关键词： 思想政治教育   大学生   内卷情绪   消解方法  

摘要： 随着信息化时代的到来,在便利人们生活的同时,也带来相应的问题,尤其是针对现在高校的大学生,让大学生接收信息渠道增多,但部分大学生自身缺乏识别不良信息的能力,轻易会受到网络词语的影响."内卷"这一词在各大网络平台上出现,伴随着其他衍生词"卷王"等,这一词逐渐成为大学生的口头语,并且在高校中开启内卷战争,很多学生受到内卷的影响,在学习和生活上产生较大的压力.在这一情况下,湖北恩施高校需要高度重视大学生的内卷情绪,为缓解这一现象的出现,需要站在思想政治教育的角度,制定大学生内卷情绪消解的方法,改善大学生受到网络词语的认知偏差,帮助学生走向正确的道路.基于此,本文主要从大学生内卷情绪带来的不良影响入手,结合大学生内卷情绪产生的原因,对思想政治视域下大学生内卷情绪消解措施进行全面阐述,以期为部分人员提供参考.

关键词： 轴承故障诊断   一维卷积神经网络   遗传算法  

摘要： 对轴承故障类型的准确诊断有利于提高设备可靠性和效率,在早期诊断和预测故障方面开展研究具有重要意义。目前有一部分诊断方法通过手动提取故障特征进行分类,另一部分使用神经网络的诊断方法,但缺乏网络自适应调参的能力,泛化能力不足。因此提出使用遗传算法优化卷积神经网络进行故障诊断,其中一维卷积神经网络可以提取轴承故障信号中的微弱特征,使用遗传算法对卷积神经网络的网络参数进行自适应调参,提高了模型的诊断精度和泛化能力。实验结果表明,该模型的诊断平均准确率为98.56%,比传统的诊断方法1d-CNN、MLP和SVM分别提高了3.26%,10.45%,13.72%。

关键词： 粒子辐照   遗传算法   反向传播神经网络   KD树   反距离加权   后处理  

摘要： 蒙特卡罗(Monte Carlo,MC)方法是辐照损伤、辐照屏蔽研究中应用最广泛的方法之一。在对机场、铁路、舰船等大型靶目标开展辐照损伤研究时,通常关注靶目标的3D建模及辐照计算,而对计算后的数据分析多采用人工方式,工作难度大、效率低,成为制约相关研究的技术瓶颈。开展靶目标粒子辐照MC计算可视化后处理方法研究,建立了基于KD树(k-dimensional tree,KDtree)+反距离加权(inverse distance weight,IDW)和基于遗传算法优化反向传播(genetic algorithm based backpropagation,GABP)神经网络的后处理模型,实现了数据与模型结合的可视化分析。与传统数据分析方法相比,提出的方法能够大幅减低研究人员工作难度,提升数据处理速度,实现辐照效应直观展示,提升辐照效应研究后处理工作效率。

关键词： 横向联邦学习   数据隐私   分布式系统   机器学习   人工神经网络  

摘要： 随着数据和算力向网络边缘下沉,人工智能应用的研发愈加依赖隐私敏感的用户数据。在这一趋势的推动下,联邦学习因其强调隐私保护的特性而逐渐成为一个广泛应用的分布式机器学习框架。作为联邦学习的原始范式,横向联邦学习(Horizontal Federated Learning,HFL)具有扩展能力强和使用场景广泛等特点,因此是近年来该领域的研究重心,同时在产业界相关需求的驱动下有着十分广泛的应用前景。横向联邦学习的研究涉及机器学习、分布式系统、无线通信和信息安全等多个学术领域,从研究动机到技术方法都呈现多样化,但现有文献未能展现相关研究现状的全貌。此外,横向联邦学习相关技术的发展催化出了一系列开源系统框架、公开数据集以及多种场景下的应用,对进一步研究与实践都具有参考价值。为此,本文对横向联邦学习的研究现状和系统应用进行综合性调研:首先,对相关文献按照研究目标和技术角度进行全面地分类梳理,从多领域视角分析了各分支的研究现状;其次,从应用实践的视角,对比分析了面向横向联邦学习的主流系统框架与代码库、描述了数据准备方法以及典型的应用场景。在此基础上,阐明了横向联邦学习算法研究和系统应用面临的6个关键挑战,为如何缩小相关研究与系统实践之间的鸿沟提供了新的参考。

关键词： 算法优化   配电网规划   遗传算法   存储单元   蚁群算法  

摘要： 针对区域配电网规划的源网荷储优化扩容问题,文中提出了一种规划解决方案。通过安装和加固高压或中压变电站、馈线段、分布式发电源和存储单元,扩大网络容量,并将系统的成本目标函数在技术约束下实现最小化。同时,对于解决配电网规划问题的常用优化算法进行了分析和比较,提出了改进的配电网规划算法。在实际应用中对算法进行比较,验证了所提改进算法的有效性,并对3个试验配电网进行了数值研究。数值分析结果表明,所提出的混合遗传/蚁群系统算法可以实现约21.74%的负载削减。

关键词： 机器学习   遗传算法   时效处理   冷轧变形   性能预测  

摘要： 机器学习已经被广泛应用于材料研究领域,然而从成分、工艺多维度进行合金设计依旧是一个不小的挑战。提出了一种机器学习方案,结合材料的物理化学性质、成分、工艺进行合金设计,采用遗传算法对Cu-Ni-Co-Si合金性能预测进行优化;采取递归消除法探索特征与合金性能之间的潜在联系。研究发现,影响合金硬度和导电性的主要工艺是时效处理与冷轧变形。除此以外的物理化学特征主要通过影响自由电子密度和自由电子迁移的自由程,从而对合金的导电率产生影响;通过影响固溶强化和位错强化,从而对合金的硬度产生影响。

关键词： 离心式压缩机   CFD仿真   叶轮参数优化   BP神经网络   遗传算法  

摘要： 为了提高离心式压缩机叶轮设计效率并降低计算资源消耗,针对遗传算法优化中计算量大、效率低的问题,提出基于改进粒子群优化算法(IPSO)优化BP神经网络的方法。通过少量计算流体动力学(CFD)仿真样本,训练BP神经网络建立效率与叶轮参数的映射关系,结合IPSO优化其参数,同时利用遗传算法(GA)确定叶轮的最佳性能参数。研究表明,改进的IPSO算法通过增强粒子群的动态适应性和全局搜索能力,提高了BP神经网络的预测精度和优化效率。优化后的叶轮等熵效率提高1.34%,多变效率提高1.04%,流量增加10.4%。该方法显著提升了离心式压缩机叶轮的设计效率和性能,为复杂流体机械的优化设计提供了新思路。

关键词： 碳排放   冷链物流   路径优化   遗传算法  

摘要： 针对冷链物流高时效性、高成本的特点,运输和冷藏过程中的碳排放成本,以及违反时间窗的惩罚成本等因素,构建以配送总成本最小化为目标的冷链物流配送路径模型,并采用改进的自适应遗传算法进行求解。通过实证分析,对运输路径和运输车辆进行决策,并针对优化前后的结果进行分析,验证了模型和算法的有效性。结果表明:优化后的总配送成本相较于优化前减少了16.55%,碳排放成本相较于优化前减少了2.22%,优化后的遗传算法在降低配送成本和碳排放成本上具有显著效果,可以通过合理安排配送路径及运输车辆等手段来降低配送成本和碳排放成本。

关键词： 软件调试   软件缺陷自动修复   面向对象程序   方法调用缺陷   补丁生成与验证   深度学习   遗传算法  

摘要： 为提高软件缺陷自动修复技术的修复效果,针对面向对象程序中出现概率较大的方法调用缺陷,提出一种基于深度学习和遗传算法的方法调用缺陷自动修复方法。基于深度学习构造方法调用缺陷修复模型,使用修复模型生成候选补丁并验证;若补丁无效,则基于这些候选补丁,使用改进的基于遗传算法的缺陷修复方法生成候选补丁。实验结果表明,在Defects4 J数据集上,所提方法与DEAR、TBar、SequenceR和jGenProg自动化缺陷修复工具相比,缺陷修复率和补丁正确率都有提高。

关键词： 多智能体路径规划   启发式导向冲突搜索   启发式搜索   帕累托集  

摘要： 在多智能体系统研究中,多智能体路径规划(multi-agent path finding,MAPF)是一个核心难题,其目标是为各个智能体规定独立路径,确保智能体在移动过程中不发生碰撞。这是一个NP难题,亟须高效解决算法。创新性地提出了一种多智能体路径规划算法——启发式导向冲突搜索(heuristic guided conflict-based search,HG-CBS),以解决复杂的MAPF场景,如智能体移动速度不同或各条边的道路长度不同。为优化HG-CBS算法,构建了三种独特的启发式计算方法:(1)加权求和法,以所有启发式的加权总和作为最终启发式;(2)帕累托集合法,构建一个帕累托集并从中选择节点;(3)交替法,在搜索迭代过程中交替使用各种启发式。实验结果显示,相比于传统方法,带有启发值的HG-CBS在成功率、运行时间及扩展节点数量等关键性能指标上均表现更优。例如,在包含16个智能体的复杂场景下,HG-CBS-h3(交替法)将运行时间缩短了89%,将拓展节点的数目减少了95%。此外,随着场景复杂度的提升,HG-CBS-h3的性能优势更加明显。这些结果证明了HG-CBS算法的有效性和高效性,对多智能体轨迹规划问题具有显著的理论和应用价值。