OBL教学理念用于留学生经络腧穴教学的初步尝试

基于结果的学习(OBL)教学理念自上世纪80年代以来在全球范围内被作为一种系统的方法运用于学校的教学改革。它以学生学习的预期成果出发,强调学生的学习,教学目标是学生能将理解并掌握的知识转化成某项技能的实际运用而非教师传授知识。因此在强调实践的医学本科教育中广受推崇。《经络腧穴学》是针灸学的基础理论课程,亦是中医学的必要组成部分,是来华留学生学习中医的必修课程。作者引入了OBL教学理论,对该门课程的教学和评估策略进行了探索性的改革,以实践操作能力为预期结果,逆向设计课堂教学和考核评价。

增强蒲公英算法优化乳腺癌图像多阈值分割

针对显微镜下乳腺癌病理组织图像结构复杂,细胞边界模糊等情况,基于传统的阈值分割在乳腺癌图像的分割应用中不能很好地实现把病灶区准确分离开来的问题,提出一种基于增强蒲公英优化算法(IDO)的乳腺癌图像多阈值分割方法.该方法引入IDO计算类间方差的最大值(Otsu)作为目标函数寻找最佳阈值,IDO建立回守策略解决传统蒲公英算法(DO)无限制搜索,超出像素范围的问题;引入对立式学习(OBL)避免算法陷入局部最优.实验结果表明,与哈里斯鹰算法(HHO)、人工猩猩部队优化算法(GTO)、传统蒲公英优化算法(DO)、海洋捕食者算法(MPA)相比,在相同阈值个数情况下IDO算法适应度值最大、收敛最快,并且在峰值信噪比(PSNR)、结构相似度(FSIM)、特征相似度(SSIM)这3个性能指标上也比其他对比算法更具有优势.

应用精英反向学习的混合烟花爆炸优化算法

针对烟花爆炸优化(FEO)算法容易早熟、解精度低的弱点,提出了一种精英反向学习(OBL)的解空间搜索策略。在每次迭代过程中均对当前最佳个体执行反向学习,生成其动态搜索边界内的反向搜索种群,引导算法向包含全局最优的解空间逼近,以提高算法的平衡和探索能力。为了保持种群的多样性,计算种群内个体对当前最佳个体的突跳概率,并依据此概率值采用轮盘赌机制选择进入子种群的个体。通过在5组标准测试函数的实验仿真并与相关的算法对比,结果表明所提出的改进算法对数值优化具有更高的收敛速度和收敛精度,适合求解高维的数值优化问题。

应用佳点集的混合反向学习人工鱼群算法

为了改善人工鱼群算法求解精度较低、容易过早收敛的弱点,提出了一种应用佳点集和反向学习的人工鱼群算法。改进算法在迭代中对当前种群中部分优质个体执行一般动态反向学习,生成它们的反向种群,引导种群向包含全局最优的解空间逼近,以提高算法的平衡和探索能力。当种群的拥挤程度超过阈值λ时,利用佳点集机制对大部分个体重新初始化,以帮助算法脱离局部最优的约束。在六个Benchmark函数上的实验表明,该算法收敛速度快、求解精度高,适合求解函数优化问题。

改进的反向蛙跳算法求解函数优化问题

针对混洗蛙跳算法在求解连续函数优化问题中出现的收敛速度慢、求解精度低的缺点,提出了一种基于反向学习策略的改进算法,在种群初始化和进化过程中分别加入反向操作,产生更靠近优质解的种群,从而提高了算法的全局寻优能力,促进了算法收敛。实验仿真表明,新算法在寻优效率、计算精度等方面均优于原算法。

具有反向学习和自适应逃逸功能的粒子群优化算法

为克服粒子群优化算法进化后期收敛速度慢、易陷入局部最优等缺点,提出一种具有反向学习和自适应逃逸功能的粒子群优化算法。通过设定的阈值,算法将种群进化状态划分为正常状态和"早熟"状态:若算法处于正常的进化状态,采用标准粒子群优化算法的进化模式;当粒子陷入"早熟"状态,运用反向学习和自适应逃逸功能,对个体最优位置进行反向学习,产生粒子的反向解,增加粒子的反向学习能力,增强算法逃离局部最优的能力,提高算法寻优率。在固定评估次数的情况下,对8个基准测试函数进行仿真,实验结果表明:所提算法在收敛速度、寻优精度和逃离局部最优的能力上明显优于多种经典粒子群优化算法,如充分联系的粒子群优化算法(FIPS)、基于时变加速度系数的自组织分层粒子群优化算法(HPSO-TVAC)、综合学习的粒子群优化算法(CLPSO)、自适应粒子群优化算法(APSO)、双中心粒子群优化算法(DCPSO)和具有快速收敛和自适应逃逸功能的粒子群优化算法(FAPSO)等。

基于PSO与对立学习的细菌觅食算法

为提高细菌觅食算法处理高维问题时的收敛速度及精度,提出一种基于粒子群优化算法和对立学习的细菌觅食算法PO-BFA。在种群初始化阶段采用对立学习取代随机初始化,在进化过程中利用对立学习进行种群动态跳跃,以提高算法的收敛速度,并以粒子移动代替细菌的趋化操作,由此省略细菌前进操作。基于6个高维Benchmark函数的实验结果表明,该算法的收敛速度和精度均优于同类算法。

基于改进鲸鱼算法优化支持向量机的故障诊断的研究与应用

故障诊断在工业生产过程中具有很重要的作用,尤其是对于要求比较高的分子蒸馏来说,微小的故障都会造成其提纯率,因此提出一种基于改进鲸鱼算法优化支持向量机的故障分类方法(improved whale optimization algorithm-support vector machine,IWOA-SVM),加入反向学习策略和对数权重因子到普通鲸鱼算法中。首先,用反向学习策略(opposition-based learning,OBL)代替随机初始种群,用反向学习策略选取出反向种群,对种群进行择优选择,一方面OBL能够高效地提高群智能算法的全局搜索能力,另一方面提高鲸鱼算法在重复迭代中的多样性,使其跳出局部最优解;其次,引入自适应权重因子并将其加入到鲸鱼优化算法中,利用权重因子的动态变化,很大程度上增强了全局搜索能力;最后,采用改进之后的鲸鱼算法对SVM的参数进行寻优,并利用优化之后的支持向量机对刮膜蒸发过程获得的故障数据进行诊断识别,将IWOA-SVM的结果与其他3种做对比。结果表明,IWOA-SVM算法分类准确率提升了2%,且其准确率保持在98%以上,在分类结果的准确性以及算法的鲁棒性方面优于其他算法。

以器官系统为中心的教学模式在泌尿外科临床实习教学中的应用

目的探讨在泌尿外科本科实习带教中应用"以器官系统为中心"(OBL)的教学模式对提高教学质量的效果。方法将2015年1月至2017年1月于重庆医科大学附属第二医院泌尿外科实习的临床医学专业五年制本科生96人,采用随机数表法分为传统培养组(A组)和OBL培养组(B组),每组48人。通过入科前统一理论考试,评价两组学生泌尿外科基础知识水平。入科后对A组采用传统带教,对B组行OBL培养模式。通过"两站式"出科考试比较两组学生实习成绩,并以问卷调查模式评价学生实习满意度。结果 A组和B组学生入科前的泌尿外科基础知识水平分别为(76.88±10.98)分和(79.62±9.03)分,差异无统计学意义(P>0.05);B组学生出科理论考试成绩为(81.81±9.40)分,明显高于A组的(75.81±8.68)分,差异有统计学意义(P<0.05),但操作考试成绩两组比较差异无统计学意义(P>0.05);整体综合成绩B组为(82.58±7.05)分,明显高于A组的(78.90±6.88)分,差异有统计学意义(P<0.05);调查问卷结果示,B组学生对教学的满意度均明显优于A组,差异有统计学意义(P<0.05)。结论 "以器官系统为中心"的培养模式,有利于学生从原理上系统掌握泌尿外科临床知识,提高临床培养效率,提高泌尿外科临床实习的教学质量。

以《消化系统整合课程》为例初步探究基础医学整合课程教学

目的以《消化系统整合课程》为例探讨在以器官系统为中心(OBL)的医学整合课程教学模式中如何有机地融入传统病理生理学教学内容,以期为医学整合课程体系教学改革提供参考建议。方法我校为适应新时代医学高等教育的教学改革需要,以OBL开展整合课程教学改革,并设置了整合课程小班制改革班。与常规班比较,观察评价的指标主要有教师对以问题为导向教学法的评价、学生的消化系统整合课考试成绩、小班制课改班学生的问卷调查结果等。结果教师对学生PBL的评价在“主动积极思考和针对性发言、培养医学素养和提高综合能力”等方面评价有统计意义(P<0.05);小班制的课改班学生的消化系统整合课程考试成绩差异无统计意义(P>0.05)。结论以OBL的医学整合课程《消化系统整合课程》教学改革有利于提升学生综合应用所学知识分析和解决消化系统相关基础与临床问题的能力,且能在提高医学生综合素养的同时激起学习《消化系统整合课程》的兴趣,但对于应试能力的培养效果不明显。

基于自适应反向学习的多目标分布估计算法

针对基于规则模型的多目标分布估计算法全局收敛性较弱的缺陷,提出了一种基于自适应反向学习(OBL)的多目标分布估计算法。该算法根据函数变化率的大小来决定是否进行OBL:当函数变化率较小时,算法可能陷入局部最优,所以进行OBL以提高当前种群中个体的多样性;当函数变化率较大时,运行基于规则模型的多目标分布估计算法。所提算法通过适时地引入OBL策略,减小了种群多样性及个体的分布情况对优化算法整体收敛质量以及收敛速度的影响。为了验证改进算法的性能,选取基于规则模型的多目标分布估计算法(RM-MEDA)、摸石头过河算法与分布估计混合算法(HWSA-EDA)以及基于逆建模的多目标进化算法(IM-MOEA)作为对比算法与所提算法分别在ZDT和DTLZ测试函数上进行测试。测试结果表明,除了在DTLZ2函数上以外,所提算法不仅有良好的全局收敛性,而且解的分布性和均匀性都有所提高。

具有小世界邻域结构的教与学优化算法

教与学优化(teaching-learning-based optimization,TLBO)算法是近年来提出的一种通过模拟"教"与"学"行为的群体智能算法。为了克服教与学优化算法容易早熟,解精度较低,后期收敛速度慢等弱点,提出了一种改进的教与学优化算法,并命名为S-TLBO(small world neighborhood TLBO)。该算法采用小世界网络作为其种群的空间结构关系,种群中的个体被看作是网络上的节点。在算法的"教"阶段,学生基于概率向教师个体进行学习,而在"学"阶段,学生则在自己的邻居节点中随机选择较为优秀的个体进行学习。为了提高加强算法的勘探新解和开采能力,引入教师个体执行反向学习算法。在多个经典的测试函数上的实验结果表明,所提出的改进算法具有较高的全局收敛性和解精度,适合于求解较高维度的多模态函数优化问题。

基于反向学习的跨种群差分进化算法

针对差分进化(DE)算法存在的寻优精度低、收敛速度慢等问题,借鉴混沌分散策略、反向学习策略(OBL)以及跨种群并行机制,提出一种基于反向学习的跨种群差分进化算法(OLCPDE)。采用混沌分散策略进行种群初始化,将种群划分为精英种群和普通种群,对两个子种群分别采用标准的差分进化策略和基于反向学习的差分进化策略;同时,为进一步提高算法对单峰函数的求解精度和稳定性,采用了一种跨种群的差分进化策略,运用三种策略对子种群进行操作,达到共同进化的目的。实验独立运行30次,OLCPDE在12个标准的测试函数中,有11个函数都能稳定地收敛到全局最优解,优于对比算法。实验结果表明,OLCPDE收敛精度高,能有效避免陷入局部最优点。

基于灰狼算法与小波神经网络的目标威胁评估

为了提高目标威胁度评估的精确度,建立反向学习灰狼算法(OGWO)优化小波神经网络的目标威胁评估模型(OGWO-WNN),提出基于该模型的算法.该模型使用反向学习策略(OBL)优化灰狼算法(GWO),通过改进后的灰狼算法优化小波神经网络的各权值和小波基函数的平移因子与伸缩因子,使优化后的小波神经网络能够对威胁度测试样本集作更好的预测.实验结果显示,采用反向学习灰狼算法能够更好地优化小波神经网络的权值与平移、伸缩因子,使建立的小波神经网络目标威胁评估模型具有更高的预测精度和更强的泛化能力,能够精准、有效地实现目标威胁评估.

求解高维优化问题的改进正弦余弦算法

提出一种改进的正弦余弦算法(简记为ISCA)。受粒子群优化(PSO)算法的启发,引入惯性权重以提高正弦余弦算法的收敛精度和加快收敛速度。此外,采取反向学习策略产生初始个体以提高种群的多样性和解的质量。采用八个高维基准测试函数进行仿真实验:在相同的最大适应度函数评价次数下,ISCA总体性能上均优于基本SCA和HGWO算法;当维数较高(D=1 000)时,ISCA所用计算量远小于HDEOO算法。实验结果表明ISCA在收敛精度和收敛速度指标上均优于对比算法。

具有Lévy飞行和反向学习的增强型人工蜂群算法

针对人工蜂群算法(artificial bee colony,ABC)存在寻优精度不高、收敛速度较慢、容易被局部极值吸引的不足,提出一种具有Lévy飞行和反向学习(opposition-based learning,OBL)策略的增强型人工蜂群算法(enhanced artificial bee colony algorithm with Lévy flight and opposition-based learning strategy,ELOABC)。首先,在雇佣蜂和观察蜂阶段,引入Lévy飞行改进新产生的解,由于Lévy飞行具有随机步长性,因此可以避免算法陷入局部最优;其次,在侦查蜂阶段,变异解由停滞解和当前最优解的位置决定,再结合反向学习策略生成变异解的反向解,保留两者中更好的解以提高算法解的精度;最后,利用15个基准测试函数对增强型人工蜂群算法的性能进行实验测试。实验结果表明,改进算法性能明显优于其他算法。

基于M-H采样的快速反向微分进化算法

反向微分进化(ODE)算法基于反向优化对种群进行初始化更新以保持种群多样性。但该算法中反向个体容易偏离全局最优个体,不能很快达到全局最优,在函数优化过程中收敛速度慢且容易陷入局部最优。为此,提出一种基于M-H采样的快速反向微分进化算法。M-H采样用于ODE算法的变异操作,满足马尔可夫链可逆条件。马尔可夫链的一步转移概率根据个体等级分配的选择概率进行计算,既能选择最优个体,又能寻找优化方向并保持种群多样性。仿真结果表明,M-H采样得到的个体具有马尔可夫链平稳分布特性,该算法在单峰函数和多峰函数优化中都能快速收敛,全局和局部搜索性能达到平衡,具有较高的搜索精度及较好的鲁棒性。

改进鲸鱼算法及其在乘员约束系统中的应用

针对鲸鱼优化算法(whale optimization algorithm,WOA)“早熟收敛”的缺陷,文章提出一种改进的鲸鱼优化算法(modified whale optimization algorithm,MWOA)。该算法在WOA的基础上嵌入自适应权重来协调算法的全局搜索与局部开发,同时引入反向学习策略和相关性指标优化全局极值,指引种群向更有希望的区域运动,提高算法的开发效率;利用4个基准测试函数对MWOA性能进行测试,结果表明算法性能得到了有效提升;基于有限元仿真分析,运用MWOA算法优化汽车正面100%碰撞工况下乘员约束系统性能,结果表明,该算法极大地改善了乘员约束系统的性能。

引入反向学习机制的自适应差分进化算法研究

差分进化算法(DE)是一种著名的处理非线性复杂问题的优化技术,为改进其计算开销大,参数设置与问题本身特性过于相关等缺陷,提出了一种新的差分进化算法(MDE)。它结合了反向学习(OBL)和自适应控制机制来进行参数调整,从而能加速算法收敛,同时提高求解成功率。在Matlab环境中进行的测试实验结果表明,MDE在收敛速度、鲁棒性和计算开销等方面的性能在大部分测试用例上优于已有的多种算法,证明混合策略是一种行之有效的差分进化算法的研究路径。

交互式差分演化卡通人脸生成

基于组件的卡通人脸生成分为构件的组合及特征调整两阶段完成,可分别视为组合优化和连续优化问题解决。然而,人脸特征参数优化过程中很难用函数显性表示其优化目标,是典型的隐性目标优化问题。针对此问题,提出基于反向学习策略的交互式差分演化算法(interactive differential evolution algorithm based on opposition-based learning strategy,IDE-OBL),将传统交互式演化算法中人为提供适应值的交互方式转化为成对比较的方式,采用反向学习策略加快算法收敛,在一定程度上减少了用户评价次数。实验结果表明,在基于组件的卡通人脸生成问题中,IDE-OBL比未使用反向学习策略的IGA和IDE要好,减少了演化迭代次数,有利于用户疲劳程度的缓解。