0 引言

在近十年中，为了解决高维复杂问题而提出了许多元启发式算法.元启发式算法主要分为两种：第一种是进化算法，像遗传算法(Genetic Algorithm,GA)[1-2]，这些算法以达尔文的生物进化论为原则,在过去几年内得到迅速发展，且都具有一些特点，比如交叉算子和选择算子.第二种是像粒子群算法(Particle Swarm Optimization,PSO) [3-4]、人工蜂群算法(Artificial Bee Colony,ABC)和蝙蝠群算法(Bat Algorithm,BA)等群智能算法.蝙蝠群算法是一种新的启发式算法.定位回声是蝙蝠行为的一个重要特征.与其他优化技术相比，在处理复杂问题时蝙蝠群就显得较为活跃.蝙蝠群算法被用于微控制器、微处理机等.

教与学算法[5-6]是全局优化领域的一种新型的方法.教与学算法是以老师教和学生学为基本思想，以模拟传统的课堂上老师对学生的输出为原理.跟许多其他的全局优化算法不同，教与学算法不需要许多自定义的控制参数，这些参数都是由概率来决定的.所以在整个运行过程中，不需要为了提高算法性能而调整参数.教与学算法只需要控制公共的参数，比如种群大小，迭代次数等.因此是参数较少的方法[7].

教与学算法已经在许多约束和无约束的测试函数[8]中有比较好的测试结果.在多目标测试函数[9]和工程问题[10-12]中优化的效果也不错.教与学算法在解决同一基准函数时具有更高的成功率[13-15]，因此教与学算法被证明是一种有效的全局优化方法.

1 蝙蝠群算法与教与学算法

1.1 蝙蝠群算法

蝙蝠群算法是由yang[17-18]提出的一种新型的启发式优化算法.蝙蝠群的启发搜索(Bat Inspired Search,BIS)是最近才被提出来的，在搜索全局最优解时，新算法利用蝙蝠的回声定位行为.事实上，蝙蝠用很多种方法来发现它们周围的猎物.蝙蝠通过向空中发出脉冲利用声音的反射来捕捉猎物.一般的回声定位声波有三个重要特征：脉冲发射率、频率和响度.然后它们就会在大脑中收集和计算信息，随后在大脑中产生周围的虚拟图像.

一般来说，蝙蝠群的目的是知道最佳猎物的位置.事实上，每个蝙蝠都与搜索空间中的一个点有联系，每个蝙蝠的位置取决于发出声波的强度和频率.为了简化蝙蝠群算法，该算法侧重于蝙蝠的主要特征来加速寻找他们的猎物[19].事实上，人工蝙蝠群使用三个矢量：一是位置，二是速度，三是频率.所有的更新公式由以下式子迭代：

 

(1)

 

(2)

其中，是蝙蝠t+1代的位置，gbest是当前蝙蝠所能达到的最好位置，是当前所能找到的全局最优解.fi是第i个蝙蝠的频率，是蝙蝠的速度.

Step 2 求出算法的适应度值，找出gbest并且将种群分割;

蝙蝠的频率通过如下公式更新：

fi=fmin+(fmax-fmin)Bi,

(3)

其中，Bi是一个0到1之间的随机数.fmin和fmax是蝙蝠发出声波脉冲频率的最大值和最小值.

蝙蝠在接近猎物时会降低声音的响度，其更新公式如下[20-21]：

①治疗后复查血液流变学各指标,评价脑循环改善情况,内容包括全血高切黏度、全血低切黏度、血浆黏度、纤维蛋白原、血细胞比容;血液黏度采用毛细管粘度测量法,纤维蛋白原采用ELISA法测定,血细胞比容采用离心法测定。②分别评估治疗前后神经功能及生活能力,采用NIHSS评分评价神经功能缺损程度,采用日常生活能力量表(ADL)评价生活能力改善情况;③记录各项细胞因子变化,包括TNF-α、IL-1、SOD、MDA、NT-proBNP,TNF-α、IL-1评价全身炎症状况,采用ELISA法测定;SOD、MDA评价体内自由基水平,采用比色法测定;NT-proBNP评价病情严重程度,采用荧光免疫分析法测定。

xnew=xold+eAt,

(4)

步骤2 令粒子数n=1；

如果没有发现猎物，则蝙蝠的更新公式如下：

其实对于日常饮食来说，无论是白薯还是红薯，都非常适合在日常三餐中经常食用。含有丰富的膳食纤维和钾元素、维生素C，也是它们共同的优点。那么，怎样吃甘薯才能更加健康呢？

 

(5)

 

(6)

步骤7 d=d+1,如果d≤D,则转步骤4;

1.2 教与学算法

基本的教与学算法用两个阶段来影响种群寻找更好的解.将学生的成绩映射到搜索空间中，对每个学生进行评估，将成绩最好的学生作为老师，然后教其余的学生.学生们随机匹配、互相学习.

在教师阶段，教师必须是每一代中成绩最好的，然后教师来教剩下的学生，以提高学生的平均成绩.教师阶段的更新公式如下：

老年急性肠梗阻的发病机制较为复杂,常见病因包括腹外疝、肠粘连以及消化道肿瘤等等,临床表现为腹痛、呕吐、腹胀等症状,具有发病急,病情发展快的特点[4]。

xdifference,i=r1(xteacher-tfixmean)，

(7)

xnew,i=xi+xdifference,i，

(8)

其中，ri是0到1之间的随机数，xmean是所有学员的平均值，xteacher是老师，xnew,i表示学生经过老师教学后的知识水平,tfi是学习因子，其更新公式如下：

实验界面由4部分组成,对应简化模型的4个功能区,如图4所示,功能区(左上)模拟雷达目标搜索界面,功能区(右上)模拟表格显示界面,功能区(左下)模拟图标搜索点击界面,功能区(右下)模拟菜单状态显示界面.所有界面元素(文字、图标、图形符号)不针对任何现存显示界面,均为实验需求模拟制作.

tfi=round[1+rand(0,1)].

(9)

然后，对全体学员进行更新，更新规则如下：

if f(xnew)<f(xi),xi=xnew.

(10)

在学生阶段，在种群中，学生xi随机与学生xj配对，学生xi尽力向学生xj学习，其更新公式如下：

蒲琳忍不住给张盈盈说了两任酷帅男友的奇葩事，张盈盈思索后说：“也不能一叶障目，再交往几个说不定能遇上好的呢。”

xnew,i=

(11)

其中，xnew是向学生xj学习之后的学习成绩，ri是0到1之间的随机数.

然后，对全体学员进行更新，更新规则如下：

三是健全现代企业制度和公司法人治理结构。围绕健全现代企业制度，积极推动在产业集团及以下层级企业实施股权多元化改革。规范下属公司董事会、监事会、财务总监、国有产权代表工作程序及权责，逐步完善公司法人治理结构。大力推动企业改制上市和资本运营。燕塘乳业公司2014年在深交所挂牌上市，成为广东第一家上市乳品企业。广垦橡胶集团引进中国农业产业发展基金、中国信达资产管理公司等战略投资者。广垦畜牧集团完成了股份制改造。粤垦农业小额贷款公司引入中国人保资产管理公司参股。

if f(xnew)<f(xi),xi=xnew.

(12)

2 混合教与学算法的蝙蝠群算法

2.1 非线性递减的惯性权重与速度公式的更新

在蝙蝠群算法中，对于速度更新公式进行改进，对于较大的速度有利于全局搜索，能够跳出局部最优解.所以在算法前期需要较大的速度.但是在算法迭代后期，需要增强局部搜索能力，故速度要较小，有利于提高算法精度.因此惯性权重的调节对算法的作用特别关键.速度公式和惯性权重按下述方法更新：

 

(13)

 

(14)

2.2 非线性递减的教学因子

教学因子左右着学生的平均成绩，在教与学算法中，教学因子较小时，算法的全局搜索能力强，能够保持算法的多样性.当教学因子较大时，算法的局部搜索能力强，能够提高算法的计算精度.非线性递减的教学因子，在算法迭代过程中，能够自适应地调节教学因子的值.由以下表达式更新：

 

(15)

其中，tfmax和tfmin分别表示教学因子的最大值和最小值，tmax和ti为最大迭代次数和当前迭代次数.

步骤8 n=n+1,如果n≤N,则转步骤3;

2.3 种群的更新

将种群按照1∶3比例分割成两个种群，较小的种群按照改进的蝙蝠群来更新，较大的种群按照教与学算法来更新.在算法分别更新完成后，再将种群融合.这样迭代的好处在于可以提高算法的运行速度.

2.4 混沌Gauss映射

为了使算法在迭代后期仍然具有较好的多样性，本文采用混沌扰动，算法1如下：

步骤1 随机生成一个初始点x0，设最大混沌迭代次数为M，令m=1；

其中，e∈[-1,1]是感知其他蝙蝠发出声音的能力.At是所有蝙蝠所发出的响度的平均值.

步骤3 令维数d=1；

步骤4 根据Gauss映射[22]，用混沌方程计算混沌序列xd，即

  

xd=0, xn=0;1xn-1xn,xn∈(0,1).ìîíïïïï

(16)

步骤5 对第n个支配解的第d维进行混沌局部搜索，

四是为调解协议的全面履行提供了法律保障。人民调解协议一经司法确认，就具备了与民事判决书、调解书、裁定书同等的法律效力。如果一方当事人不履行协议，另一方即可向人民法院申请强制执行。由于“一站式”司法确认机制方便、快捷、及时和高效，为人民调解协议的全面履行，提供了更为坚实的法律保障。

xid=xid+α·β·xd,

(17)

其中α=rand,β=(-1)d;

步骤6 对超出边界的粒子进行处理;

传统的珩磨轮是由树脂结合剂和陶瓷磨料混合烧制而成的，赫美斯公司以PROFINE系列命名这类珩磨轮（图3）。然而，最新一代的直接传动的珩齿设备，使得采用陶瓷结合剂的珩磨轮成为可能。这一工艺，被称为“强力珩齿”，其使高效率地精密加工硬齿面齿轮成为可能。为了实现这一目标，赫美斯公司与相关大学机构以及机床设备制造商共同合作，开发出了CERFINE系列产品。

其中，是响度;是脉冲发射率.

来自香港旅游协会的资料表明,增加1美元在旅游宣传投资上,能使旅游收入增长123美元。近年来，柯村老区充分利用本区域优美生态环境，挖掘红色旅游资源，将“红”与“绿”灵活结合，加快统筹可持续发展的步伐。一个包含爱国主义教育、摄影、休闲、乡土情怀为一体的旅游目的地已初显成效，也成为皖南旅游的一大亮点和特殊。柯村老区若坚持把宣传红色资源作为重点，结合自然环境资源和人文历史资源，吸引更多游客旅游参观和企业投资，一定能够在很大程度上提升知名度，带动老区经济的发展。

步骤9 判断新生成的解是否为最优解;

步骤10 m=m+1，如果m≤M，则转步骤2，否则结束搜索.

2.5 算法总流程

Step 1 种群初始化;

每个人工蝙蝠的速度迭代过程如下：在初始化时，蝙蝠随机地均匀地分布在搜索空间中，初始速度为0，每个蝙蝠用速度更新公式来飞行并且蝙蝠的移动使周围的猎物减少.当猎物发出的声响大于蝙蝠的幅度和脉冲率时，猎物就会被检测到.蝙蝠的移动遵循一个简单的规则：要么继续它当前的路径，要么改变它的方向.

Step 3 对两个种群分别进行迭代;

Step 4 将种群融合，利用Gauss进行扰动，求得gbest;

可诱导表达IL-12的GPC3靶向性CAR-T细胞在免疫健全小鼠中的抗乳腺癌作用(刘 莹)(7):631

Step 5 若满足终止条件则跳出循环，否则转步骤2.

3 数值试验

3.1 参数设置

为了探究ITLBOBA的有效性、实用性和稳定性，给出6个测试函数进行测试，测试函数如表1所列.给出试验参数，如表2所列.将ITLBOBA与PSO、BA和KH做对比.

 

表1 测试函数

  

函数名函数表达式搜索范围最优值Spheref1(x)=∑Di=1x2i[-100,100]0Schwefel1.2f2(x)=∑Di=1∑ij=1xi()2[-100,100]0Schwefel2.21f3(x)=max(|xi|)[-100,100]0Ackleyf4(x)=20-20exp-0.21D∑Di=1x2iæèçöø÷-exp1D∑Di=1cos(2πx2i)()+e[-32.768,32.768]0Rastriginf5(x)=∑Di=1(x2i-10cos(2πxi)+10)[-5.12,5.12]0Griewankf6(x)=∑Di=1x2i4000-∏Di=1cosxii()+1[-600,600]0

 

表2 数值参数

  

算法参数值PSOSize=40,c1=c2=2BASize=40A0=2fmin=0,fmax=2,α=γ=0.9KHSize=40ct=0.5,wn=wf=0.9ITLBOBASize=40A0=2fmin=0,fmax=2,α=γ=0.9,tfmax=2,tfmin=1

所有的算法都是迭代1000次，独立运行30次所得，上述数据为平均值，所有的试验都是在同一台计算机中完成的.计算机的配置是3.2千兆赫四核处理器和2国标的内存在视窗7操作系统的Visual Studio 2010.

3.2 数值试验

表3，表4是该PSO、BA、KH和ITLBOBA独立运行30次得出的平均值.

根据表3,4可得，ITLBOBA明显优于PSO,BA和KH算法， PSO和BA明显陷入局部最优解.在求解时，ITLBOBA无论是精度还是稳定性都相对于其他算法好.显然，ITLBOBA的稳定性和鲁棒性明显优于其他3种算法.

轨道型电磁发射装置：也就是科幻电影中经常出现的轨道炮，实质上是一个单匝直流电动机。简单的磁轨炮主要由一对相互平行的导体轨道，可以在导轨间自由滑动的导体电枢(这里的电枢，实际上是引用了电动机中的名词)以及电源组成。通电后，脉冲电流从其中一个导轨流入，经过电枢，再从另一个导轨流出。电流流经导轨在两条导轨间产生竖直方向上的磁场，电枢在磁场中收到安培力(微观上解释为洛伦兹力)而被加速。由于电枢和导轨的直接接触在超高速时会对导轨产生严重的磨损和烧蚀，所以在这种情况下经常采用等离子体电枢。也是由于烧蚀，发射物质量不宜过大，这也限制了它发射大质量物体的能力。

 

表3 数值试验

  

算法SphereSchwefel1.2Schwefel2.21PSO7.39163.69×1021.11×102BA8.68×10-22.59340.5831KH1.80×10-42.17×10250.980ITLBOBA1.06×10-171.28×10-158.88×10-9

 

表4 数值试验2

  

算法AckleyRastriginGriewankPSO1.36430.96792.2032BA1.84×10-20.32610.2552KH0.51380.15530.2014ITLBOBA2.05×10-101.45×10-86.74×10-13

这四个算法的精度和收敛性比较如图1到6所示，在求解测试函数时，ITLBOBA明显提高了收敛速度，减少了计算量，并且在计算精度方面也有显著提升.

  

图1 4种算法在30维时对F1的收敛曲线

  

图2 4种算法在30维时对F2的收敛曲线

  

图3 4种算法在30维时对F3的收敛曲线

  

图4 4种算法在30维时对F4的收敛曲线

  

图5 4种算法在30维时对F5的收敛曲线

4 结束语

本文将惯性权重引入BA算法，改进了其速度更新公式，又引入了非线性递减策略和双种群策略，使得算法的全局和局部搜索能力增强.通过与PSO、BA和KH算法的比较，表明ITLBOBA更高效、稳定和精确度高.

新常态的背景下，以腾讯为例，探究信息化人力资源管理到大数据人力资源管理的演进过程中，数据管理转型是一种构建模式，需要在组织竞争的优势上进行验证，提升专业的技术性与复杂性，并在实践的过程中，帮助企业实现人力资源数据管理演进，并对大数据的挖掘、分类、预测等内容进行有效的分析与探究。将大数据新理念渗透到人力资源各个板块当中，实现用户和员工共同参与的开放性共享创新生态构建。

  

图6 4种算法在30维时对F6的收敛曲线

参考文献：

[1] BEN AMEUR M S, SAKLY A, MTIBAA A. Implementation of real coded Genetic Algorithms using FPGA technology[C]// International Multi-Conference on Systems, Signals & Devices. IEEE,2014:1-6.

[2] HOLLAND J H. Adaptation in natural and artificial systems[J]. Quarterly Review of Biology, 1975, 6(2):126-137.

[3] SHAIKH U T, KALWAR I H, MEMON T D, et al. Design of IIR Filter Using PSO Algorithm and its Implementation in FPGA[J]. Indian Journal of Science & Technology, 2017, 10(36):1-5.

[4] SHIH-AN L, CHEN-CHIEN HSU B, WONG C, et al. Hardware/software co-design for particle swarm optimization algorithm[J]. Information Sciences 181, Elsevier,2011(181):4582-4596.

[5] RAO R V, SAVSANI V J, VAKHARIA D P. Teaching-learning-based optimization: A novel method for constrained mechanical design optimization problems[J]. Computer-Aided Design,2011,43(3):303-315.

[6] RAO R V, SAVSANI V J, VAKHARIA D P. Teaching-Learning-Based Optimization: An optimization method for continuous non-linear large scale problems[J]. Information Sciences,2012,183(1):1-15.

[7] RAO R V, PATEL V. A multi-objective improved teaching-learning based optimization algorithm for unconstrained and constrained optimization problems[J]. International Journal of Industrial Engineering Computations,2014,5(1):1-22.

[8] LIU S H, MERNIK L. A note on teaching-learning-based optimization algorithm[J]. Elsevier Science Inc,2013,229:159-169.

[9] RAO R V, WAGHMARE G G. A comparative study of a teaching-learning-based optimization algorithm on multi-objective unconstrained and constrained functions[J]. Journal of King Saud University-Computer and Information Sciences,2014,36:332-346.

[10] RAO R V, KALYANKAR V D. Parameter optimization of modern machining processes using teaching-learning-based optimization algorithm[M]. London: Pergamon Press,2013.

[12] RAO R V, WAGHMARE G. Design optimization of robot grippers using teaching-learning-based optimization algorithm[J]. Advanced Robotics,2015,29(6):431-447.

[13] SAHU B K, PATI S, MOHANTY P K, et al. Teaching-learning based optimization algorithm based fuzzy-PID controller for automatic generation control of multi-area power system[J]. Applied Soft Computing Journal,2015,27(C):240-249.

[14] RAO R V, PATEL V. Comparative performance of an elitist teaching-learning-based optimization algorithm for solving unconstrained optimization problems[J]. International Journal of Industrial Engineering Computations,2013,4(1):629-640.

[15] RAO R V, PATEL V. An elitist teaching-learning-based optimization algorithm for solving complex constrained optimization problems[J]. International Journal of Industrial Engineering Computations,2012,3(4):535-560.

[16] WANG L, ZOU F, HEI X, et al. An improved teaching-learning-based optimization with neighborhood search for applications of ANN[J]. Neurocomputing,2014,143(16):231-247.

[17] YANG X S. A New Metaheuristic Bat-Inspired Algorithm[J]. Computer Knowledge & Technology,2010,284:65-74.

[18] YANG X. Bat algorithm for multi-objective optimisation[J]. International Journal of Bio-Inspired Computation,2012,3(5):267-274(8).

[19] MIRJALILI S, MIRJALILI S M, YANG X S. Binary bat algorithm[M]. London: Springer-Verlag,2014.

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

[21] YANG X S. A New Metaheuristic Bat-Inspired Algorithm[J]. Computer Knowledge & Technology,2010,284:65-74.

[22] LIU B, WANG L, JIN Y H, et al. Improved particle swarm optimization combined with chaos[J]. Chaos Solitons & Fractals,2005,25(5):1261-1271.