信息圈层化及其形成机制：基于ERGM的分析

以复杂网络为视角,将信息圈层化操作化为用户信息共同关注网络,通过日志法收集用户信息接触数据,采用指数随机图模型(ERGM)分析圈层化的形成机制。研究发现,用户信息共同关注网络密度较低,呈现圈层化趋势。用户属性(包括人口特征、媒介使用偏好)、既有社交关系和信息关注网络的自组织结构影响信息圈层化,其中网络自组织结构的影响远远大于其他要素,节点的点度中心性、聚集系数正向影响信息圈层化,但中介中心性负向影响信息圈层化。用户社交关系数量、社交关系强度的影响因信息关注网络中的自组织结构而弱化,进而并不影响信息圈层化,线上社交媒体使用不会促进信息圈层化。此外,算法推荐平台使用偏好、算法政治信息偏好不会导致信息圈层化。     

基于多目标遗传算法的装配线平衡问题

装配线平衡问题是生产管理中重要且比较难解决的问题,其中如何分配工人到不同的工作站以提高生产效率是问题的关键。针对包含工人分配问题的装配线平衡问题,提出一种基于Pareto的问题无关的适应值计算方法的多目标遗传算法。算法中首先建立ALB-wa问题的数学模型,提出一个基于随机键编码的基因表达方式;使用匹配指定的染色体结构和ALB-wa问题的遗传操作;使用基于Pareto支配关系的评价函数来代替使用基于偏好的评价函数。最后,通过实验数值验证该方法的性能。结果表明,该方法具有较高的收敛性和效率,改进了现有的其他遗传算法。     

基于遗传算法的智能排课分析与研究

教务管理系统中排课是基本模块,在约束条件很多的情况下,要排出合理的、满意度高的课表是很不容易的．通过对算法分析,使用遗传算法对课表进行初始化,利用遗传算法对排课问题建立数学模型,设计了适应度函数,通过选择、交叉和变异等过程,进化得到最优解．实验结果表明,本算法能够有效地解决高校的教务智能排课问题,在实际运行中有一定的实用价值．     

改进型遗传算法求解TSP问题

旅行商问题(TSP)是一个典型的NP难题,优化TSP求解问题有着重要的意义。遗传算法(GA)是解决这类问题的有效方法之一。标准遗传算法有一定的局限性,该文对遗传算法选择算子改进而引入了精英保留策略,保证选择的质量;在变异操作中采用自适应算法选择变异算子,提高变异质量和算法的搜索效果;在个体进化后再引入单向进化逆转操作,使子代继承亲代优质基因机会提高,提高算法搜索最优解的能力。经过国际公认的TSPLIB的实验数据的验证,优化后的遗传算法搜索最优解能力提高。     

基于下降搜索的混合遗传算法求解装箱问题

研究一种在基本遗传算法中嵌入下降搜索算子形成的混合遗传算法。这种优化算法是在传统遗传算法的全局随机搜索基础上,借鉴利用每一代群体中最劣个体所包含的优化信息作为下降搜索方向来优化种群。实验证明,该混合算法可以加快算法的收敛速度,具有良好的优化性质和函数适应能力,是解决装箱问题的一种有效途径。     

基于下降搜索的混合遗传算法求解装箱问题

研究一种在基本遗传算法中嵌入下降搜索算子形成的混合遗传算法。这种优化算法是在传统遗传算法的全局随机搜索基础上,借鉴利用每一代群体中最劣个体所包含的优化信息作为下降搜索方向来优化种群。实验证明,该混合算法可以加快算法的收敛速度,具有良好的优化性质和函数适应能力,是解决装箱问题的一种有效途径。     

DNA遗传算法的化工过程建模方法

DNA遗传算法的化工过程建模参数估计是非常复杂的问题,但转化成非线性优化问题就可以设计一种新型的简便的建模方法。利用遗传算法具有适应性强的全局搜索优势,可以使用碱基对个体进行四进制编码,设计全新的变异算子与交叉算子,开发出一个新型的DNA遗传算法化工过程建模方法。两个经典测试函数计算结果表明,这种算法的搜索能力、拟合精度都比较理想。     

求解度约束最小生成树问题的自适应遗传算法

在遗传算法中一个关键问题是必须采取措施保持种群多样性，防止算法出现早熟收敛。本文提出了一种基于父个体相似度的自适应遗传算法，使用新的自适应遗传操作策略以保持种群多样性。将新算法用于求解图的度约束最小生成树问题，实验结果表明本方法到比不使用父个体相似度信息的普通遗传算法权值更低的度约束最小生成树。     

基于改进蚁群遗传算法的排课问题研究

提出了一种以蚁群算法为主,利用遗传算法经过交叉,变异,选择后产生进化的信息素作为蚁群使用的信息素.在遗传算法多次进化效果不明显时,引入模拟退火算法进行跳变的混合算法,使各种算法取长补短,改善了蚁群算法初始阶段运行缓慢和遗传算法局部搜索能力弱的缺点.提高了运行效率,同时运用这种改进的算法对高校排课问题进行仿真,从而比较算法改进的优缺点.     

学校背景变量对大学生网络利他行为与网络行为偏好关系的影响

对33所大学的2063名大学生进行问卷调查,考察学校背景变量对大学生网络利他行为及其与网络行为偏好间关系的影响.多层线性分析结果表明:(1)大学生网络利他行为存在显著的学校差异;(2)在控制了性别和网龄之后,大学生网络行为偏好对其网络利他行为有显著的正向预测效果;(3)信息偏好对网络利他行为的影响存在显著的学校差异;(4)学校层次和学校地域对信息偏好与网络利他行为间关系的影响均不显著.     

改进全自适应遗传算法的加速度计新标定方法

针对当前使用的加速度计标定方法复杂、转台设备使用成本高、应用效果不佳等问题,设计了一种简捷快速标定测试及提高惯性测量单元精度的改进型自适应遗传算法的新型标定方法。在传统遗传算法的基础上提出了全自适应遗传算法,通过对多个算子的迭代收敛确定全自适应遗传算法(TAGA)的最优。同时,针对算法的标定效果进行了实验验证,并与经典牛顿法进行了对比。实验结果表明相对于经典牛顿法,该设计算法的模值标准差减小了27.9%,模值误差波动范围0.41 mg, TAGA算法的标定效果优于经典牛顿法,从而验证了该方法的有效性,能适用于实际的导航中。     

有关多目标遗传算法的研究

概括介绍了目前的多目标遗传算法(MOGA)，并给出了一种新形式的MOGA，也就是稳定态非受控排序遗传算法(SNSGA)。该算法是把单目标遗传算法中的部分更新种群观点和非受控排序遗传算法中的适应度指派方法相结合而实现的，改进了适应度指派方法并提出了一种新的αshare自适应决策方案。在包括遗传算法难题和遗传算法欺骗问题的实验中，该算法也成功地得以实现。     

大学生网络行为偏好与应对方式关系探讨

本研究的目的旨在探讨大学生网络行为偏好与其应对方式的关系。研究结果发现：大学生网络行为偏好在性别和年级上存在显著差异;信息获得偏好与问题解决、求助有显著的正相关;游戏偏好与自责、幻想、退避有显著的正相关,与合理化有极其显著的正相关;交往偏好与求助有显著的正相关,与幻想有极其显著的正相关;问题解决对信息获得偏好有预测作用;合理化对游戏偏好有预测作用;幻想对交往偏好有预测作用。     

实习护生网络成瘾的调查及与网络使用偏好的关系

目的探讨实习护生网络成瘾的情况及其网络使用偏好的。方法采用分层随机抽样的方法抽取336名实习护生进行调查分析。结果实习护生网络成瘾者占被试的13.4%;对网络成瘾有正向预测作用的因子是交易工具和社交工具,反向预测作用的因子是信息工具(P﹤0.01)。结论实习护生网络成瘾比例较高,网络使用偏好能预测网络成瘾。     

大学生网络行为偏好与应对方式关系探讨

本研究的目的旨在探讨大学生网络行为偏好与其应对方式的关系.研究结果发现:大学生网络行为偏好在性别和年级上存在显著差异;信息获得偏好与问题解决、求助有显著的正相关;游戏偏好与自责、幻想、退避有显著的正相关,与合理化有极其显著的正相关;交往偏好与求助有显著的正相关,与幻想有极其显著的正相关;问题解决对信息获得偏好有预测作用;合理化对游戏偏好有预测作用;幻想对交往偏好有预测作用.     

高校学生网络服务使用偏好与孤独感的关系

目的：探讨高校网络使用偏好与孤独感之间的关系。方法：使用网络使用状况表、互联网服务使用偏好问卷及UCLA孤独量表调查了172名学生,并进行了相关分析与回归分析。结果：①在网络四类功能的偏好上男女生没有显著性差异,但三个学历层次的高校学生在信息、交易、社交服务三类偏好上得分有显著差异。②不同性别、学历的高校学生在孤独得分差异上无显著性。③在女生中,娱乐服务偏好和孤独感量表的总得分呈显著负相关。结论：网络不是孤独感产生的原因,特别是对于女生来说,网络是解决孤独感程度高的一种有效途径。     

改进遗传算法求解TSP问题

遗传算法(GA)是由遗传进化理论指导的随机搜索寻优算法,传统GA的寻优能力与随机搜索能力之间存在着相互制约的关系,所以对地形极其复杂、极无规律的TSP的应用效果并不十分理想.通过利用互换启迪交叉算子加快局部搜索算法的收敛速度,利用模式增加修补算子防止算法早熟收敛,给出了一种求解TSP问题的新型遗传算法.仿真实验表明该算法是有效的和可行的.     

基于混合遗传算法的非线性问题求解及优化研究

遗传算法(GA)是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应全局优化概率算法,然而在GA求解过程耗时较长,易出现早熟现象导致结果准确度低。根据GA传统算法与结合最速下降法和惩罚函数方法,提出求解非线性优化问题的混合遗传算法(HGA)。在无约束优化问题和约束优化两类问题中分别使用基于最速下降法的SHGA、基于惩罚函数法的PHGA)进行求解。通过数值算例验证,表明HGA在非线性优化问题中比GA传统算法具有更快的收敛速度以及更好的最优解。     

非线性问题的求解及优化研究——基于遗传算法和混合遗传算法的分析

遗传算法(GA)是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应全局优化概率算法,然而在GA求解过程中,往往会出现早熟现象。基于GA传统算法,结合最速下降法和惩罚函数方法,提出求解非线性优化问题的混合遗传算法(HGA)。在无约束优化和约束优化两类问题中分别使用基于最速下降法的SHGA、基于惩罚函数法的PHGA进行求解。通过数值算例验证,表明HGA在非线性优化问题中比GA传统算法具有更快的收敛速度以及更好的最优解。     

数据挖掘技术中"One-R"算法的改进

以我们在现实生活当中处理数据库的经验来看，为了从数据库中使用限制性的信息抽取方法得到有用的数据和信息，我们有必要使用“特点子集选择”的方法(Feature Subset Selection)。而这种方法需要从多个相关的属性当中进行多次的试验从而找到某种特定的子集。在这种情况下，如何能够找到快速的、准确的同时又是简便的选择算法变得越来越关键。这篇文章对由Dr．Robert Ho1tes提出的“One-R”算法进行了适当的改进，通过“Chi”氏独立性检验和拜亚(Bayes Decision Theory)公式推导出的新方法，在试验的基础上表明，这种新的算法在某种程度上比原来的“One-R”算法要准确。