Evolução diferencial com mutação ordenada em problemas de otimização monobjetivo com restrições de caixa
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.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.001 |
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 itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".