广告创意及发展趋势浅谈

广告创意绝不仅仅只是色块、图像、字体的简单排列组合,而是一门关于人性的学问。杰出的广告创意既不是一味追求对产品功效进行夸大,也不是运用艺术化的手法对产品进行空洞虚饰,而是需要建立在对消费者人性予以洞察、分析、研究的基础之上,实现广告信息的单纯化、清晰化、戏剧化,并最终使广告在消费者脑海中留下深刻而难以磨灭的印象。唯有如此,广告创意才真正的实现科学与艺术的完美结合,成为令人叫好叫座的经典。     

当今笔记本电脑外观设计趋势分析

伴随着设计不断的进步和发展,笔记本电脑在尺寸和重量、外形颜色、外形和布局等方面尽情演绎和彰显着科技与艺术相结合的魅力。现代社会,人与产品的关系变得越来越近,人们对产品的要求也不仅仅在实现基本的功能,人们更希望能够通过产品的造型、色彩、材质和使用方式等各种设计语言与产品进行交流,从而获得全新的情趣体验和心理满足,这也正是工业设计所追求的目标,即在日趋同质化的竞争中,构筑差异化的优势。     

基于惩罚函数的演化测试优化方法研究

演化测试是一种有效的测试用例自动生成技术。它将测试用例的生成的过程转化为一个利用遗传算法进行数值优化的问题,可以自动生成高质量的测试用例。目前,演化测试技术已经在许多测试领域被广泛地研究。研究发现,演化测试过程中无效解和局部最优解的存在扰乱了演化正常进行,降低了演化测试的性能。针对演化测试中存在的问题,提出基于惩罚函数的适应值函数F（x）,对无效解和局部最优解进行惩罚,有助于演化过程中根据适应值选择更合适的个体进行遗传操作,提高演化测试的性能。实验结果表明,F（x）有效降低了无效解和局部最优解的适应值,提高了演化测试的性能。     

一种基于Pareto最优概念和神经网络混合策略的多目标进化算法

基于Pareto最优的多目标进化算法得到了广泛地应用,但不适用于目标函数为非解析式的情况。基于神经网络和Pareto最优的联合策略,提出了一种解决此类问题的新方法：首先采用神经网络对历史数据进行学习,建立有效的神经网络模型来代替目标函数解析式;然后将神经网络模型嵌入多目标进化算法,进行进化计算;最后,将本文方法应用于卷烟配方比例掺配问题。实验结果表明,该方法优于传统方法,能较好地解决问题。     

工业控制网络的发展

阐述了工业控制网络及其特点,简要介绍了目前国际上已经应用的几种主要的控制网络,最后对控制网络的发展趋势进行了展望。     

基于混沌免疫进化算法的聚类算法分析

结合免疫进化算法和混沌优化算法各自在数据空间搜索的优势,本文提出了一种新的基于混沌免疫进化算法的模糊c_均值聚类算法.该算法实现了从全局到局部的两层领域搜索机制,且仿真结果表明,该算法有效地避免了通常聚类方法易出现的早熟现象,同时也具有较快的收敛速度和较高的准确度.     

一种改进蚁群算法的仿真研究

最新研究表明蚁群算法是一种基于群体的强鲁棒性的进化算法,其基本思想是模拟蚂蚁的合作行为,通过其内在的搜索机制,成为求解组合优化问题的新的进化算法。但是,蚁群算法也有收敛速度慢,容易陷入局部最优的缺点。本文介绍蚁群算法的模型及其存在的问题,并提出了一种改进形式。针对TSP问题的仿真实验结果,表明了该改进算法的有效性。     

三维微阵列数据的多目标进化聚类

聚类技术广泛应用于微阵列数据分析中。在基因-样本-时间GST微阵列数据矩阵中,挖掘三雏聚类成为当前的热门研究课题。3D聚类过程经常需要对多个相互冲突的目标进行优化,而且进化算法以其强大的探寻能力成为高维搜索空间中非常有效的搜索方法。本文基于多目标进化计算方法提出一个新的3D聚类算法MOE-TC,以挖掘GST数据中的3D聚类。现实微阵列数据上的实验验证结果充分说明了本文算法的有效性。     

融合指标分组的高维混合多目标进化优化

高维混合多目标优化问题因包含多个不同类型指标,目前尚缺乏有效求解该问题的进化优化方法。提出一种基于目标分组的高维混合多目标并行进化优化方法。采用深度学习神经网络预测种群隐式性能指标;基于指标相关性,将高维混合多目标优化问题分解为若干子优化问题;采用多种群并行进化算法,求解分解后的每一子优化问题,并基于各子种群的非被占优解构建外部保存集;采用聚合函数对外部保存集个体进一步优化,得到Pareto最优解集。在室内布局优化问题中验证所提方法,实验结果表明,所提方法的Pareto最优解在收敛性、分布性以及延展性等方面均优于对比方法。     

Evolutionary state-based novel multi-objective periodic bacterial foraging optimization algorithm for data clustering

Clustering divides objects into groups based on similarity. However, traditional clustering approaches are plagued by their difficulty in dealing with data with complex structure and high dimensionality, as well as their inability in solving multi-objective data clustering problems. To address these issues, an evolutionary state-based novel multi-objective periodic bacterial foraging optimization algorithm (ES-NMPBFO) is proposed in this article. The algorithm is designed to alleviate the high-computing complexity of the standard bacterial foraging optimization (BFO) algorithm by introducing periodic BFO. Moreover, two learning strategies, global best individual (gbest) and personal historical best individual (pbest), are used in the chemotaxis operation to enhance the convergence speed and guide the bacteria to the optimum position. Two elimination-dispersal operations are also proposed to prevent falling into local optima and improve the diversity of solutions. The proposed algorithm is compared with five other algorithms on six validity indexes in two data clustering cases comprising nine general benchmark datasets and four credit risk assessment datasets. The experimental results suggest that the proposed algorithm significantly outperforms the competing approaches. To further examine the effectiveness of the proposed strategies, two variants of ES-NMPBFO were designed, and all three forms of ES-NMPBFO were tested. The experimental results show that all of the proposed strategies are conducive to the improvement of solution quality, diversity and convergence.