如何做网站网站代理别人给我们做的网站如何关闭

如何做网站网站代理,别人给我们做的网站如何关闭,火狐 开发者 网站,WordPress添加弹窗下载按钮✅ 博主简介#xff1a;擅长数据搜集与处理、建模仿真、程序设计、仿真代码、论文写作与指导#xff0c;毕业论文、期刊论文经验交流。✅ 具体问题可以私信或扫描文章底部二维码。1) 针对高维全局优化问题中生物地理学优化算法易陷入局部最优、收敛速度慢的不足#xff0c;提…✅博主简介擅长数据搜集与处理、建模仿真、程序设计、仿真代码、论文写作与指导毕业论文、期刊论文经验交流。✅ 具体问题可以私信或扫描文章底部二维码。1) 针对高维全局优化问题中生物地理学优化算法易陷入局部最优、收敛速度慢的不足提出一种融合正弦余弦算法和动态混合变异的对偶BBO变体SCBBO。该算法首先采用拉丁超立方抽样初始化种群确保解空间均匀覆盖其次在迁移算子中嵌入改进的正弦余弦更新公式引入非线性递减参数和惯性权重增强高维环境下的勘探能力然后设计动态混合变异算子结合拉普拉斯变异的大步长探索和高斯变异的精细开发根据迭代进度自适应调整变异概率平衡全局与局部搜索最后集成对偶学习策略为每个个体生成对称解通过比较选择更优者提升收敛精度。理论分析通过构造数列收敛模型证明算法以概率1全局收敛。在CEC2013高维测试集上的实验表明SCBBO在1000维至10000维问题上均保持稳定性能显著优于对比算法。(2) 为解决复杂多峰优化问题中BBO算法开发能力弱、参数敏感的问题提出一种基于混合迁移算子和反馈差分进化机制的BBO变体HFBBO。该算法引入榜样学习法在迁移过程中禁止劣解覆盖优解保留精英信息混合迁移算子通过随机切换全局迁移向最优个体学习和局部迁移向邻域个体学习实现搜索模式动态调整反馈差分进化机制替代传统变异根据种群多样性指标自动选择差分变异策略如DE/rand/1或DE/best/2避免早熟收敛。算法收敛性通过Markov链模型证明复杂度分析显示其与标准BBO相当。在CEC2014和CEC2017测试集的广泛实验中HFBBO在多数函数上获得最优结果Friedman检验排名第一显示出强大鲁棒性。(3) 面向现实工程中的约束优化问题将改进的Oracle惩罚函数法与BBO算法结合处理等式和不等式约束。该方法将约束违反度转化为自适应惩罚项动态调整惩罚系数确保搜索朝向可行域同时针对混合变量问题设计通用离散化处理模块将离散变量映射为连续编码优化后再逆映射回原始空间。基于此开发SCBBO-CH和HFBBO-CH两种算法应用于CEC2020现实约束优化测试集的57个问题涵盖机械设计、资源分配等领域。实验结果表明所提算法在近半数问题上达到理论最优解且求解效率高于传统罚函数法验证了其在复杂约束处理中的有效性。import numpy as np import math def latin_hypercube_sampling(num, dim, bounds): samples np.zeros((num, dim)) for i in range(dim): segment (bounds[1] - bounds[0]) / num samples[:, i] np.array([bounds[0] (j np.random.rand()) * segment for j in range(num)]) np.random.shuffle(samples[:, i]) return samples class SCBBO: def __init__(self, num_species, dim, bounds, objective): self.population latin_hypercube_sampling(num_species, dim, bounds) self.fitness np.array([objective(ind) for ind in self.population]) self.bounds bounds self.dim dim self.best_idx np.argmin(self.fitness) self.best_solution self.population[self.best_idx].copy() self.best_fitness self.fitness[self.best_idx] def migration(self, migration_rates): new_pop self.population.copy() for i in range(len(self.population)): if np.random.rand() migration_rates[i]: j np.random.randint(len(self.population)) for k in range(self.dim): if np.random.rand() 0.5: new_pop[i][k] self.population[j][k] return new_pop def sca_update(self, iteration, max_iter): a 2 - iteration * (2 / max_iter) new_pop self.population.copy() for i in range(len(self.population)): r1 a * (1 - iteration / max_iter) r2 2 * math.pi * np.random.rand() r3 2 * np.random.rand() r4 np.random.rand() if r4 0.5: new_pop[i] r1 * math.sin(r2) * abs(r3 * self.best_solution - self.population[i]) else: new_pop[i] r1 * math.cos(r2) * abs(r3 * self.best_solution - self.population[i]) return new_pop def dynamic_mutation(self, iteration, max_iter): mutated self.population.copy() mutation_prob 0.1 * (1 - iteration / max_iter) for i in range(len(self.population)): if np.random.rand() mutation_prob: if np.random.rand() 0.5: mutated[i] np.random.laplace(0, 1, self.dim) * 0.5 else: mutated[i] np.random.normal(0, 1, self.dim) * 0.2 return mutated def dual_learning(self): dual_pop -self.population.copy() return np.clip(dual_pop, self.bounds[0], self.bounds[1]) def optimize(self, max_iter, objective): for iter in range(max_iter): migration_rates 1 - (self.fitness - np.min(self.fitness)) / (np.max(self.fitness) - np.min(self.fitness) 1e-8) self.population self.migration(migration_rates) self.population self.sca_update(iter, max_iter) self.population self.dynamic_mutation(iter, max_iter) dual_pop self.dual_learning() combined_pop np.vstack([self.population, dual_pop]) combined_fitness np.array([objective(ind) for ind in combined_pop]) best_combined_idx np.argsort(combined_fitness)[:len(self.population)] self.population combined_pop[best_combined_idx] self.fitness combined_fitness[best_combined_idx] self.best_idx np.argmin(self.fitness) if self.fitness[self.best_idx] self.best_fitness: self.best_fitness self.fitness[self.best_idx] self.best_solution self.population[self.best_idx].copy() return self.best_solution, self.best_fitness def ackley_function(x): return -20 * np.exp(-0.2 * np.sqrt(np.mean(x ** 2))) - np.exp(np.mean(np.cos(2 * math.pi * x))) 20 math.e scbbo SCBBO(50, 10, [-32, 32], ackley_function) best_sol, best_fit scbbo.optimize(100, ackley_function) print(fBest Solution: {best_sol}, Best Fitness: {best_fit})如有问题可以直接沟通