“互联网+”大赛视域下高校提升服务地方科技企业能力

以“互联网+”大赛视域为背景,围绕如何提升高校服务地方科技企业能力展开研究。高校作为科研和人才培养的重要基地,肩负着推动地方经济发展的使命。然而,高校在服务科技企业过程中常遇到合作机制不畅、科技成果转化率低等问题,这限制其服务能力的发挥。针对这些问题,重视并加强人才培养,特别是创新创业教育,是提升服务能力的关键所在。此外,“互联网+”大赛作为连接高校与科技企业的桥梁,为双方提供了展示合作成果、拓宽合作渠道以及吸引社会资源的宝贵机会。因此,高校应积极参与大赛,充分利用这一平台优势。

应用型电子信息工程专业劳动教育模式探索

劳动促进人的全面发展,新时代劳动教育与“德”“智”“体”“美”四育处于同等重要的地位。当前应用型电子信息工程专业劳动教育实施过程存在混同化、简单化等问题。文章对应用型电子信息工程专业劳动教育实施模式进行探索,将劳动教育融入人才培养过程,构建劳动教育“1+6”模式。文章以九江学院电子信息工程专业为例,阐释了该模式实施的关键环节。该模式不仅可以端正学生劳动观念、丰富学生劳动经验、提高学生专业劳动技能,而且可以训练学生系统思维,提升学生工程素养,培养应用型人才。

改进的差异演化算法

针对差异演化算法求解复杂优化问题效率不高问题,提出一种改进的差异演化算法。该算法采用单种群机制提高全局搜索能力,利用二次局部变异操作使当前种群中的部分个体在当前最优个体附近寻优,增强局部搜索能力。利用不同类型的标准测试函数对该算法进行测试,并与差异演化算法、动态差异演化算法和粒子群优化算法进行比较。仿真结果表明,改进的差异演化算法显著提高了搜索效率。

基于混合编码的差异演化算法解0-1背包问题

针对典型的一类NP完全问题——背包问题,提出一种混合编码的差异演化求解方法。该方法基于差异演化算法框架,采用混合编码机制,每个决策变量均由一个实数和一个二进制数的组合表示。利用新定义的映射算子,构建混合编码的种群;增加边界约束处理算子,确保变异算子计算结果满足边界约束条件;利用新定义的丢弃算子对于不可行的装包策略进行修正。通过数值仿真实验,将该方法与遗传算法、二进制差异算法的计算结果比较分析,表明该算法求解背包问题的有效性与适用性。

混合二进制差异演化算法解0-1背包问题

为了有效求解0-1背包问题,提出一种混合二进制差异演化算法。该算法基于差异演化算法框架,采用二进制编码,通过增加映射操作、S型变换操作和逆映射操作等3种新的操作,将差异演化算法从实数优化领域推广至离散优化领域,成功解决了差异演化算法直接求解离散优化问题时的计算不封闭问题。此外,在每次迭代求解时,利用贪婪变换法对违反约束条件的不可行解进行变换,使其成为可行解。不同规模的背包问题的数值实验结果表明了该算法的有效性与适用性。

下一代Web搜索引擎探讨

本文在总结目前的Web搜索引擎现状的基础上 ,分析了目前的Web搜索引擎所面临的四个主要挑战 ,探讨了下一代Web搜索引擎的改进措施和发展方向。

混合整数非线性规划问题的改进差分进化算法

提出一种改进差分进化算法求解混合整数非线性规划问题。该算法利用同态映射方法,解决差分进化算法无法直接处理整数决策变量问题;提出改进的自适应交替变异算子,提高算法的搜索性能;提出一种自适应保留不可行解的方法处理约束条件,并对差分进化算法的选择算子进行改进,提出一种直接处理约束条件的新选择算子。六个常用的混合整数非线性规划问题的实验结果表明了该方法的有效性和适用性。

求解武器—目标分配问题的混合编码差异演化算法

提出一种混合编码差异演化求解武器—目标分配优化问题。在差异演化算法中增加违反边界约束处理操作,确保由变异和交叉操作生成的每个新个体满足边界约束条件;对差异演化算法中的选择操作重新定义,使其可以直接处理约束条件。基于编码映射的方法构建一种新的混合编码差异演化算法。利用武器—目标分配问题对该算法进行了仿真实验,结果表明该算法的有效性与适用性。混合编码差异演化算法是求解离散约束优化问题的一种有效方法。

求解函数优化的新型差异演化算法

针对差异演化算法存在早熟收敛和后期求解效率低的缺点,提出一种新型差异演化算法。该算法基于单种群,在演化过程中直接对当前种群进行变异、交叉和选择操作,无须差异演化算法中的中间过渡种群。此外,新型差异演化算法的变异与交叉概率是时变的,其中变异概率随着迭代次数的增加而减小;交叉概率随着迭代次数的增加而增加。对几个典型的测试函数进行仿真实验表明,该算法能够有效避免早熟收敛,改善了差异演化算法的优化性能。

求解背包问题的改进差异演化算法

提出一种求解0—1背包问题的改进差异演化算法。首先对差异演化算法的选择操作进行修改,得到的改进差异演化算法可以直接有效地处理约束优化问题。其次,利用一种新的区间编码映射机制,将差异演化算法扩展到求解离散领域优化问题。仿真实验结果表明,与其他进化算法相比,改进差异演化算法求解经典背包问题时,求解精度高,收敛速度快,是求解经典背包问题的一种高效算法。

解0-1背包问题的混合编码贪婪DE算法

提出一种混合编码差异演化算法来求解0-1背包问题。通过增加边界约束处理算子和编码映射函数,构建混合编码差异演化算法,求解离散优化问题,并利用贪婪变换方法对演化过程中的不可行解进行修复。仿真实验结果表明了该算法求解0-1背包问题的有效性与适用性。

基于Markov链的B2C网站频繁访问路径知识发现研究

对B2C网站的用户浏览行为进行了系统的研究。通过建立基于Markov链的动态模型,对用户浏览行为进行了深入的分析。进一步综合利用Web日志文件信息和Web站点的拓扑结构,对用户有关某页面的兴趣度进行了计算。提出了相关页面的聚类矩阵,对页面进行相关性聚类;对于相关的页面集合进一步挖掘,可以发现网站的频繁访问路径。

企业与客户互动价值的评价

已有的客户关系评价模型大多建立在企业与客户之间一方价值评价的基础之上,这些评价方法不能充分体现关系双方的意愿。在客户价值和客户贡献的基础上,沿用通用电气公司矩阵分析法,提出了一种基于企业与客户互动价值的客户关系评价模型,为客户关系评价提供了一条新的途径。

有向图的扩展邻接矩阵存储模式研究

本文对于有向图的存储模式进行了研究。在邻接矩阵和邻接表的基础之上,提出了一种新的有向图存储结构-扩展邻接矩阵,并研究了建立该矩阵的算法。扩展邻接矩阵存储模式同时具有邻接矩阵、邻接表和十字链表三种传统存储结构分别可以快速从有向图获得不同信息的优点。扩展邻接矩阵为有向图的应用,提供了一种高效的存储方案。

高维0-1背包问题的双种群角度调制DE算法

针对高维0-1背包问题,提出一种双种群新型DE算法。该算法采用双种群编码机制,其中一个为低维的实数编码种群,另一个为高维的二进制编码种群。借鉴通信领域的角度调制原理,通过低维种群中的个体,生成高维种群个体,实现将高维优化问题转换到低维空间进行优化求解。此外,新定义丢弃算子对演化过程中的不可行解实时进行修正。仿真实验结果表明了该算法求解高维0-1背包问题的有效性。

基于精英区域学习的动态差分进化算法

DE算法简单高效,但对复杂问题也存在收敛效率较低的问题,为提高DE算法的全局勘探能力和收敛精度,提出了一种新的精英区域学习动态差分进化算法,算法首先将历史精英保存在精英池中,然后采用正弦函数对精英池中的精英进行区域学习,最后利用动态DE模式有效提高收敛的速度,并从理论上证明了算法的收敛性.通过对包括单峰函数、多峰函数和偏移函数的20个基准测试函数的仿真实验和分析,验证了新算法的有效性和适用性,其能在保持较高的收敛速度的同时也能保持较好的收敛精度,经与多种知名的DE算法在统计学上的分析比较,证明了该算法是一种具有竞争力的新算法.

基于均匀局部搜索和可变步长的萤火虫算法

针对萤火虫算法(FA)收敛速度慢和求解精度不高的问题,提出一种基于均匀局部搜索和可变步长策略的萤火虫优化算法(UVFA)。首先,根据均匀设计理论建立局部搜索算子,对FA的搜索过程进行改进,以提升算法的局部开采能力和收敛速度;其次,利用可变步长策略,动态地调整算法搜索步长,以平衡全局和局部的勘探能力和开采能力;最后将均匀局部搜索算子和可变步长进行融合。通过对12个标准测试函数进行仿真实验,结果表明,UVFA的目标函数均值均明显优于FA、明智步长策略的萤火虫算法(WSSFA)、可变步长萤火虫算法(VSSFA)和基于均匀局部搜索的萤火虫优化算法(UFA),并且时间复杂度明显降低,并且在低维和高维问题中均显示出了较好的质量,具有良好的鲁棒性。

一种邻域搜索的人工蜂群算法

提出采用邻域搜索机制来改进人工蜂群算法的解搜索方程,从当前食物源的环形邻域拓扑结构中选择较优的邻居食物源进行开采,平衡算法的勘探与开采能力。此外,为保存侦察蜂的搜索经验,提出采用一般反向学习策略生成被放弃食物源的反向解,提高算法的搜索效率。在20个典型的benchmark函数上验证算法的性能,并与6种知名的改进算法进行对比。实验结果表明:本文算法在收敛速度和解的精度上均有较大优势。

基于三角的骨架差分进化算法

差分进化(differential evolution,DE)算法简单高效,但其控制参数和差分变异策略对待解的优化问题较为敏感,对问题的依赖性较强.为克服这一缺陷,提出了一种新的基于三角的骨架差分进化算法(bare-bones differential evolution algorithm based on trigonometry,tBBDE),并使用随机泛函理论分析了算法的收敛性.算法采用了三角高斯变异策略以及三元交叉和交叉概率自适应策略对个体进行更新,并在收敛停滞时进行种群扰动,算法不仅继承了骨架算法无参数的优点,而且还很好地保留了DE算法基于随机个体差异进行的特性.通过对包括单峰函数、多峰函数、偏移函数和高维函数的26个基准测试函数的仿真实验和分析,验证了新算法的有效性和可靠性,经与多种同类的骨架算法以及知名的DE算法在统计学上的分析比较,证明了该算法是一种具有竞争力的新算法.

基于折射原理反向学习模型的改进粒子群算法

对于粒子群优化算法易陷入局部最优的缺陷,反向学习策略对其的改进取得了较好的效果.然而,反向学习策略需要结合其它策略来提高算法后期的全局搜索能力,针对此缺陷,根据光的折射原理对反向学习策略的反向过程进行改进,提出反向学习的统一算法模型及基于折射原理反向学习模型的改进粒子群算法.实验与分析表明,与其它基于反向学习的粒子群算法相比,该模型更有效地改进了所提算法的全局搜索能力,提高了种群的多样性,从而提高了算法的收敛速度以及优化精度.