多维背包问题的新型人类学习优化算法

针对目前算法求解多维背包时精度低、稳定性差、特别是无法有效求解超大规模算例等问题,提出一种新型人类学习优化算法。首先,基于认知心理学中的记忆理论,在基本人类学习算法中采用哈希函数表示人类在学习过程中的记忆行为,避免重复搜索,提高算法搜索群体多样性;其次,采用认知心理学中的对比认知理论对学习算子选择策略进行自适应调整;最后,采用变邻域搜索操作提升算法局部搜索能力。采用小规模、中等规模、大规模、超大规模共76个多维背包问题的标准测试数据集进行数值实验,并将新算法和二进制粒子群算法、遗传算法、人类学习算法以及融合学习心理学的人类学习算法进行比较。结果表明新算法能够有效求解四种规模算例。与其他算法相比,新算法具有更高的寻优精度和更好的稳定性。此外,对提出的三种优化策略进行分析,测试其对提高算法搜索性能的有效性。

基于DCT与自适应人类学习优化算法的图像匹配算法

为提高图像匹配的精度和速度,利用离散余弦变换(DCT)和自适应人类学习优化算法(ASHLO),提出了一种快速并且抗噪性强的图像匹配算法。该方法利用当前搜索位置子图像和模板图像离散余弦变换后的参数构造适应度函数,经过迭代寻优寻找最优匹配位置。将该算法在正常情况下以及不同噪声情况下与穷举法、基于粒子群算法(PSO),基于人工蜂群算法(ABC)的图像匹配算法进比较。实验结果表明,该算法可以获得较高的准确率,成功匹配率约95%,且速度快,抗噪性强。

从印刷时代到信息时代:人类学习方式与教育模式的历史性变革

随着21世纪的降临，以多媒体和国际互联网为代表的当代信息技术，正以惊人的速度改变着人们的生存方式和学习方式，并导致发达国家和地区的教育越来越走向网络化、虚拟化、国际化、个性化。……

知识经济对人类学习行为的影响

以高科技为依托的知识经济对人类学习行为的变革有着多方面的深刻影响,在知识经济时代里,几千年来形成的人类学习方式将发生革命性的根本变革;终生学习不仅是外部竞争的需要,而且是社会生产和社会生活的内在需要;人类学习行为将同创新精神内在统一起来;学习将对现代人格的形成起着举足轻重的作用,将是实现从传统人格向现代人格飞跃的主要途径。

论人工智能之深度学习与人类学习的异同

深度学习使人工智能进入到深度学习新阶段,成为当前人工智能技术的核心,并产生了计算机视觉、推荐系统、语言文字处理等一系列应用技术,深刻影响和改变了人类社会面貌以及人类对自身的认知。深度学习源于人类智能,是对人类智能的再现与增强,具备层级性、算法性、工程性、数据性、结构性和深度性六大特征,实现了人工智能的新突破,在学习和模拟人类智能的同时也为人类学习提供了有益启示。虽然深度学习与人类学习的特征和内容不同,但二者有共同之处且相互借鉴,有利于推进人工智能发展。应重视研究深度学习对人类学习活动和思维模式的重要作用,以更好地理解和增强人类自身学习能力。

基于复合加权人类学习网络的超超临界机组建模与仿真

中间点温度是超超临界(ultra supercritical,USC)机组的一个重要参数,其系统具有强非线性,常规方法很难对其进行建模。为了解决非线性问题,并获得良好的建模效果,提出了一种基于复合加权人类学习优化网络(composite weighted human learning optimization network,CWHLON)的建模方法,以动态线性模型的形式来模拟对象的非线性动态过程。在仿真实验部分,将CWHLON模型与传统的递推最小二乘法和其他三种元启发式方法得到的模型进行综合比较,数据显示本文提出的方法在模型精度方面平均提高了77.93%,最大提高了78.65%,实现了辨识精度的有效提升。

融合学习心理学的人类学习优化算法

针对简单人类学习优化(SHLO)算法寻优精度低和收敛慢的问题,提出了一种融合学习心理学的人类学习优化算法(LPHLO)。首先,结合学习心理学中的小组学习(TBL)理论引入TBL算子,从而在个体经验、社会经验的基础上,增加了小组经验来对个体学习状态进行控制,避免算法早熟收敛;然后,结合记忆编码理论提出了动态调参策略,从而实现个体信息、社会信息、团队信息的有效融合,更好地平衡了算法局部探索和全局开发的能力。选取典型的组合优化难题——背包问题中的两种算例,即单约束背包问题、多约束背包问题进行仿真实验,实验结果表明,所提LPHLO与基本的SHLO算法、遗传算法(GA)和二进制粒子群优化(BPSO)算法等算法相比,在寻优精度和收敛速度方面更具优势,具有更好的解决实际问题的能力。

基于人类学习优化算法的变论域模糊PID控制研究

针对一些复杂的工业控制系统中利用常规的PID控制往往难以达到理想的控制性能,以及控制系统中控制器的相关参数难以精确设定的问题,提出了一种基于人类学习优化算法(Human Learning Optimization,HLO)的变论域模糊PID控制方法并应用于电站的优化控制当中。首先介绍了HLO算法以及变论域模糊PID控制方法的相关原理,然后阐述了运用HLO算法对变论域模糊PID控制器进行优化设计的实现过程,接着和基本的模糊PID控制器以及常规PID控制器的控制性能进行了对比,并与基于粒子群算法、差分进化算法和声搜索算法的变论域模糊PID控制器的控制性能进行了对比。结果表明,基于HLO算法的变论域模糊PID控制器具有更好的控制效果,且实现简便,具有良好的应用前景。

基于人类学习优化算法的K-Means在智能温室大棚中的应用

针对传统的K-Means算法易受初始聚类中心点和异常点影响导致聚类结果不理想的缺陷,利用人类学习优化算法全局搜索能力强的优势,对K-Means算法的初始聚类中心进行优化,提出了一种基于人类学习优化算法的K-Means方法。通过UCI数据集中几组数据对算法进行了聚类实验,实验结果表明与传统的K-Means算法相比,提出的改进算法有效提高了聚类性能。关于温室环境因素的控制策略较为复杂,为了对智能温室中番茄生长环境调控进行决策支持,对温室番茄生长环境中不同的变量指标做聚类分析,挖掘出智能温室大棚中番茄生长的最佳环境范围,调节环境变量让温室一直处于番茄生长的最佳环境中。

机器学习时代的人类学习——ChatGPT引发的教育哲学反思

ChatGPT在自然语言处理上的突破开启了人工智能通用化的大门。当下取得突破的,不是基于规则的早期人工智能,而是基于机器学习的新型人工智能。机器学习乃是算力、数据和算法三者的聚合,机器学习时代的文明界面由此从人类才能识别的文字转变成了机器能够识别的数据。目前有关ChatGPT和教育人工智能的讨论,多着眼于机器学习的短期效应,我们有必要以机器学习时代的眼光理解ChatGPT的挑战,以此为契机审视人类学习的重组。机器学习在带来种种挑战的同时,或许能让教育机构解脱于生存机构的纠缠,回归“学以成人”的文明理念。

广义最大覆盖模型的新型人类学习优化算法

广义最大覆盖模型是传统覆盖模型的扩展形式,通过覆盖水平评价服务质量。针对上述模型NP-hard问题特征,设计一种基于新型人类学习优化算法的求解方法。将自适应学习策略引入到基本人类学习优化算法中,采用随机学习算子、个体学习算子和社会学习算子进行优化搜索。利用多个算例进行数值实验,并将新算法与遗传算法、微粒群优化算法、最有价值球员算法和人类学习优化算法进行比较。实验结果证明了新算法的可行性和有效性,为广义最大覆盖模型的求解提供了一种有竞争力的算法。

教育人工智能支持人类学习机制的两种效应

随着人工智能技术的快速发展,教育人工智能(EAI)逐渐走入教育研究者的视野。EAI是一个将人工智能技术与学习科学相结合的新兴领域,是人工智能技术对教育领域引发影响的深刻表现。然而作为EAI的逻辑起点问题——EAI缘何能够促进人类学习,以及在对人类学习机制的支持时,又发挥了何种效应,这一课题尚未有定论。探讨该课题对EAI的理论研究和应用研究均具有重大意义,只有将其弄清理顺,才能真正推动EAI在教育理论上的完善与教育实践中的运用。文章论证了EAI支持人类学习机制的两种效应,先比较了基于逻辑结构和基于物理结构的学习机制(均从人类学习机制和机器学习机制两个层面上给出探讨)的不同,进而阐明人类和机器在学习机制上的联系,重点论述EAI对信息心理加工过程的延展效应、EAI对大脑神经网络结构的强化效应。

探析人工智能深度学习对人类学习的指导作用

本文以分析人工智能深度学习与人类学习的理论及优缺点为基础,探析人工智能深度学习对人类学习的指导作用,并以提高人类学习效率、学习效果为目标,积极探索将人工智能应用于人类学习的方法途径及实践策略。

陶行知教育思想与人类学习的三种方式

人类是如何学习的？有哪几种主要的学习方式？这个问题的解决对教育教学甚至课程设置都有重要的指导和启示作用。

浅谈机器学习和人类学习的关系

人工智能的狂潮正席卷全球,越来越多的研究成果进入我们的日常生活,推动了社会的发展的同时,也让社会对人工智能有了非常高的期望。而实现人工智能的基础核心是机器学习:用海量的数据来"训练",通过各种算法从数据中归纳、综合如何去完成任务。AlphaGo就是一个典型的机器学习的例子。本文试阐述机器学习和人类学习之间的辩证关系。

植物的自养与人类学习自主建构的哲理——对建构主义学习理论的再认识

植物体能够由一棵小苗长成参天大树,它的营养是以自养的方式自己制造有机物,通过光合作用产生的自身营养物质的积累不断长成参天大树的。这就使人想起了当今教育改革中提倡的建构主义理论。

一种基于人类学习认知过程的PID控制方法

针对传统PID方法对复杂系统非线性问题控制能力不足缺点,提出了一种基于人类学习认识模型的智能PID控制方法。首先建立了人类不同年龄阶段学习认识过程的数学模型,并应用该模型设计了一种可以在线自主调参的智能PID控制器。该控制器不仅具有自学习、自调整的能力,还克服了大多数智能方法计算迭代复杂、没有数学解析模型的缺点。仿真结果表明本文设计的控制器是有效的。

基于配对机制的人类学习优化算法研究

群体智能算法是模拟生物进化或动物群体协作的搜索机制,其目标是快速有效地搜索复杂问题的解空间,寻求全局最优解。近几年,模仿人类学习机制,提出了一种新的群体智能算法,即人类学习优化(HLO)算法。基于HLO算法,结合人类社会婚配现象获得的启发,首次提出一种基于配对机制的人类学习优化算法(PHLO)。人类学习优化算法(PHLO)包含四个运算符——随机学习运算符、个体学习运算符、配对学习运算符和社会学习运算符。以0-1背包问题作为测试基准,将新算法的优化结果与HLO、模拟退火算法(SA)进行比较。实验结果表明,无论收敛速度还是寻优精度,PHLO都明显优于HLO算法和SA算法。

基于人类学习优化算法的改进进化随机网络及其故障诊断应用

相比于传统的基于梯度的前馈神经网络,随机前馈神经网络具有更好的逼近能力和泛化学习能力,被广泛用于分类等问题中,然而其网络参数完全随机,在实际应用中存在性能不稳定、不可靠的隐患。为此,基于人类学习优化算法提出了一种改进的选择性进化随机网络方法(Improved Selective Evolutionary Random Network,ISERN),协同进行特征选择和网络结构优化以提高网络性能,某远洋船舶海水淡化系统的故障诊断仿真结果表明ISERN方法与其他方法相比具有更好的故障诊断性能,体现出其有效性和优异性。

基于人类学习优化算法的区间二型模糊控制器设计

工业系统复杂程度不断提高、规模不断扩大,传统控制方法难以获得理想的控制性能,而区间二型模糊控制鲁棒性好、响应快速,在处理强耦合、非线性、大滞后系统控制问题具有更大的优势。但是传统的方法很难计算出区间二型模糊控制器的参数,针对这一问题,提出一种基于人类学习优化算法的区间二型模糊控制器设计方法,并将其应用于列车控制中,仿真结果表明区间二型模糊控制器在列车控制中取得更好的效果。