基于局部搜索贝叶斯算法的Xgboost参数选择

提出了一种基于密度的局部搜索贝叶斯算法的Xgboost参数选择方法(BOA-DLS-Xgboost).基于密度的局部搜索贝叶斯算法(BOA-DLS)在选择初始种群时采用拉丁超立方抽样(LHS),使初始种群更均匀地分布于参数空间;每次探索过程是在LHS抽样点的基础上,对稀疏点和当前最优解周围进行局部搜索得到待采样集,以提高解的收敛速度和精度.仿真实验结果表明:BOA-DLS比BOA具有更好的优化性能.利用BOA-DLS对Xgboost算法的参数进行优化,通过与四种经典集成学习算法以及BOA-Xgboost算法比较,所提出的BOA-DLS-Xgboost算法在参数优化方面的应用是合理有效的.

一种牛顿迭代法的改进——牛顿弦割迭代法

牛顿迭代法是非线性方程求根的一个常用的方法,它具有至少二阶的收敛速度,但是需要计算一阶导数值。本文针对牛顿迭代法进行改进,以弦割代替导数,只需计算函数值,不需计算一阶导数值,同样也具有至少二阶的收敛速度,并且形式简单,计算量小,数值试验表明该迭代公式十分有效。

共识、路径与趋向:ChatGPT与基础教育变革研究年度综述

“ChatGPT与基础教育变革”是2023年度教育热议话题之一。项目组梳理了一年来各主流教育期刊发表的836篇相关论文,结合各大教育论坛的相关发言,凝练出重视数字化转型、注重人机协同、管控伦理风险等基本共识;从教育理念、人才标准、育人场景与方式以及教师身份作用等方面切入,提炼了研究者有关ChatGPT推动基础教育变革路径的主要观点;着眼未来发展走向,总结出基础教育应用ChatGPT应坚持以人的成长规律为遵循、以提高育人质量为旨归、以系统变革教育生态为途径等重要原则。