摘要：小学是学生正式开始学习的阶段,步入小学意味着学生要开始接受系统化的教育。数学作为理科课程的主导课程和基本学习内容,数学学习将会影响学生终生的发展。随着教育教学改革工作的不断推进,众多教育学者深入研究了现代有效教育策略。当前知名教育学家陶行知提出的“生活化”教学理念得到了较高的关注和大力地推行。生活情境教学法指向下,要求教师在进行教学设计的时候立足于生活实际,构建与生活情境相符的学习环境,指导学生基于此进行数学知识的学习和探究。这样的环境下能够有效地拉近数学教学与生活内容之间的联系,加强学生的学习体验,发展学生自身的学习兴趣,驱动学生思维的有效发展,进而确保小学时期高效率数学教学的开展。对此,本文以“生活情境方法在小学数学教学中的运用”为主题展开了深入化的探究。

摘要：传统人才培养模式的学生岗位胜任力在泛信息时代浪潮中劣势日趋凸显。针对该问题,本文以全面贯彻新时代教育方针为根本遵循,以泛信息时代学生呈现的新特征及对人才培养模式的影响为对象,以塑造学生专业化、体系化、向心力为目标,基于文献查阅法、调查法、归纳法等方法,提出“一干一基四支”复合型培养模式优化模型,构建职业化、时代化、实践化培养优化机制,设计反馈式五级结构胜任力培优模型,创建泛信息时代价值塑造纠偏模型,研究以机制促创新的三位一体螺旋上升机制,以期提升学生岗位任职能力。

摘要：首先对国内外混合智能优化算法进行了研究,分析并揭示了现有各种算法中起作用的关键机制和元件,然后提出了一个混合智能优化算法模型,用于解释现有混合算法取得优良性能的根本原因,并为设计新的混合算法提供指导作用。

摘要：细菌觅食优化算法是进化算法家族的新成员。首先对细菌觅食优化算法的三大主要操作:趋向性、复制和迁徙操作的基本原理及流程进行介绍,然后对算法求解优化问题的设计步骤进行分析,接着探讨算法的改进和应用,最后指出细菌觅食优化算法的未来研究方向。

摘要：目前粒子群优化算法和分布估计算法较少用于解决排列编码组合优化问题,本文提出了一种新的适用于求解排列问题的分布估计离散粒子群优化算法.提出的算法结合粒子群优化算法和分布估计算法的思想,突破了标准粒子群优化算法速度-位移更新模式.新算法中每个粒子的信息一部分来自该粒子当前解排列与全局最优排列的最长公共子串,另一部分来自描述所有个体最优值分布信息的概率模型.这样粒子的当前解、所有个体最优值和全局最优值都参与了新解的生成过程,提出的算法秉承了粒子群优化算法的思想,同时具有更全面的学习能力,提高了算法的寻优能力以及避免陷入局部最优的能力.在两个经典的排列问题上的实验结果表明提出的算法具有良好的性能.

摘要：差分演化算法具有结构简单容易实现,收敛速度快和鲁棒性强等优点,但是存在早熟和进化停滞的现象.提出的二阶段循环优化差分演化算法框架能够很好地保持算法局部开采能力和全局勘探能力的平衡.在差分演化的变异操作中,以马氏距离矩阵为依据分别在目标向量的近邻或者远邻中选择父辈个体参与变异,这样分别形成偏重局部开采或者偏重全局勘探的搜索阶段,此二阶段循环迭代,使得局部开采和全局勘探能力得到震荡平衡.在CEC2005标准函数集上的测试结果显示了提出算法框架的有效性.

摘要：和声搜索算法是最近出现的一种模拟音乐演奏过程的全局搜索元启发式算法,目前已经有许多改进版本,并被大量用于优化和工程实践问题中。首先描述了原始和声搜索算法的特点和流程,然后对和声搜索算法繁多的变种及其应用领域进行了梳理和分类,最后指出和声搜索算法的未来研究方向。

摘要：差分演化(Differential Evolution,DE)算法的性能依赖于变异策略的选择和控制参数的设置。不同问题对DE的变异策略和参数的设置各不相同。为了提高DE的性能,提出一种多变异策略的自适应差分演化算法,建立由多种变异策略组成的策略池,两个主要参数自适应策略控制。为了验证所提算法的性能,在测试数据集CEC2013上进行了实验,并将其与使用6种不同变异策略的原始DE和4种改进DE进行比较。实验结果表明,提出的算法是一种有效的DE变种,其性能优于其它DE。

摘要：随着当前在轨服务技术的快速发展,航天器在轨维修成为了可能。因此,本文系统地定义了空间可修系统(space maintainable system,SMS)的概念,通过梳理维修性分析、评价与验证方法的发展现状,结合SMS系统复杂、在轨维修数据量少等特点,探索性地提出了针对SMS的维修性分析、评价与验证技术。首先利用大量的航天器故障数据,采用基于维修障碍分析法的维修性分析手段。其次,构建了定性评价和基于神经网络的定量评价方案对维修性设计进行评判。最后,考虑SMS真实环境验证样本低等约束,提出了基于贝叶斯理论的小子样维修性验证方法,可以有效地降低试验样本量。

摘要：如何将差分演化算法用于离散领域是该领域的一个重要问题.提出一种适应度平均选择的离散差分演化算法,提出的算法中每个个体有均等的机会被选择用于引导算法的进化,这种选择方式有助于克服贪婪选择操作导致的种群多样性下降过快而使算法易陷入局部最优的问题.最后在多维背包问题上的实验结果表明提出的算法具有良好性能.