多目标优化视角下在线学习群体形成方法

形成既能满足教师教学实施需求,又能得到学习者认可的在线学习群体是影响在线协作学习效率的重要因素.多目标粒子群算法和遗传算法应用于在线学习群体形成领域是目前的研究热点.然而,利用多目标粒子群算法解决在线学习群体形成问题时存在多样性差,容易陷入局部最优等问题;运用遗传算法解决在线学习群体形成问题时,则需要以耗费大量时间为代...     

基于进化状态判定的模糊自适应二进制粒子群优化算法

随着迭代过程的推进,二进制粒子群算法容易陷入局部最优解,后期收敛性较差.针对此缺点,文中提出基于进化状态判定的模糊自适应二进制粒子群优化算法.采用隶属函数进行模糊分类的方法,判定种群进化状态.在迭代过程前期采用S形映射函数和较大的惯性权重值,提高收敛速度,保证算法的稳定性.后期采用V形映射函数和动态增减的惯性权重值,增强算法后期全局探索能力,避免其陷入局部最优.仿真实验表明,文中算法的收敛速度较快,精度较高,搜索能力较好,可以避免早熟现象.     

基于阶段衍变双向自均衡的个性化学习资源推荐方法

针对现有个性化学习资源推荐方法存在推荐模型单一、速度较慢和匹配度不高等问题,文中提出基于阶段衍变双向自均衡的个性化学习资源推荐方法.首先构建基于阶段衍变双向自均衡的学习资源推荐模型,完善资源推荐特征参数化表示与适应度函数构建.然后采用基于进化状态判定的模糊自适应二进制粒子群优化算法求解模型.实验表明,相比采用经典算法的推荐方法,文中方法推荐的学习资源序列匹配度更高,推荐速度更快.     

基于Fluent软件的生物质气化模拟研究

基于Fluent软件,建立流化床反应器模型,对生物质-水蒸气气化过程进行模拟,研究温度对生物质气化过程的影响,同时分析碳转化率、气体成分以及气体总产率的变化规律。结果表明:模拟结果与实验数据吻合良好,碳转化率及气体总产率随温度的升高而升高,床层高度对CO、 H₂生成具有较大影响。模拟计算条件下,氢气体积分数高达55%,这说明水蒸气作为气化介质有利于气化过程中产生更多的H₂。Fluent软件能够很好的对生物质气化过程进行模拟,可以作为生物质气化研究的一个重要工具。     

有限充电设施下的多配送中心电动车辆路径问题研究

出于环境和经济的考虑,配送企业开始采纳电动汽车,而充电设施的缺乏给电动汽车车队的运营带来挑战。同时,企业往往会拥有多个配送中心,这增加了车辆规划的复杂度。基于多配送中心车辆路径问题和电动车辆路径问题模型,考虑车辆可以在充电设施或其他配送中心充电的情况,构建了多配送中心电动车辆路径优化模型。设计了分散搜索算法对模型进行求解,并将其与CPLEX、已知最优解和其它算法进行对比。结果表明:提出的分散搜索算法是有效的;路径规划中,将配送中心同时作为充电节点能够缓解充电设施有限对企业运营造成的影响。     

600MW超临界“W”火焰锅炉灵活性改造研究

火电灵活性改造已成为消纳新能源的重要手段。本文以某600MW超临界“W”火焰锅炉为例,介绍了超临界“W”火焰锅炉灵活性改造研究,主要包括最低稳燃负荷试验、存在的问题、灵活性改造方案、改造效果,并对灵活性改造项目进行了财务评价。通过灵活性改造,机组深度调峰能力由42.5%额定负荷降至30%额定负荷,新增75MW深度调峰调节能力,项目资本金内部收益率为10.31%,效益显著,可以为同类机组的改造提供参考。     

基于多目标优化策略的在线学习资源推荐方法

目前在线学习资源推荐较多采用单目标转化方法,推荐过程中对学习者偏好考虑相对不足,影响学习资源推荐精度.针对上述问题,文中提出基于多目标优化策略的在线学习资源推荐模型(MOSRAM),在学习者规划时间内,以同时获得学习者对学习资源类型偏好度最大和难度水平适应度最佳为优化目标,设计具有向邻居均值学习能力和探索新区域能力的多目标粒子群优化算法(NEMOPSO),提出以MOSRAM为核心的在线学习资源推荐方法(NEMOPSO-RA).不同问题规模下融合经典多目标优化算法的推荐方法对比实验表明,NEMOPSO-RA可以有效提高在线学习资源的推荐精度和推荐性能.     

基于多维信息特征映射模型的在线学习路径优化方法

针对目前在线学习路径优化方法存在学习路径与学习者匹配度不高的问题,首先构建在线学习路径的多维信息特征映射模型(MIFMM),该模型根据学习者与学习资源的多维信息特征建立,融合了kolb学习风格和学习资源类型信息;然后设计双映射二进制粒子群优化算法(DMBPSO),DMBPSO算法根据进化因子ef将学习路径推荐过程分为收敛和跳出局部最优两种进化状态,采用与进化状态特征相匹配的映射函数选择策略,并对惯性权重进行动态非线性调整,提高学习路径推荐性能;接着将MIFMM模型与DMBPSO算法相融合提出基于多维信息特征映射模型的在线学习路径优化方法(MIFMM-POA);最后将MIFMM-POA方法与其他4种粒子群算法为核心的学习路径优化方法相比较,从寻优精度、寻优过程与寻优时间3个角度进行分析,实验表明MIFMM-POA方法是优化学习路径的有效方法.     

基于种群曼哈顿距离的自适应多目标粒子群优化算法

针对多目标粒子群优化算法存在收敛性不足和多样性丢失问题,提出一种根据进化状态平衡收敛性能与多样性能的自适应多目标粒子群优化算法(pmdMOPSO)。该算法首先采用种群曼哈顿距离实时检测算法的进化状态,将进化状态分为探索和收敛两个阶段,并根据进化状态的两个阶段分别采用不同的速度更新模式,实现算法性能的提升;其次设计了具有Levy飞行探索认知行为的速度动力学方程,旨在增强全局探索能力;最后使用种群曼哈顿距离构成的差分向量设计进化参数自适应更新模式,平衡算法全局探索与局部开采的能力。通过对MOP1～MOP7测试函数上的实验结果分析,表明pmdMOPSO算法较对比算法具有更好的收敛性能和多样性能。