基于机器学习的污染土壤修复变量分类与评价

为缩短重金属污染土壤修复周期,研究电动+植物强化修复法机理与规律,建立分类评价指标体系,融合随机森林算法和灰色关联法建立RF-GRA模型,进行变量分类和修复效率评价。指标中电压梯度(0.093)的权重值最高,其次是电流大小、电极材料、土壤湿度、富集植物种类和通电时间等。6个样本的模型评价效率高于实验效率,实验环境A1~A3的相对误差分别为3.35%, 4.12%和6.54%,B1~B3分别为11.19%, 9.48%和8.66%;A1(Cd)和A2(Cu)的修复效果优于B1(Cd)和B2(Cu),A3(Zn)低于B3(Zn);RF-GRA的测试结果优于RF-Random。为土壤修复质量评价奠定了基础。

基于机器学习的高校公共资源安全评价与科学管理

为了构建作为科学研究和人才培养基地的高校的节约型校园,实现以人为本、资源节约、环境友好和生态良性循环的目标,以便快速、准确评价高校公共安全运行水平,促进公共资源得到科学的管理与利用,本研究比较了随机森林算法、层次分析法和灰色关联法的相似性,建立了随机森林-灰色关联安全评价模型和评价指标体系,对安全变量进行分类和评价。通过训练样本的机器学习,得知医疗卫生防疫的权重值最高,其后是消防措施、餐饮环境、住宿环境、巡视与处理、学习办公、校门管理、机构与制度和机动车管理,其余变量权重小于平均值,分类错误率最高为16.3%,最低为13.5%。测试样本的安全评价值达到优良,比层次分析法高12.1个百分点。研究结果表明,新建评价模型更加灵活机动,评价可信度更高,其应用实施能有效提高公共资源管理水平,为建设节约型校园奠定基础。

GRA-RF组合算法在农信金融企业工资要素优选及测算中的应用

工资是影响员工行为的最敏感因素,适时推动工资制度优化对稳定人才队伍、提高工作效率、提升组织效能具有重要作用。业界在工资制度设计层面的研究较多,但涉及工资要素优选及测算的方法研究较少。本文以作者研究团队完成的40余家农信金融企业管理咨询项目成果为案例,将智能算法引入工资测算领域,首先运用灰色关联分析对企业样本数据预处理,在多种工资要素中筛选出最优特征变量,再使用随机森林模型对员工工资进行预测,同时基于相同的训练样本进行多种预测模型的对比;为了检验预测工资的适用性,通过相关性分析,验证工资策略与组织效能的重要关联。本文所提出的工资制度设计与优化的智能算法,可以确定工资影响因素的最优权重组合,为农信金融企业工资改革所借鉴,也可以为其他银行类金融企业的工资制度设计提供算法参考。