Stochastic Grouping and Subspace-Based Initialization inDecomposition and Merging Cooperative Particle SwarmOptimization for Large-Scale Optimization Problems
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.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».