Metaheuristic Optimization of Artificial Neural Networks: A Comprehensive Survey of Techniques, Taxonomies, and Trends (2015–2025)
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
Artificial Neural Networks (ANNs) excel across vision, language, and decision-making, yet their performance hinges on well-chosen weights, hyperparameters, and architecture settings where classical gradient methods can stall or overfit.This survey consolidates a decade of work (2015-2025) on metaheuristic assistance for ANN optimization, covering evolutionary, swarm-intelligence, physics-inspired, and hybrid paradigms.We propose a unified taxonomy that cross-classifies optimization targets (weights, structure, hyperparameters) with hybridization depth (sequential, embedded, post-training), and we synthesize quantitative trends from recent mappings alongside a curated dataset.The evidence indicates a sharp post-2019 acceleration, with swarm methods remaining the largest family and hybrids the fastest-growing, particularly in energy, industrial, healthcare, and cybersecurity applications.We analyze methodological gaps statistical rigor, compute/energy reporting, and reproducibility and outline a research agenda centered on self-adaptive controllers, multi-objective and constraint-aware formulations, and quantum-inspired diversity mechanisms.By integrating taxonomy, original visuals, and critical appraisal, this article clarifies how metaheuristics act as adaptive schedulers for modern ANN training and provides practical guidance for designing robust, resourceaware optimization pipelines.
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 | 0,004 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 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