Stochastic Grouping and Subspace-Based Initialization inDecomposition and Merging Cooperative Particle SwarmOptimization for Large-Scale Optimization Problems
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
The Particle Swarm Optimization (PSO) algorithm is a meta-heuristic that has shown great proficiency in solving optimization problems. However, the PSO algorithm fails to scale efficiently for more complex, large-scale optimization problems (LSOPs). The Decomposition and Merging Cooperative-PSO variants (DCPSO & MCPSO) were introduced to improve the performance of PSO as the number of dimensions in the optimization problem increased. Though beneficial, the DCPSO and MCPSO algorithms do not address one of the main reasons for performance degradation in these large search spaces: particles leaving the search space. Research in this area has shown that it may be beneficial to focus on initially exploiting a small area of the search space, instead of exploring the entire search space. To achieve this, we implement the techniques of Subspace-Based Initialization (SBI), Stochastic Grouping (SG), and Increasing Stochastic Grouping (ISG) in concert with the existing DCPSO and MCPSO algorithms. Results show that the SBI algorithm variants outperform their vanilla counterparts across all dimensions tested (100, 500, 1000, 2000). The SG and ISG approaches are found to perform best at higher dimensions, outperforming the standard MCPSO and DCPSO algorithms at 1000 and 2000 dimensions.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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