融合教育心理学理论的分组教学优化算法

针对分组教学优化算法(group teaching optimization algorithm,GTOA)存在求解精度不高、易陷入局部最优的不足,提出了一种融入教育心理学理论的分组教学优化算法(educational psychology group teaching optimization algorithm,EPGTOA)。在杰出组学生的教学阶段融入支架式教学理论,在教学过程中帮助学生构建知识体系,更快地提高该组学生的学习能力,从而加强算法的局部搜索能力;在学生学习阶段融入建构主义发展观理论,学生逐渐形成自己独特的认知结构,吸收教师传授的知识,提高学习能力,从而增强算法的全局搜索能力。为验证EPGTOA的有效性,选取21个标准测试函数,将EPGTOA与GTOA和基于信息共享的分组教学优化算法、灰狼算法、蜉蝣算法、飞蛾扑火算法、教与学算法算法进行仿真实验,同时采用Wilcoxon检验和平均绝对误差对改进算法所得的数据进行统计分析,结果表明在5%的水平上是显著的。在算法稳定性、求解精度和收敛速度上,EPGTOA都比GTOA有所增强,尤其在求解高维问题上,改进算法有更好的性能。

边缘协作环境下最小化完工时间任务调度方法

由于用户地理位置分布不均可能导致边缘服务器负载不均衡,难以为用户提供满意的服务质量。此外,边缘服务器可用资源有限,一些大任务可能难以全部卸载到边缘服务器。针对以上问题,利用多个边缘服务器之间的协作,结合任务部分卸载方式,提出一种边缘协作环境下最小化完工时间的任务调度方法。首先,结合边缘水平协作和任务部分卸载技术,考虑多用户多边缘服务器场景下用户和边缘服务器的位置关系,以最小化任务完工时间为目标,建立任务部分卸载调度模型;其次,提出基于改进分组教学优化算法的任务调度算法,联合优化边缘服务器计算资源分配、用户-边缘服务器关联决策、任务卸载比例以及执行位置决策,以最小化任务完工时间为目标,实现边缘计算环境下任务的高效调度;最后,通过实验将提出的任务调度算法与其他算法在多个指标下进行对比。实验结果表明,所提方法能够有效降低任务完工时间。

一种分组模式下的土壤重金属含量预测模型

针对传统预测模型在土壤重金属含量预测上表现不佳问题,以土壤采样点数据集中的经度、纬度、高度以及农作物类型作为输入变量,建立一种基于分组教学优化算法的分组模式预测模型(GTOA-BP)。对武汉新城区土壤采样数据进行仿真预测,将GTOA-BP模型与BP神经网络和径向基神经网络模型进行实验比较,结果表明:GTOA-BP的4种误差数据均低于其他两种模型。与BP神经网络相比,GTOA-BP的MAPE和SMAPE分别下降了9.97%和8.86%,与径向基神经网络相比,GTOA-BP的MAPE和SMAPE分别下降了6.24%和5.97%,说明该模型能降低神经网络训练的误差,提高预测精度。