Mendelian and Non-Mendelian \nAncestral Repair for Constrained \nEvolutionary Optimisation
Notice bibliographique
Résumé
Evolutionary Algorithms (EA) are excellent at solving many types of problems \nbut are inherently ill-suited to solving constrained problems. Previously \nthere has been four ways to adapt these algorithms to solve constrained \nproblems - pareto optimal strategies, modified representation and operators, \npenalty functions and repair strategies. This thesis makes significant contributions \nto the topic of genetic repair and introduces a non-Mendelian repair \noperator that has been inspired by a naturally occurring genetic repair mechanism \nin the Arabidopsis thaliana plant. Thus, the analogy between EA and \nnatural evolution is extended to incorporate this (still highly controversial) \nbiological repair process. \nThe first and main objective focuses on Evolutionary Algorithms. This \nthesis adapts this novel genetic repair strategy to an EA to solve two benchmark \nconstraint based problems - specifically permutation problems as this \ncategory of problem are often recognised as the most problematic problems \nfor the canonical EA to deal with. \nThe second objective was more biological, relating to Evolutionary Algorithms. \nA number of algorithmic and parametric interventions were made \nto the EA, to examine the repair algorithm’s performance under more biologically \ninspired conditions. \nThis thesis illustrates that non-Mendelian ancestral repair templates outperform \ntheir Mendelian counterparts under a wide variety of conditions and \nalso shows that under biologically inspired conditions, the non-Mendelian \nrepair strategy continues to outperform its Mendelian counterpart.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,002 |
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 ».