0 引 言

蝙蝠算法(Bat Algorithm,BA)是由英国学者Yang[1]于2010年提出的一种模拟蝙蝠回声定位行为的新型元启发式优化算法.随后,它被用于多目标优化,以及诸多经典的全局工程优化问题[2-5].基本蝙蝠算法结构简单、参数少、鲁棒性强,受到广泛关注．但是,BA本身也存在着容易陷入局部最优,算法执行后期的收敛速度慢等问题,限制其应用.很多学者致力于蝙蝠算法的改进,以提高算法性能,扩展算法应用范围.王改革[6]、贺兴时[7]、李枝勇[8]、肖辉辉等[9]分别提出了将BA同和声搜索算法、模拟退火算法、遗传算法以及差分进化算法相结合的混合启发式算法,不同程度上提高了算法的收敛速度与搜索精度.此外,刘长平等[10]针对基本蝙蝠算法收敛精度低和易早熟,采用Levy 飞行搜索策略来模拟蝙蝠的捕食行为,使得该算法有效地避免了局部极值的吸引.张宇楠[11]、盛孟龙等[12]分别将自适应步长、自适应变异策略引入蝙蝠算法,从而使算法在后期获得更高精度的解.唐建新[13]、陈思等[14]为提高基本蝙蝠算法局部最优解的开发能力,引入速度权重,提高算法的开发和探索能力.而关于蝙蝠算法的理论性分析,李枝勇等[15]将蝙蝠算法简化到一维的单个蝙蝠,定义了速度和位置更新的两种模式,利用特征方程的方法分别对其进行了收敛性分析.盛孟龙等[16]基于随机搜索算法的全局收敛性判断准则对蝙蝠算法的收敛性进行分析.

为了更好地控制蝙蝠算法的探测和开发能力,克服基本蝙蝠算法缺点,本文以一种比混合算法策略和速度权重策略更贴合实际，充分利用种群信息的加权策略改进蝙蝠算法,优化迭代种群.同时,在迭代过程中,使蝙蝠自适应地调整向其他蝙蝠学习的力度,保持或获得较好的寻优能力.通过数值仿真实验,将改进的算法与基本蝙蝠算法及文献[14]中基于时变惯性权重的蝙蝠算法进行对比分析.

1 基本蝙蝠算法

受到蝙蝠在复杂环境中精确定位、捕食情形的启发[17],基本蝙蝠算法作为一种群体进化的算法应运而生.首先在可行解空间随机初始化种群,即确定个体的初始位置和初始速度,其中位置用来表示问题的解,通过评价群体,找出群体最优位置,然后分别按式(1)～(3)更新个体的飞行速度和位置

首先，可深化对“编辑”阶段的解释。在再就业培训参与决策中，“编辑”阶段对应的是“特征感知”这一过程。“特征感知”作为核心范畴包括“项目质量”“机构实力”“师资力量”这三个概念范畴。也就是说，在再就业培训参与决策中，“编辑”阶段所涉及的信息，主要就是这三个方面的。此外，个体对这三个方面的“信息”编辑，相互之间也有着一定的联系——失地农民如果感知到“机构实力”强大和“师资力量”雄厚，那么就更倾向于认为“项目质量”高；而失地农民如果感知到“机构实力”强大，也更倾向于认为“师资力量”雄厚。反之，亦然。

fi=fmin+(fmax-fmin)β,

(1)

(2)

(3)

式中: 表示蝙蝠i在t时刻的飞行速度 表示蝙蝠i在t时刻的空间位置；x*表示在当前种群中最佳蝙蝠所处的位置;fi为蝙蝠i搜寻猎物时使用的频率,fi∈[fmin,fmax]为搜索脉冲频率范围.

根据生物学机理可知,在搜寻猎物过程中,蝙蝠初始阶段发出的超声波脉冲音强大而频率低,有助于在更广泛的空间搜索,发现猎物后,就逐渐减小脉冲音强,同时增加脉冲发射次数,以利于精确掌握猎物的空间位置,用式(4)和(5)来模拟这种搜索特点,即

(4)

2.3 健康素养单因素分析 35岁以上孕产妇健康素养合格率明显高于20～24岁、25～29岁、30～34岁，差异有统计学意义(P<0.05)；定期参加孕妇教育健康素养合格率明显高于从未参加与偶尔参加者，差异有统计学意义(P<0.05)；月收入5 000元以上孕产妇健康素养合格率明显高于2 000元以下，2 000～4 999元者，差异有统计学意义(P<0.05)；小学、中学、大专及以上孕产妇健康素养合格率相比，差异无统计学意义(P>0.05)。见表2。

(5)

式中: 表示蝙蝠i的最大脉冲频率, 表示在t+1时刻蝙蝠i的脉冲频率;γ为脉冲频率增加系数,为大于零的常数 表示t时刻蝙蝠i发射脉冲的音强;α是脉冲音强衰减系数,通常取[0,1]上的常数.

2 基于权重策略的蝙蝠算法

式(2)中的频率相当于当前全局最优蝙蝠对当前蝙蝠的影响力权值,基本BA中频率是一个0,1之间的随机值,本身不具有适应性.此外,仅根据自身经验和全局最优蝙蝠指导行为,使得种群更容易陷入局部最优.在此,对BA的改进主要从两个方面着手.

首先,蝙蝠不再向全局最优蝙蝠学习,而是与邻域内所有蝙蝠进行信息共享与交流,这样使得算法更符合生物社会的实际,同时降低算法陷入局部最优的危险.

其次,频率不再是一个随机数,而是根据蝙蝠的寻优能力自适应地调节.频率越大即意味着当前蝙蝠向其他蝙蝠学习的比重越大,若其本身具有较强的寻优能力,小的频率可保持其寻优能力.

对于神人兽面纹来说，是兽目还是鸟目并不重要，重要的是眼睛，它圆睁着，大大的，初看让人感到恐惧，然多看看，又觉得有几分天真，似是儿童的眼，惊愕地观看着这世界。这是不是在某种程度上反映了良渚人的心理？一方面，开始将自然作为客体与自己区别开来，意味着人的独立，主客两分，这是人性觉醒的显现；另一方面，在对与自身区分开来的客体作审察时，感到惶惑，恐惧，显示出人性觉醒之初的稚嫩与脆弱。虽然稚嫩与脆弱，但这只是人性开始觉醒的状况，正如种子才发芽，风风雨雨中，它定然会变得刚健，变得强大，变得成熟。

2.1 加权函数的设计

CHANG Q,HE X S.Bat algorithm based on t distribution mutation[J].Journal of Xi′an Polytechnic University,2015,29(5):647-653.

(6)

式(6)即为改进的加权速度更新公式.其中 为蝙蝠i在第t次迭代时的学习对象,是综合其他蝙蝠影响力,经过加权所得到的

其中加权函数[18]

wk(i)=δ1Fk(i)+δ2Nk(i), ∀i∈N,δ1+δ2=1.

式中：wk(i)表示第k个蝙蝠对第i个蝙蝠的影响力权值；Fk(i)和Nk(i)分别是寻优能力方面的影响力权值和为摆脱局部极值吸引力方面的影响力权值；δ1，δ2为权系数.Fk(i)代表在搜索全局最优值的能力方面第k个蝙蝠对第i个蝙蝠的影响力,而蝙蝠的历史最优适应值可以很好地评价蝙蝠的寻优能力.因此Fk(i)体现为蝙蝠只向那些历史最优适应度值比自己小的蝙蝠学习.同时,历史最优适应度值比自己小的越多的蝙蝠对自己的影响力也越大.

式中：fi为第i个蝙蝠历史最优适应值；fk为第k个蝙蝠历史最优适应值.

Nk(i)为摆脱局部极值吸引力方面的影响力权值,蝙蝠陷入局部最优的危险越高,它对其他蝙蝠的影响力越小.当蝙蝠在某点停留的代数越多,且其适应度值大于全局历史最优适应度值时,其陷入局部极值的危险也就越大,它对其他蝙蝠的影响力越小.

1）选用抗倒伏品种。利用小麦品种本身的抗倒伏能力，是防止和减轻小麦倒伏最经济有效的技术途径［9，10］。建议科研和技术推广部门开展品种抗倒性试验，筛选出适合当地的抗倒伏品种。

式中：gk为第k个蝙蝠在当前点停留的迭代次数;gmax为判断蝙蝠是否陷入局部最优的阀阈值；gbest为当前全局历史最优值.

2.2 自适应频率

频率f决定了当前蝙蝠向其他蝙蝠的学习程度,随机数值的频率不能确保蝙蝠保持较好的寻优能力,在此,根据蝙蝠相邻两次迭代的适应值差来决定频率,使得蝙蝠自适应的保持或者获得寻优能力,改进的频率如下

式中： 为蝙蝠i在第t-1次迭代时的适应值, 为蝙蝠i在第t-2次迭代时的适应值.当两次迭代的适应值之差越大,即蝙蝠寻优能力越强,此时蝙蝠应更大程度上保持原有的搜寻速度,减小蝙蝠向其他蝙蝠学习的力度;当本次迭代并没有搜索到更好的解时,表示其寻优能力较弱,加大向其他蝙蝠学习的力度,获得较好的寻优能力.

3 仿真实验

为验证本文提出的基于权重策略的蝙蝠算法的性能,选取8个标准测试函数进行仿真测试,并与基本算法和文献[14]中较为优秀的方案3改进的时变惯性权重的蝙蝠算法对比.仿真实验采用3种指标对算法性能进行评价,第1种指标是在算法给定的最大迭代次数下所能搜索到的最优解,第2种指标是算法搜索到指定精度时最优解所需要的迭代次数,考虑到算法迭代次数达到最大值时仍可能没有达到指定精度,因此提出第3种指标,即寻优成功率,算法在最大迭代次数内搜索到指定精度的最优解则视为寻优成功,否则寻优失败.

3.1 参数设置与测试函数

蝙蝠算法中涉及的各种参数取值尚无确切的理论依据,本文所设置的参数值是根据反复试验所获得的经验值来确定．基本蝙蝠算法中,种群规模N=30,个体i的最大脉冲频度最大脉冲音强Ai=0.75,脉冲音强衰减系数α=0.9,脉冲频度增加系数γ=0.04,最大迭代次数Nmax=1 000,寻优精度ε=10-5．在基于权重策略的蝙蝠算法中,权系数σ1=σ2=0.5,判断蝙蝠是否陷入局部最优的阀阈值gmax=10,其余同上.测试函数如表1所示.

表 1 标准测试函数

Table 1 Standard test function

函数名函数搜索范围理论最优值维数Spheref1(x)=∑di=1x2i[0，10]010Griewankf2(x)=∑di=1x2i4000-∏di=1cosxiiæèçöø÷+1[-100，100]010Rastriginf3(x)=∑di=1[x2i-10cos(2πxi)+10][-2 65，2 65]010Debf4(x)=-1d∑di=1sin6(5πxi)[-1，1]010Csendesf5(x)=∑di=1x6i2+sin1xi()()[-1，1]010Eggcratef6(x)=x21+x22+25(sin2(x1)+sin2(x2))[-2π，2π]02Bealef7(x)=(1 5-x1+x1x2)2+(2 25-x1+x1x22)2+(2 625-x1+x1x32)2[-4 5，4 5]02Matyasf8(x)=0 26(x21+x22)-0 48x1x2[-10，10]02

3.2 结果与分析

为克服算法的偶然性误差,对每个测试函数,算法分别独立运行30次,图1～8为本文改进算法(WBA),与基本蝙蝠算法(BA)及文献[14]中基于时变惯性权重的蝙蝠算法(VIWBA)对8个测试函数的进化曲线对比．算法性能统计结果见表2.其中,最优值、平均值、最差值、标准差反应了解的质量；成功率统计的是30次独立实验中,达到要求精度次数所占比例；最小迭代次数,即达到要求精度时最小迭代次数,反应了算法的收敛速度.

其中l表示系统的控制参数；离散时刻tk满足0t0

图 1 函数f1的数值进化曲线 图 2 函数f2的数值进化曲线 Fig.1 Convergence curves of function f1 Fig.2 Convergence curves of function f2

图 3 函数f3的数值进化曲线 图 4 函数f4的数值进化曲线 Fig.3 Convergence curves of function f3 Fig.4 Convergence curves of function f4

图 5 函数f5的数值进化曲线 图 6 函数f6的数值进化曲线 Fig.5 Convergence curves of function f5 Fig.6 Convergence curves of function f6

图 7 函数f7的数值进化曲线 图 8 函数f8的数值进化曲线 Fig.7 Convergence curves of function f7 Fig.8 Convergence curves of function f8

表 2 实验结果对比

Table 2 Comparison of different testing functions

函数算法最优结果平均结果最差结果标准差成功率/%最小迭代次数f1BA3 2320×10-68 3116×10-61 2905×10-52 3378×10-570210VIWBA07 9833×10-61 2420×10-52 3799×10-580155WBA07 1993×10-61 2420×10-52 5371×10-583 3127f2BA6 81041 4543×102 2920×103 77960—VIWBA6 15811 3909×102 1488×103 72650—WBA4 1531×10-11 67143 04614 8480×10-10—f3BA1 1369×10-131 23269 05552 262333 374VIWBA1 0125×10-137 9603×103 97981 180143 344WBA06 1823×10-21 97989 2290×10-15031f4BA5 2709×10-216 7669×10-81 69137 9241×10-193 337VIWBA5 2709×10-211 8340×10-82 3116×10-52 3409×10-596 747WBA3 4143×10-245 3434×10-101 0334×10-82 0381×10-910033f5BA7 5142×10-155 1027×10-141 1641×10-133 5265×10-14100230VIWBA5 1024×10-154 1708×10-141 3704×10-132 9680×10-14100199WBA1 1414×10-155 1248×10-141 7451×10-134 0992×10-1410040f6BA4 0640×10-71 6441×107 5859×101 6505×106 67151VIWBA1 0033×10-81 5494×103 7930×101 1807×1013 357WBA9 5014×10-97 94211 8976×105 126636 749

表 2(续) 实验结果对比

Table 2 Comparison of different testing functions

函数算法最优结果平均结果最差结果标准差成功率/%最小迭代次数f7BA1 2747×10-91 27679 39292 774043 371VIWBA3 3520×10-107 1230×10-19 39291 897563 359WBA8 4957×10-111 2701×10-17 621×10-13 0507×10-18028f8BA2 0348×10-116 5852×10-103 0413×10-97 6768×10-10100112VIWBA1 0812×10-108 0451×10-102 7974×10-97 7302×10-10100101WBA1 1129×10-114 9125×10-101 7804×10-95 5356×10-1010058

[2] YANG X S.Bat algorithm for multi-objective optimisation[J].International Journal of Bio-Inspired Computation,2011,3(5):267-274.

福克斯基于物质劳动的数字劳动理论一经提出，就受到西方传播政治经济学理论界的质疑和批判，并引发了福克斯与其他学者关于数字劳动是否存在剥削、数字劳动的存在形式以及积累模式等问题的争论。

4 结束语

针对基本蝙蝠算法存在的后期收敛速度慢、易陷入局部极值的缺点,在原有的蝙蝠算法基础上,引入权重策略,并根据自身寻优能力自适应地调整向其他蝙蝠的学习力度,使得对蝙蝠之间信息传递的模拟更为合理,优化迭代种群,增加种群多样性,较为有效地提高了算法的全局搜索能力和搜索精度.但改进的算法在一定程度上增加了算法复杂度,对加权函数的合理设计,并将新算法用于解决实际问题,将是下一步的研究工作.

参考文献(References):

[1] YANG X S.A new metaheuristic bat-inspired algorithm[J].Nature Inspired Cooperative Strategies for Optimization (NICSO 2010) Studies in Computational Intelligence,2010,284:65-74.

综合图1～8及表2,比较基本BA和VIWBA,对于简单单峰函数f1，f7，f8,新算法在收敛速度方面均有所提高,此外,对函数f1，f7的寻优成功率也明显提升;对于全局极值不易找到的典型非线性多模态函数f2，f3,改进算法在一定程度上增加了种群多样性,是较为稳定算法,同时对函数f3,本文改进算法在收敛速度及寻优成功率方面也都有所提升;对多模态函数f4，f5，f6,新算法在寻优速度方面均明显加快,特别是对f4在寻优精度及寻优成功率方面也有显著提高．

[7] HE X S,DINU W J,YANU X S.Bat algorithm based on simulated annealing and gaussion perturbations[J].Neural Computing and Applications,2014,25(2):459-468.

图2中箭头所指的界线之右侧，便是形成的这种生物鲕层。相比于高能鲕层，其特点较明显，①同心圈层厚度较大；②同心圈层数量较少；③同心圈层间界线较模糊，常呈弯曲状；④单层厚度不均匀，常有尖灭现象；⑤透明度较低，且不均匀，系含有机质所致。

[4] 王梟涵,丁文静,赖学方.基于蝙蝠优化算法的水资源配置[J].西安工程大学学报,2016,30(2):268-275.

[5] 常青,贺兴时.基于t分布变异的蝙蝠算法[J].西安工程大学学报,2015,29(5):647-653.

WANG X H,DING W J,LAI X F.Optimal allocation of water resources based on bat algorithm[J].Journal of Xi′an Polytechnic University,2016,30(2):268-275.

赛事组织者作为体育赛事的组织、承办者，在整合体育赛事资源方面具有得天独厚的优势，理论上能够最大化地实现体育赛事转播权的价值转化。但是在权源上，它不像参赛者那样贴近体育赛事，而更像是一个代理商：除了通过合同约定之外，很难证明其对体育赛事享有权利的正当性。参赛者则不同，作为体育赛事的直接参与者，其对体育赛事的权利诉求更为合理。但是体育赛事往往是多名参赛者共同完成的，尤其是足球联赛这类大型竞技类运动，往往涉及到十几支参赛球队。如果由参赛者自行处理其体育赛事转播权，不仅容易出现争执，而且在效率上也是不经济的。

在加权函数的设计中主要秉持两方面的原则:削弱局部极值影响,不以过分增加计算复杂度为代价.综合考虑以上两方面因素,设计如下

对于寡这个词，我们岭北周村的人是有一番见解的。用在特定的女人身上，那是真正的寡，守寡的寡。但用在寡这个寡那个的时候，就代表坑蒙拐骗了。所以，我们岭北周村人管坑蒙拐骗的人也叫寡子。周老相公讲的就是寡子，现在这个寡子是女的，她叫常爱兰。

[6] WANG G G,GUO L H,DUAN H.A bat algorithm with mutation for UCAV path planning[J].The Scientific World Journal,2012,2012:1-8.

[3] YANG X S,GANDOMI A H.Bat algorithm:A novel approach for global engineering optimization[J].Engineering Computations,2012,29(5):464-483.

[8] 李枝勇,马良,张惠珍,等.遗传变异蝙蝠算法在0-1背包问题上的应用[J].计算机工程与应用,2014,50(11):49-52.

LI Z Y,MA L,ZHANG H Z,et al.Genetic mutation bat algorithm for 0-1 knapsack problem[J].Computer Engineering and Applications,2014,50(11):49-52.

[9] 肖辉辉,段艳明.基于DE算法改进的蝙蝠算法的研究及应用[J].计算机仿真,2014,31(1):272-277.

XIAO H H,DUAN Y M.Research and application of improved bat algorithm based on DE algorithm[J].Computer Simulation,2014,31(1):272-277.

ZHANG Y N,LIU F Y.Improved variation step adaptive bat algorithm and application[J].Journal of Guangxi University for Nationalities(Natural Science Edition),2013,19(2):51-54.

1.物资需求计划不准确，个性化非标产品凌乱。需求计划是根据生产经营、工程建设需要编制并审核确定的一定时期所需物资的具体安排，主要解决需要什么、需要多少、何时需要等问题。需求计划提报不准确造成的物资错误采购、重复采购和不及时采购，不仅难以满足生产经营和工程建设的需求，还可能造成采购物资无使用方向，形成库存积压。

LlU C P,YE C M.Bat algorithm with the characteristics of Lévy flights[J].CAAI Transactions on Intelligent Systems,2013,8(3):240-246.

[11] 张宇楠,刘付永.一种改进的变步长自适应蝙蝠算法及其应用[J].广西民族大学学报(自然科学版),2013,19(2):51-54.

[10] 刘长平,叶春明.具有Lévy飞行特征的蝙蝠算法[J].智能系统学报,2013,8(3):240-246.

[12] 盛孟龙,贺兴时,王慧敏,等.一种改进的自适应变异蝙蝠算法[J].计算机技术与发展,2014,24(10):131-134.

SHENG M L,HE X S,WANG H M,et al.An improved algorithm for adaptive mutation bat[J].Computer Technology and Development,2014,24(10):131-134.

移动学习平台设计以学生个人学习需求及教师教学管理需求为核心，系统设计目标包括以下方面：①为学生提供可随时、随地进行《计算机导论》课程移动学习的平台，提高学习积极性和主动性；②为教师提供方便、快捷的学习资源管理平台，强化与延伸课堂教学内容；③为师生提供在线交流服务，实现真正意义上的移动课堂教学；④为师生提供各种统计数据服务，使教师及时了解学生掌握知识的程度、学习参与度；使学生明确个人知识点掌握情况，进行针对性学习；⑤为用户提供方便、快捷的操作界面，减小网络延时对用户体验的影响[9]。

[13] 唐建新,赵付青,王馨,等.基于速度权重扰动机制的改进蝙蝠优化算法[J].兰州理工大学学报,2016,42(1):104-108.

特色小镇土地利用结构优化配置，从政策，管理层面有多种方式，作为建设方，特色小镇建设产业定位合理，科学布局用地规划，加强特色小镇建设合作模式，可以有效解决土地利用结构优化的目的。

TANG J X,ZHAO F Q,WANG X,et al.An improved bat optimization algorithm based on velocity-weighted disturbance mechanism[J].Journal of Lanzhou University of Technology,2016,42(1):104-108.

[14] 陈思,贺兴时,杨新社,等.基于时变惯性权重学习机制的蝙蝠优化算法[J].纺织高校基础科学学报,2016,29(4):555-562.

CHEN S,HE X S,YANG X S,et al.Optimized bat algorithm based on learning mechanism of variable inertia weight[J].Basic Sciences Journal of Textile Universities,2016,29(4):555-562.

[15] 李枝勇,马良,张惠珍.蝙蝠算法收敛性分析[J].数学的实践与认识,2013,43(12):182-190.

LI Z Y,MA L,ZHANG H Z.Convergence analysis of bat algorithm[J].Mathematics in Practice and Theory,2013,43(12):182-190.

[16] 盛孟龙,贺兴时,丁文静.蝙蝠算法的全局收敛性分析[J].纺织高校基础科学学报,2013,26(4):543-547.

SHENG M L,HE X S,DING W J.Analysis of bat algorithm′s global convergence[J].Basic Sciences Journal of Texile Universities,2013,26(4):543-547.

[17] 陈敏,冯江,李振新，等.普氏蹄蝠(Hipposideros pratti)回声定位声波、形态及捕食策略[J].应用生态学报,2002,13(12):1629-1632.

CHEN M,FENG J,LI Z X,et al.Echolocation sound waves,morphological features and foraging strategies in Hipposideros pratti[J].Chinese Journal of Applied Ecology,2002,13(12):1629-1632.

[18] 赵玉新,杨新社,刘利强.新兴元启发式优化方法[M].北京:科学出版社,2013:97-104.

ZHAO Y X,YANG X S,LIU L Q.Emerging heuristic optimization method[M].Beijing:Science Press,2013:97-104.

在既有研究中，研究者虽然多从文化人类学的角度对国家进行了观照，但这些研究却建构出一个“总体化/自然化国家”的形象，而这恰恰是我们需要去反思和超越的。在这种重新定义国家的努力中，正如Gupta所论证过的那样，行动者的国家理论是分层次的、多元化的，在行动者那里，并不存在一个统一的国家想象，国家的统一性是一个脆弱的表象。他特别重视具体行动者的历史和处境对其国家理论的影响，他认为只有将这种历史的维度纳入进来，才能理解行动者为何具有特定的国家理论。㊶可行的研究方案在于，对同质性较高的群体展开分析，分析特定群体的国家理论，最后才有可能做些抽象的工作。