地方本科院校校企合作培养应用型人才的探索与实践

针对地方院校应用型本科人才培养的特点,提出了校企合作培养人才的意义。通过调研校企合作情况;校企双方共建专业,联合修订人才培养方案;研究人才培养模式改革;搭建校企合作教学与科研平台等方面探索校企合作培养应用型人才模式,并介绍了学校的实践成果,提出了校企合作过程中存在的问题。     

大港油田延时酸化四元共聚解堵增注技术应用

随着大港油田注水开发不断深入进行,大量注水井都实施了多次作业,部分井由于作业时入井液污染或酸化后返排不彻底,对底层造成二次污染,近井地带岩石骨架受到一定的损害,对这类储层的污染,单纯用常规酸化由于酸液反应速度快,在近井地带很快消耗,难以有效实施解堵,使降压效果不明显,制约了油田的正常开发。延时酸化四元共聚解堵增注技术该技术解除近井地带结垢,降低湍流阻力及毛细阻力,溶解、络合伴生脱落的硅、铁系盐类,防止岩层水化膨胀及缩膨,通过大港油田的先导实验取得了良好的效果。     

浅谈随机决策树

该文介绍了随机决策树分类模型及如何启发式选择随机决策树的深度及棵树,通过实验证明了该算法的有效性和高效性。     

求解0-1背包问题的混沌二进制乌鸦算法

针对离散空间的最优化问题,提出了二进制乌鸦算法,并在初始解中利用Chebyshev映射产生两种混沌序列优化乌鸦的初始解,保证个体的初始位置在整个搜索空间均匀分布;然后,为快速有效地求解0-1背包问题,引入贪心修复与优化策略处理非正常编码个体,得到基于混沌理论的二进制乌鸦算法（chaotic binary crow search algorithm,CBCSA）。仿真实验表明,CBCSA具有良好的全局寻优能力和收敛速度,能快速求得最优解,且混沌序列的第一映射方式比第二映射方式性能更佳。     

精英交叉二进制蝙蝠算法求解0-1背包问题*

针对基本蝙蝠算法收敛速度慢,易早熟的问题,提出了一种精英交叉二进制蝙蝠算法。该算法借鉴精英策略和遗传算法中的交叉机制,按照一定比例选择蝙蝠群中的精英个体进行交叉,将得到子蝙蝠群和父蝙蝠群进行混合择优,保证蝙蝠群的多样性和优秀性,提高了全局搜索能力;为提高局部搜索能力,算法在对每个个体计算适应度值时加入贪心策略;另外,通过对蝙蝠群最优解进行动态监测,适时对种群进行柯西变异,使算法具有跳出局部极值的能力。通过对5个实例的仿真计算比较表明,该算法与改进贪心遗传算法,贪心二进制蝙蝠算法和病毒协同蝙蝠算法相比,无论是收敛速度还是寻优能力都表现优异,为求解0-1背包问题提供了一个实用的算法。     

伴生气井下回收增效配套技术研究与应用

有杆泵抽油系统在油井开采过程中,油套环形空间往往伴随着原油的采出产生含甲烷、乙烷、丙烷等成分的伴生气。目前传统的解决措施是将其直接排放到大气中,这样做不仅浪费能源,而且污染环境;另一种是地面安装套管放气装置直接进抽油泵系统排出。伴生气井下回收增效配套技术集机械采油和气举采油特点于一身,实现井下气体分离和回收,在消除气体对抽油泵影响的同时,充分利用伴生气资源来协助抽油泵举升油流达到油井增产。在大港油田采油一厂应用6口井,累计增油772．5吨,平均提高单井泵效15％以上。     

蓖麻枯萎病病原菌及其生物学性状研究

蓖麻枯萎病病原菌的分离鉴定表明病原菌为尖孢镰刀菌蓖麻专业型。该菌分生孢子萌发适温２５－２８℃相对湿度为１００％。萌发和生长最适ｐＨ值为６－７天，条件适宜４小时产生芽突，６小时萌发率达７０．２％，致死温度和时间分别为５５℃，２０分钟和６０℃，１０分钟。     

新颖的离散差分演化算法求解D{0-1}KP问题

折扣{0-1}背包问题(D{0-1}KP)是0-1背包问题(0-1KP)的一种更复杂的扩展形式。为了利用离散差分演化高效求解D{0-1}KP,首先提出了一个新V型转换函数(NV),通过NV将个体的实向量映射为一个二进制向量,与已有的S型和V型转换函数相比,NV计算复杂度更低,求解效率更高。然后,基于新V型转换函数给出了一种新的离散差分演化算法(NDDE),并利用NDDE提出了求解D{0-1}KP的一个新的高效方法。最后,为了验证NDDE求解D{0-1}KP的性能,利用它求解四类大规模D{0-1}KP实例,并与基于群论的优化算法(GTOA)、基于环理论的演化算法(RTEA)、混合教学优化算法(HTLBO)和鲸鱼优化算法(WOA)等已有算法的最好计算结果进行比较,比较结果表明,NDDE不仅求解精度更高,而且算法的稳定性佳,非常适于求解大规模D{0-1}KP实例。     

基于讨论组和自主学习的教与学优化算法*

教与学优化算法(teaching-learning-based optimization, TLBO) 是一种模仿教学过程的新型启发式优化算法。针对TLBO 算法寻优精度低、稳定性差的特点, 提出了基于讨论组和自主学习的教学优化算法DSTLBO(discussion group and self-learning TLBO)。在原TLBO算法的“教”阶段当中加入了小组讨论,随机将全体同学分成若干组,通过组内学生向本组中学习最好的组长学习,提高了算法的局部开发和寻优能力;组长受老师和组内同学影响进行变异,提高了算法的探索能力;在“教”、“学”阶段后,每个学生进入“自我学习”阶段,从而提高了算法的全局搜索能力。通过对8个复杂的Benchmark函数的测试表明：DSTLBO 算法与基本TLBO算法和其经典改进算法ETLBO算法相比,在寻优精度、稳定性和收敛速度方面更具优势。     

基于Lévy飞行的差分乌鸦算法求解折扣{0-1}背包问题

针对大规模的折扣{0-1}背包问题（D{0-1}KP）难以用确定性算法求解的问题,提出了基于Lévy飞行的差分乌鸦算法（LDECSA）。首先,利用混合编码解决D{0-1}KP的第二数学模型的编码问题;其次,利用新的贪心修复与优化算法（NROA）处理求解过程中产生的不可行解;然后,针对乌鸦个体过早陷入局部最优和收敛较慢等缺陷,引入Lévy飞行和差分策略;最后,通过实验确定了感知概率和飞行长度的合理取值以及差分策略的选择。对四类大规模D{0-1}KP实例的计算结果表明：LDECSA非常适合求解大规模D{0-1}KP,能得到满意的近似解。