求解函数优化和特征选择的改进金豺狼优化算法

针对基本金豺狼优化算法(Golden Jackal Optimization,GJO)在解决高维优化问题时存在计算精度低、开发能力弱、容易陷入局部最优的缺点,提出一种改进GJO算法(I-GJO)。在改进算法中,设计一种基于正弦函数的非线性能量因子替代原随机递减能量因子,以平衡算法在搜索过程中的全局探索和局部开发能力。在算法迭代后期引入翻筋斗学习策略,从而扩大群体搜索范围和改善解的精度。为了验证I-GJO算法的有效性,选取6个基准函数优化问题进行数值实验,并与灰狼优化、海鸥优化算法和基本GJO算法比较。结果表明,I-GJO获得较高的精度和较快的收敛速度。最后利用I-GJO算法求解特征选择问题,对16个基准数据集的数值结果显示,改进算法能有效去除冗余特征和提高分类精度。

求解约束优化问题的改进蛇优化算法

结合外点罚函数法与改进蛇优化算法求解约束优化问题,得到一种新的求解约束优化问题的算法WDFSO。算法WDFSO首先通过外点罚函数法将约束优化问题转化为一系列界约束优化问题,然后运用基于变异质心的对立学习策略与种群分类策略改进的蛇优化算法对所得界约束优化问题进行求解,进而获得所求约束优化问题的解。为验证算法WDFSO的有效性,选取CEC2006中19个标准约束优化问题进行数值实验,并使用Wilcoxon秩和检验来证明算法的显著性。实验结果表明,与对比算法相比,算法WDFSO求解约束优化问题具有更高的收敛精度和更好的稳定性。最后应用算法WDFSO求解两个工程约束优化问题,结果表明算法WDFSO求解性能更好。

基于混合策略改进的蛇优化算法及其应用

针对基本蛇优化算法求解优化问题时易陷入局部最优的问题,提出了一种基于维度选择策略、选择交配策略和重新分组策略的改进蛇优化算法(SSO)。算法SSO在基本蛇优化算法在战斗或交配阶段引入维度选择策略,由随机概率选择每条蛇个体在不同维度的位置更新模式,以避免迭代后期出现个体位置停滞现象;同时引入选择交配策略,选择适应度值小的部分个体进行战斗或交配,剩余个体利用探索阶段位置更新公式进行位置更新,以提高战斗或交配阶段的探索能力;采用重新分组策略,个体每迭代10次都将随机打乱并重新分组,以增加种群多样性,提高算法寻优能力。利用30个标准无约束优化问题进行了数值实验,结果表明,相比于基本蛇优化算法SO等6种对比算法,算法SSO的寻优能力更强,且对求解高维优化问题更有效。用算法SSO优化BP神经网络的初始权值和阈值,实验结果表明所得SSO-BP神经网络在红酒分类和预测鲍鱼年龄时的准确性和稳定性优于其他对比神经网络。

文化自信赋能高校图书馆创新发展

文化自信是一个国家、一个民族发展中最基本、最深沉、最持久的力量,坚定文化自信是全面建设社会主义现代化强国、实现中华民族伟大复兴的时代需要。大学是引领社会发展的重要引擎,高校图书馆理应成为文化自信的践行者。文章在分析文化自信内涵及其与高校图书馆价值耦合的基础上,从理念创新、空间布局、资源禀赋、服务生态、书香校园、地域特色文化等方面提出基于文化自信提升的高校图书馆创新发展路径。

解决高维优化和特征选择的多策略改进正弦余弦算法

针对基本正弦余弦算法(sine cosine algorithm,SCA)求解高维复杂优化问题时存在精度低、收敛慢和易陷入局部最优等缺点,提出一种改进的SCA(improved sine cosine algorithm,iSCA)。首先,该算法设计出一种基于倒S形函数的非线性转换参数规则替代原有线性策略,从而实现从全局搜索到局部搜索的良好过渡;其次,嵌入个体历史最佳信息修改位置搜索方程以指导寻优过程,进一步改善算法的解精度和加快收敛;最后,引入翻筋斗觅食机制生成新的位置以增加群体多样性,从而降低算法陷入局部最优的概率。选取10个高维基准测试函数、10个UCI高维数据集和2个风电机组故障数据集进行仿真实验,并与基本SCA、MSCA(memoryguided SCA)和I-GWO(improved grey wolf optimizer)算法比较,结果表明,iSCA算法在精度和收敛指标上均优于其他比较方法。

巡视巡察发现问题“八法”

巡视巡察是党内监督、政治监督的利剑利器。发现问题、形成震慑是巡视巡察的生命线,也是巡视巡察监督的基本要求,更是衡量巡视巡察质效的重要标尺。有高质量问题才能彰显威信,彰显威信靠高质量问题来保证。巡视条例明确了多种监督方式方法,这是发现问题的基本手段,也是经过多年实践总结出来的管用招法。工作中,如何融会贯通、举一反三、灵活运用,在短时间内依规依纪依法、精准快速有效发现问题,不断提升监督综合质效,需要重点用好八个方法。一、查阅资料法。就是调阅文件、会议记录、财务凭证等原始资料,这是巡视巡察最基本、最常用而且是使用最多的一种方法,能够直观反映了解情况。巡视巡察监督涉及各个方面,涵盖各个领域,受时间、人员、进度等方面因素影响,查阅资料不可能面面俱到,必须盯住上级关注的、官兵反映强烈的、容易出问题的等方面,防止贪大求全、撒胡椒面,翻阅了大批资料,花费了大量时间,消耗了大堆精力,发现的都是面上问题、一般性问题,弱化巡视巡察的震慑性和权威性。查阅各类会议记录,要突出会议记录的规范性、真实性和一致性,看有无时间上“穿越”、内容上违反逻辑、记录上前后矛盾、涂改痕迹明显等问题,注重把背后弄虚作假、应付检查等工作作风方面的问题挖出来。

使用像素质量函数和边界约束实现图像去雾

针对优化算法估算传输率复杂度高和去雾图像亮度不足的问题,提出一种基于像素质量函数和边界约束估算传输率的新算法。首先根据像素去雾度、像素信噪比构建像素质量函数,通过求解该函数最大值获取最优传输率,再结合复原图像灰度边界约束形成粗糙传输率;然后运用导向滤波获取精细传输率;最后使用大气散射模型对雾图以及去雾图像分别进行去雾和亮度增强处理。视觉效果显示,提出的算法复原的图像明亮自然;客观数据表明,算法处理结果的平均梯度比、信噪比和运行时间等指标值大幅提升。相对于其他测试算法,其平均梯度比均值至少提升1.34倍,信噪比均值至少提升1.07倍,运行速度均值至少加速1.28倍。该算法有效提高了雾图清晰度和明亮度,并且具有较好的实时性。

基于平面镜反射成像学习的海洋捕食者算法及特征选择

针对基本海洋捕食者算法在求解复杂优化问题时存在收敛速度慢、解精度低和易陷入局部最优的缺点,提出一种改进的海洋捕食者算法。一方面,该算法在迭代前期引入当前全局最优个体引导群体中其他个体进行搜索的策略,从而加快算法的收敛速度;另一方面,在迭代后期引入平面镜反射成像学习策略,从而帮助群体逃离局部最优和提高求解精度。将改进算法应用于12个基准测试函数的寻优,结果表明,该算法比在求解精度和收敛速度方面均获得了显著提高。再将改进算法应用于求解21个特征选择问题,结果表明,该算法能有效去除冗余特征,提高数据分类的准确度。通过以上对比实验,显示出该改进算法的性能具有较强竞争力。

超融合架构在智慧图书馆数据中心的应用

数据中心在高校智慧图书馆建设过程中发挥着至关重要的作用。然而随着智慧化服务的增加,数据中心面临计算和存储等硬件资源需求激增的问题。超融合架构作为一种新兴的数据中心解决方案,为数据中心的升级和改造提供新的思路。文章深入探讨超融合架构在智慧图书馆数据中心的应用及其在数据管理、性能优化和成本控制等方面的优势,以期为智慧图书馆数据中心的建设提供新的思路和方法。

动态透镜成像学习人工兔优化算法及应用

针对基本人工兔优化(Artificial Rabbits Optimization, ARO)算法在解决复杂优化问题时存在收敛慢、精度不高和容易陷入局部最优等缺陷,本文提出一种改进的ARO算法(记为IARO算法)。IARO算法中的基于正弦函数的非线性递减能量因子能够帮助算法实现从探索阶段到开发阶段的良好过渡,从而提高算法的收敛速度和解的质量。此外,为了提高算法跳出局部最优的概率,IARO算法引入了一种动态透镜成像学习策略。为了证明IARO算法的优越性,首先选取了6个基准测试函数进行数值实验,然后用其求解2个工程设计优化问题和1个包括15个数据集的特征选择问题,并与灰狼优化(GWO)算法、鲸鱼优化算法(WOA)、正弦余弦算法(SCA)和基本ARO算法进行对比。结果表明,IARO算法有着比其他对比算法更优越的性能。

AIGC在高校图书馆智慧服务中的应用研究

随着信息技术的发展,AIGC技术凭借其强大的内容生成能力,为高校图书馆智慧服务创新提供了全新的路径。文章探讨了AIGC技术在高校图书馆智慧服务中的应用方向,包括用户画像构建与个性化推荐、智能问答与咨询服务、跨媒体内容生成与展示以及虚拟现实与增强现实体验等。分析了AIGC应用过程中可能面临的问题,如内容质量和准确性问题、数据安全与隐私问题、版权与知识产权问题以及技术实现问题,提出了相应的应对策略。

县级医疗机构开展死亡病例讨论现状分析

目的总结县级医疗机构死亡病例讨论制度实施现状并分析存在的问题,尝试提出标准化改进策略建议。方法采用判断抽样方法,利用自制问卷对重庆市16家县级医疗机构死亡病例讨论制度实施情况进行现场调查,并对医务人员进行半结构化访谈。结果县级医疗机构均建立死亡病例讨论制度,但制度内涵质量参差不齐,制度执行存在死亡病例讨论范围不明确、流于形式、讨论不规范、讨论内涵质量较差和缺乏系统科学监管等问题。结论死亡病例讨论制度作为医疗核心制度是医疗质量管理重要抓手,医疗质量管理部门和医务人员要高度重视死亡病例讨论的价值意义。要坚持开诚布公、系统批判、不追责不处罚原则,及时规范开展死亡病例讨论,做好记录,规范监管,提升医疗质量与保障患者安全。

基于透镜成像学习策略的灰狼优化算法

在灰狼优化算法中,C是一个重要的参数,其功能是负责算法的勘探能力.目前,针对参数C的研究工作相对较少.另外,在算法进化过程中,群体中其他个体均向α、β和δ所在区域靠近以加快收敛速度.然而,算法易陷入局部最优.为解决以上问题,本文提出一种改进的灰狼优化算法(Lens imaging learning grey wolf optimizer algorithm,LIL-GWO).该算法首先分析了参数C的作用,提出一种新的参数C策略以平衡算法的勘探和开采能力;同时,分析了灰狼优化算法后期个体均向决策层区域聚集,从而导致群体多样性较差,提出一种基于光学透镜成像原理的反向学习策略以避免算法陷入局部最优.对LIL-GWO算法的收敛性进行了证明.选取12个通用的标准测试函数和30个CEC 2014测试函数进行实验,在相同的适应度函数评价次数条件下,LIL-GWO算法在总体性能上优于基本GWO算法、改进GWO算法和其他比较算法.最后,将LIL-GWO算法应用于辨识光伏模型的参数,获得了满意的结果.

基于蚁群算法和LSSVM的锅炉燃烧优化预测控制

火电厂锅炉燃烧过程是一个复杂的多输入/多输出系统,具有高度非线性、强耦合的特点。借助燃烧特性试验数据,利用最小二乘支持向量机(LSSVM)建立锅炉燃烧模型,使用非线性模型预测控制(MPC)算法对锅炉燃烧过程进行优化和控制。提出一种改进蚁群算法用于求解预测控制算法中的非线性优化问题,采用动态随机抽取方法来确定目标个体引导蚁群进行全局搜索,同时在最优蚂蚁邻域内进行小步长局部搜索。实例表明,该方法对锅炉燃烧过程具有较好的控制效果。

基于改进蚁群算法优化参数的LSSVM短期负荷预测

提出一种自动优选最小二乘支持向量机(LSSVM)模型参数的改进蚁群(MACO)算法。该算法将LSSVM模型的参数作为蚂蚁的位置向量,然后采用动态随机抽取的方法来确定目标个体引导蚁群进行全局搜索,同时在最优蚂蚁邻域内进行小步长局部搜索,找到模型的最优参数,得到基于MACO算法优化的LSSVM(MACO-LSSVM)预测模型。将优化后的LSSVM模型应用于短期电力负荷预测问题,选择湖南某地区日期为2009-08-01至2009-08-30各小时点的数据进行分析,对2009-08-31该日24 h的负荷进行预测,并与BP神经网络和SVM模型进行比较。研究结果表明:本文方法得到的均方根相对误差为1.71%,比用BP神经网络和SVM模型得到的均方根相对误差分别低1.61%和1.05%。

一种改进的灰狼优化算法

灰狼优化算法是最近提出的一种较有竞争力的优化技术.然而,它的位置更新方程存在开发能力强而探索能力弱的缺点.受差分进化和粒子群优化算法的启发,构建一个修改的个体位置更新方程以增强算法的探索能力;受粒子群优化算法的启发,提出一种控制参数a随机动态调整策略.此外,为了提高算法的全局收敛速度,用混沌初始化方法产生初始种群.采用18个高维测试函数进行仿真实验,结果表明:对于绝大多数情形,在相同最大适应度函数评价次数下,本文算法的性能明显优于标准灰狼优化算法.

求解约束优化问题的萤火虫算法及其工程应用

针对基本萤火虫算法存在收敛速度慢、易陷入局部最优等缺点,提出一种改进的萤火虫算法用于求解约束优化问题。该算法首先利用混沌序列初始化萤火虫的位置,引入动态随机局部搜索以加快算法的收敛速度;为了避免算法陷入局部最优,对当前全局最优解进行多样性变异操作。对几个数值优化和工程优化问题进行实验。研究结果表明:与其他启发计算法相比,该算法具有较强的寻优性能。

动态调整惯性权重的粒子群优化算法

针对高维复杂优化问题,提出一种改进适应度函数和动态调整惯性权重的粒子群优化算法。首先考虑了搜索点的函数值及其变化率,并将该信息加入适应度函数。利用维惯性权重矩阵自适应动态调整惯性权重,较好地平衡了算法的全局探索和局部开发,并分析了惯性权重随种群多样性的变化关系。在算法后期计算每一维的收敛度,以一定的概率对收敛度最小的维进行变异,以加快算法的收敛速度。对高维测试函数的实验表明,算法提高了全局搜索能力。

可持续导向的乡村生态旅游内源式发展实践探索——以高黎贡山观鸟游为例

乡村生态旅游是乡村旅游的重要内容,也是助推乡村振兴的重要举措。基于云南省保山百花岭内源式协作型和怒江百鸟谷内源式个人企业主导型乡村生态旅游发展模式的实践探索进行深入分析,提出在自然旅游资源丰富的乡村地区,通过乡村生态旅游内源式发展,践行生态保护、社区参与、产业多元和自然教育等可持续发展原则,实现让村民成为自然生态的拥有者、保护者和受益者。

求解约束优化问题的改进灰狼优化算法

针对基本灰狼优化(GWO)算法存在求解精度低、收敛速度慢、局部搜索能力差的问题,提出一种改进灰狼优化(IGWO)算法用于求解约束优化问题。该算法采用非固定多段映射罚函数法处理约束条件,将原约束优化问题转化为无约束优化问题,然后利用IGWO算法对转换后的无约束优化问题进行求解。在IGWO算法中,引入佳点集理论生成初始种群,为算法全局搜索奠定基础;为了提高局部搜索能力和加快收敛,对当前最优灰狼个体执行Powell局部搜索。采用几个标准约束优化测试问题进行仿真实验,结果表明该算法不仅克服了基本GWO的缺点,而且性能优于差分进化和粒子群优化算法。