AR-RBMO: An enhanced red-billed blue magpie optimizer with attraction-repulsion and dynamic balancing strategies for global optimization
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
Abstract Metaheuristic algorithms have been extensively applied to real-world optimization problems because of their flexibility and strong problem-solving ability. However, as optimization problems become increasingly complex and diverse, stand-alone algorithms encounter inherent limitations that diminish their effectiveness. The red-billed blue magpie optimizer (RBMO), a relatively new swarm intelligence algorithm, has demonstrated significant potential, while its performance remains limited by restricted global exploration capability a tendency to converge prematurely to local optima. Combining the strengths of multiple algorithms enables the creation of more effective hybrid optimization methods. Building on this idea, this study introduces an attraction–repulsion enhanced red-billed blue magpie optimizer (AR-RBMO). The algorithm incorporates an attraction–repulsion mechanism to improve global search, a best-solution attraction strategy to direct the population towards high-quality regions, an escape strategy to avoid local optima, and a dynamic exploration–exploitation balance strategy based on optimal solution feedback. Systematic experiments on the CEC2017 benchmark suite, covering 30-, 50-, and 100-dimensional functions, evaluate AR-RBMO against 18 representative metaheuristic algorithms. Results from the Friedman test indicate average rankings of 2.133, 1.75, and 1.4667, respectively, confirming AR-RBMO’s overall superiority. The Wilcoxon rank test further validates that these performance improvements are statistically significant. Evaluation on six classical engineering optimization problems yields high-quality solutions, demonstrating robust global search capabilities, high convergence accuracy, and consistent solution stability.
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 | 0,000 | 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