Mendelian and Non-Mendelian \nAncestral Repair for Constrained \nEvolutionary Optimisation
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 (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.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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