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。

基于含权k-壳分解的分组教学虚拟网络映射算法

提出一种两阶段的基于含权k-壳分解的分组教学虚拟网络映射算法。该算法根据含权k-壳分解法对底层网络进行预处理,然后沿着节点间的最短路径映射链路,并结合分组教学优化模型的分组、教学、自学与互学的优化策略,实现节点和链路的协调映射,从而进一步提高解的质量。仿真结果表明,所提算法作为一种多目标的虚拟网络映射算法,能够有效减少链路开启量,提升虚拟网络请求接受率及长期收益成本比。

分组教学蚁群算法改进及其在机器人路径规划中应用

针对蚁群算法收敛速度慢、易陷入局部最优问题,提出一种基于分组教学优化改进蚁群算法。该算法从3个角度对蚁群算法进行改进。首先,利用分组教学优化算法改进蚁群算法适应度函数,提高算法全局求解能力。同时,引进一种新的回退策略,通过该策略处理U型障碍死锁问题,确保算法求解可行性。其次,采用一种新的动态信息素更新策略,滚动更新每轮迭代后路径信息素值,避免算法陷入局部最优。最后,引入路径简化算子,将冗余角简化为直线路径,缩短路径长度。仿真实验证明改进算法能有效提高移动机器人路径规划收敛速度和精度。

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。