摘要：针对社会蜘蛛算法(SSA)在求解全局优化问题上存在收敛度低、速度慢和高维函数成功率不高等问题,本文提出了一种多群分层协作社会蜘蛛算法(MHCSSA)。引入分层协作思想,将蜘蛛群划分为主群和若干子群,子群划分依据不同的适应值范围;主群采用贪婪搜索策略,保证快速收敛能力,当主群中个体陷入早熟收敛时将其移出主群,移入到合适适应值范围的子群中继续搜索;子群设置移入阈值和移出阈值并当子群最优个体超过子群移出阈值,即将个体移入到更高级的分群中继续搜索,保证了算法在高维度情况下的寻优能力。高维函数数值分析的结果表明,MHCSSA比SSA算法和其他优秀的超启发式算法在收敛速度和精度上的表现更优,尤其在高维综合优化问题上成功率更高。

摘要：为了有效提取极短文本中的关键特征信息,提出一种基于贝叶斯决策的极短文本分类模型。首先对原数据进行数据清洗并利用Jieba分词对清洗过的数据进行处理;然后利用Kettle工具提取分类所需关键词,并将处理后的数据存入数据库;最后利用贝叶斯决策对极短文本进行分类。通过(1-0)检验,验证模型的有效性。以一批极短文本数据作为样本进行实验,结果显示出该方法能够有效提高匹配效率,误分度与精确度指标的匹配结果更加均衡。