高校末位区间重修制的反向激励机制探析

末位区间重修制度是当前我国高校教育体制改革中对传统考试管理制度的一项制度变革与设计,并在某些高校得到实施。本文通过实证研究和理论演绎,分析了末位区间重修制度在大学生中间引进竞争机制、激发学习积极性、形成良好学风等方面所发挥的反向激励机制效应,在肯定末位区间重修制以“外在制度”制约学生“内在惰性”的积极作用同时,也提出了该制度可能存在的弊端及日后需进一步解决的问题。

塞尔维亚增值税反向征税机制的实践探讨

在共建“一带一路”的大背景下,中国企业“走出去”将面临国际税制差别以及涉外税务管理等新问题。企业应充分了解掌握驻在国(地区)税收体系和相关政策,才能更好地发展当地业务。文章介绍了塞尔维亚增值税反向征税机制,重点分析了该机制适用主体、范围和操作流程,分享了该机制税务管理实践中应注意的问题。

双向机制下企业自愿碳减排的三方博弈模拟

工业企业碳减排对平衡环境保护和经济发展尤为重要。基于政府和消费者双向机制探究企业自愿碳减排的影响因素,根据政府正向激励机制和消费者反向倒逼机制构建政府、企业和消费者三方演化博弈模型,分析了各参与方策略选择的演化稳定性,从系统动力学角度探讨三方主体策略选择不同时各个参数对企业自愿碳减排的影响机制,进一步分析了三方博弈系统中均衡点的稳定性。结果表明:企业选择自愿减排策略的概率与消费者低碳消费概率和政府非物质激励带给企业的收益额、减排成本补贴率、政府奖金、企业碳披露损失额等参数呈正相关;与企业的低碳营销费用、绿色积分价值、消费污染等参数呈负相关。最后,利用MATLAB 2016a进行数值仿真,验证了以上结论,并结合实际提出相关建议。

基于混沌映射与反向学习机制的非线性灰狼优化算法

为提高灰狼优化算法种群多样性和搜索解的质量,提出一种基于Tent混沌函数与反向学习机制的非线性灰狼优化算法。采用Tent混沌函数和反向学习机制进行种群个体初始化,使得初始种群个体分布均匀及多样性增强;引入一种非线性收敛因子控制策略,平衡其全局搜索能力和局部搜索能力;引入动态权重策略以提升灰狼优化算法的收敛速度和收敛能力。为验证改进算法的有效性,采用8个基准数学函数测试其收敛速度和收敛精度,并与GWO、CGWO和I-GWO三种灰狼算法进行对比。实验结果表明:非线性灰狼优化算法在多个测试函数上的收敛精度均达到了10-5以上,收敛精度和收敛速度优于其他三种对比算法。

采用反向变异机制的万有引力搜索算法

和许多经典的群智能算法一样,万有引力搜索算法在解决很多优化问题的时候,容易陷入局部最优解并且收敛精度不高。针对这样的情况,提出一种基于变异策略和反向评估机制的改进万有引力搜索算法。该算法通过引入反向评估机制和变异策略,显著地提高了万有引力搜索算法中粒子的局部寻优能力和全局探索能力。通过对三个标准测试函数进行仿真实验,表明其与基本的万有引力搜索算法、传统粒子群算法相比,提出的基于变异策略和反向评估机制的改进万有引力搜索算法在函数优化问题上具有更好的优化性能。

基于圆形搜索机制的多反向复合鲸鱼优化算法

为了改进鲸鱼优化算法存在的种群多样性和勘探开采能力不足等问题,提出了基于圆形搜索机制的多反向复合鲸鱼优化算法(CSOWOA).首先,针对种群多样性进行了改进.通过折射反向学习初始化种群,以便于搜索到更为隐蔽的空间,加强初始种群的多样性;在算法寻优过程中,通过适应度值大小来划分优势种群和劣势种群,分别对其进行折射反向学习和随机反向学习的多反向复合方式,确保算法寻优过程中种群分布的多样性,便于算法寻优。其次,针对算法勘探开采能力进行了改进.采用结合种群成功率的自适应权重来加强鲸鱼的包围搜索能力,同时在包围搜索过程中通过两种圆形搜索机制加强算法的勘探和开采能力,提升算法的收敛速度和寻优精度.最后,加入正态变异来扰动精英个体的位置,带动可能陷入停滞的鲸鱼种群,避免算法陷入局部最优.仿真实验在13个基准测试函数中与几个知名改进鲸鱼算法和经典智能优化算法进行比较,比较结果显示CSOWOA有明显的提升效果.

指纹识别技术中基于反向校验机制的改进遗传算法

作为生物的重要特征,指纹被广泛应用于生物识别和身份认证领域。传统的指纹识别工作主要借助高效的特征提取模型和复杂的样本识别步骤来完成。考虑初筛过程中的样本数量较多,为了提高识别精度,文章基于卡尔曼滤波的改进遗传算法引入反向校验机制来提升指纹图像识别精度。该机制主要通过在模型初次过滤的特征样本中挖掘潜在的近似特征和可疑特征,然后使用二次匹配实现高精度的指纹识别。将该机制嵌入同指和异指的指纹识别任务中,可以大大提升指纹识别精度。

一种采用双混沌搜索的类电磁机制算法

针对现有算法中初始种群随机性强、局部搜索能力差、移动公式效率低等问题,提出了一种改进的类电磁机制算法.结合反向学习理论,引入带扰动因子的反向学习机制构造初始种群;提出了一种双混沌优化机制用于局部搜索;运用改进后的公式计算粒子之间的合力;设计了一种自适应移动算子来更新粒子.实验结果表明,改进后的算法具有更好的收敛效果和更高的求解精度.

基于旋转学习机制的差分演化算法

为克服反向学习机制仅能搜索反向空间中一个固定点的弊端,通过引入旋转操作将其扩展为一种新的旋转学习机制,新机制通过调整旋转角度能搜索旋转空间中的任意一点,具备更强的勘探能力和多种应用模式.通过嵌入旋转学习算子,并引入参数自适应机制,提出了新的基于旋转学习的差分演化算法.在广泛使用的测试函数集上开展仿真实验,结果验证了旋转学习机制的有效性,与多种知名差分演化算法相比,新算法在寻优性能上竞争优势明显,且具有良好的适用性.

3D-SPRNet:一种基于并行解码器和双注意力机制的胆囊癌分割模型

利用深度学习对胆囊CT癌变部分进行分割,能够为临床医生提供诊断参考。现有方法均采用二维影像切片作为输入,缺少空间上下文信息以及对癌变边界区域的细化。为提高边界分割的准确性,保证空间信息的连续性,本文提出3D-SPRNet胆囊癌分割模型:采用并行解码器提取多尺度高级特征并解码;使用通道注意力帮助网络强调特征提取信息;利用反向注意力关注未被预测的区域,逐步细化癌变边界。选取304位来自上海交通大学医学院附属新华医院胆囊癌患者的CT影像进行实验,得到的MIoU、IoU及Dice系数分别为0.85、0.70、0.83,优于大多数主流分割网络,通过消融实验验证各模块的有效性。实验结果表明,本文提出的网络模型能够改善分割边界粗糙的问题,提高胆囊癌变部分的分割精度。

基于反向学习和种群引导的多目标蝗虫优化算法

为了解决多目标优化的相关问题,提出了求解多目标的蝗虫优化算法,结合单个目标的蝗虫优化算法的搜寻机制、帕累托优势以及拥挤度策略,并在算法中应用种群引导和高斯变异算子,加入了反向学习机制。将所提出的算法与经典的MOPSO、MOCS、MOGOA和MOWOA算法进行了比较,比较结果表明,所提出的改进多目标蝗虫优化算法具有良好的鲁棒性,所求得的解分布更均匀,收敛更快速,是一种有着良好应用前景的多目标进化算法。

基于反向精英保留和Levy变异的多目标鲸鱼优化算法

为了解决多目标优化的相关问题,鲸鱼优化算法结合多目标相关理论,并在算法中加入了反向精英保留、Levy变异以及种群引导,提出了一种求解多目标问题的鲸鱼优化改进算法。该算法利用反向精英保留制度,扩大了每次搜寻的范围,降低了收敛迭代次数,加入的Levy变异增强了算法的全局寻优的性能,并利用种群引导的机制来改善算法的分布情况。在实验验证中将所提出的算法与经典的MOPSO、MOCS、NSGAⅡ、MOWOA算法进行比较。实验的数据表明,改进后的多目标鲸鱼优化算法,收敛的精度更高,收敛速度更快,结果更稳定,是一种应用场景广泛的多目标优化算法。

自适应差分变异的人工鱼群算法

针对人工鱼群算法存在的全局搜索能力欠缺,鲁棒性差及易陷入局部极值等不足,提出一种自适应差分变异的人工鱼群算法(ADMAFSA).首先,该算法采用自适应视野和步长策略,改善种群个体在较优区域的精细搜索能力,提升算法的寻优精度.其次,在人工鱼群的随机行为中引入反向学习机制,通过发掘潜在的寻优空间,提高算法的全局搜索性能,避免算法早熟收敛.最后,借鉴差分进化算法对质量较差的人工鱼进行变异操作,从而增加鱼群的多样性,降低算法陷入局部极值的可能性.为验证改进算法的性能,本文对6个基准测试函数和8个CEC2019函数进行仿真,与其他AFSA变体、新型智能算法进行对比,实验结果表明,ADMAFSA在寻优精度和鲁棒性方面均有所提高.最后,在齿轮系设计问题上,进一步证明了改进算法具有较好的优化效果.

一种改进的引力搜索算法及其波束赋形

针对引力搜索算法初始值的随机性对算法性能以及收敛速度带来的不利影响,提出了一种改进算法——伪反向学习引力搜索算法。首先将伪反向学习机制用于算法中,并且把算法的迭代次数分为多个学习周期,根据过往学习周期中反向学习的成功率来调整反向概率,设计了一种可调反向概率,用以优化反向机制在算法演化过程中的作用时机,提高了算法的收敛速度;其次为改善反向学习操作频繁对种群多样性带来的削弱,定义了“精英粒子”,用其替换掉种群中适应度值较差的个体,提高了算法的优化精度。与已有文献中的算法相比,改进算法对单峰及多峰测试函数的平均最优值优化精度可提高1016;对不同类型波束的赋形结果中,改进算法对方向图旁瓣的优化精度可提高1.26 dB至5.99 dB;在收敛速度最快的前提下,很大程度避免了其他几种优化算法易陷入局部最优的问题,整体性能最佳。

基于MSSA-PID算法的温升控制系统

为提高温升控制的速度与精度,提出一种基于改进麻雀搜索算法(Modified Sparrow Search Algorithm,MSSA)的PID参数优化选择的温升控制方法。为改善原始SSA算法存在的易早熟问题,同时提高其求解精度,引入动态反向学习机制与自适应t分布扰动对其求解过程进行改进;建立MSSA-PID控制模型,分别对典型的一阶、二阶以及延时系统进行控制,从理论方面对其有效性及优越性进行验证;最后搭建温升控制实验平台验证了所提MSSA-PID温度控制系统温升控制精度高、控制效果稳定。

基于改进万有引力搜索算法的微网优化运行

微网为分布式电源并网提供了有效的技术途径,微网的优化运行是微网领域的重要研究课题。综合考虑经济成本、环境效益和网损等多个运行指标对微网的优化运行进行数学建模;通过引入反向学习机制、精英策略和全局记忆性,提出基于改进万有引力搜索算法的微网优化运行方法,并将其应用于解决多目标多约束的微网优化运行问题;最后,通过算例验证了所提出的算法的正确性和可行性。

基于BP神经网络的模型参考自适应控制

基于BP神经网络的误差反向传播机制 ,探讨了建立在BP神经网络基础上的模型参考自适应控制方法。该方法用 2个BP神经网络分别作辨识器和控制器 ,其中辨识器兼作间接传递误差的通道 ,从而解决了控制器权值的修正问题。仿真结果表明 ,经过学习该控制结构具有较好的有效性。

基于精英协同的混洗差分进化算法及其应用

提出了基于精英协同的混洗差分进化算法(Shuffled Differential Evolution,SDE)。该算法引入反向学习的初始化机制,并对设置的普通群和虚拟精英群采用不同的差分策略,进而将精英个体作为信息通道实现种群间的信息交流;同时,借助定期混洗机制实现种群间的文化交流,从而达到协同进化的目的;此外,对长期停滞的个体进行跳变操作,以充分挖掘种群的搜索潜能,增强搜索的有效性。通过函数仿真,并与PSO及其它差分进化算法比较,结果表明该算法具有较好的寻优能力。

基于IGSA-BP网络的瓦斯涌出量预测模型

为提高煤矿瓦斯涌出量预测的精度和效率,提出一种基于改进的万有引力算法(IGSA)的BP神经网络IGSA-BP瓦斯涌出量预测模型。由于BP神经网络的初始权值和阈值对网络的预测精度和收敛速度有较大影响,采用改进的万有引力算法训练BP神经网络的初始权值和阈值,引入粒子群算法记忆与社会信息交流的思想,对万有引力算法(GSA)的速度与位置更新公式进行改进,采用Tent混沌映射增加GSA种群的多样性,使算法避免陷入局部极值并增强GSA的遍历搜索能力。结果表明,改进的万有引力BP神经网络预测结果的误差在0.20 m^3/min以内,与未经改进的万有引力BP神经网络和粒子群BP神经网络相比,预测精度分别提高了近5倍和10倍,说明该方法对煤矿瓦斯涌出量具有更好的预测精度和收敛速度。

无线传感器网络信息融合框架在铁路环境监测的应用

针对高速铁路周边环境监测应用中遇到的网络数据流量过大的问题,提出了一种新的无线传感器网络信息融合框架来有效地抑制这个问题,同时根据用户的不同需求,给出了一种信息反向查询机制。实验结果证明:该信息融合框架可以有效减少网络中的数据流量。