Evolução diferencial com mutação ordenada em problemas de otimização monobjetivo com restrições de caixa
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
A Evolução Diferencial (ED) está entre os algoritmos evolucionistas mais eficientes para lidar com problemas de otimização. Sua proposição original utiliza o esquema clássico DE/Rand para selecionar aleatoriamente soluções candidatas da população para o processo de mutação, sem considerar qualquer ordenação entre elas. Recententemente foi proposto o esquema DE/Order para problemas multi-objetivo, uma estratégia de ordenação entre as soluções selecionadas para a mutação. O algoritmo com o esquema DE/Order apresentou melhores resultados em problemas de otimização multi-objetivo quando comparado ao DE/Rand. Esse trabalho avalia a estratégia de mutação DE/Order em problemas de otimização monobjetivo com restrições de caixa. A performance desta estratégia foi comparada com duas outras já consolidadas na literatura, DE/Rand e DE/Best, ao serem aplicadas a problemas monobjetivos benchmark da competição do IEEE Congress on Evolutionary Computation - CEC 2021. Os resultados mostraram que o esquema DE/Best apresenta o pior desempenho, sugerindo convergência prematura para ótimos locais. Além disso, este trabalho mostra através de testes não paramétricos que as estratégias DE/Order e DE/Rand não demonstraram diferenças estatísticas. Concluiu-se que o DE/Order se mostra competitivo neste conjunto de problemas, apresentando-se como uma estratégia que se beneficia dos conceitos das outras duas abordagens, randomização e elitismo, porém sem ser prejudicado pela estagnação em ótimos locais.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it