–and a series of real-world engineering design problems. Results show that HSO delivers competitive and stable performance when compared to several state-of-the-art metaphor-based and metaphor-less algorithms. These findings demonstrate the effectiveness of a holistic population-guided approach in achieving robust optimization outcomes, making HSO a promising alternative for solving diverse and challenging problems without reliance on metaphorical inspirations. The source codes and implementation guidance for the HSO algorithm are available for public access on the https://github.com/ebrahimakbary/HSO .
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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