建模算法整理

news2024/12/25 2:31:14

优化

改进的蝙蝠算法

2022 E 2218144
使用背景:将每年砍伐树木比例定义为n,每年树木种植比例定义为m,设置一系列指标以及指标的加权计算方法(即函数F(X)的设定),寻找最优的n,m。
蝙蝠算法主要用于目标函数搜索,其特点是蝙蝠种群利用产生的声波搜索猎物并控制飞行方向以实现函数搜索。蝙蝠被用作基本单元,每个蝙蝠都有一个适应值来优化函数解空间。每只蝙蝠都可以调整自己发出的声波的响度和频率来搜索空间,从而使整个种群的活动逐渐从无序变为有序。
然而,bat算法在优化搜索结束时容易陷入局部极值。在本文中,我们引入了可变速度加权因子校正系数,以尽可能避免局部极值的困境,从而达到全局优化搜索的效果。
步骤1:初始化相关参数。蝙蝠的位置为Xi,飞行速度为Vi,声音响度为Ai,频率为yi,目标函数为F(Xi)(i=1,2,…,n)。
步骤2:改变脉冲频率产生的解,改变蝙蝠的位置和飞行速度。蝙蝠i在(t−1)时的位置和飞行速度分别按Xt−1 i和Vt−1 i表示。该组目前找到的最佳位置是X*。然后,根据猎物自身的声音搜索猎物,并通过接收反馈信息来调整位置xi和飞行速度v(i)。其飞行速度变化公式如下。
在这里插入图片描述
在这里插入图片描述

其中,w(t)是力矩可变速度惯性加权因子,其作用是使蝙蝠进行预搜索,为以后的搜索提供参考,wmax表示w(t的最大值,wmin表示w(t)的最小值;
在这里插入图片描述

灰狼优化算法(GWO)

2022 C 2224609
使用背景:该算法使用GWO智能优化算法来优化ARIMA算法中的参数(p, d,
q)。在深度学习中,决定性因素R2 是一个常用的指标。GWO-
ARIMA算法将不断优化R2 ,直到获得其最大值。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

遗传算法

2022 C 2212336
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

评价

TOPSIS

在这里插入图片描述
在这里插入图片描述

AHP-EWM(权重确定)

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

三维向量模型

基于多元线性回归的评估模型

2021 E 2123733
使用背景:在分析得到三个主成分并利用TOPSIS计算最终得分之后,分析发现最终得分与三个主成分之间存在线性关系,故利用OLS 普通最小二乘法对各个指标的相关洗漱进行求解,可以得到带有三个主成分指标的多元回归方程。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

数据包络分析(DEA)

在这里插入图片描述
CCR
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
BCC
在这里插入图片描述
在这里插入图片描述
DEA-Malmquist 指数模型
在这里插入图片描述
在这里插入图片描述

预测

LSTM

  • 设置周期T,利用前T天的数据预测T+1天的数据(滑动窗口)。
  • 优化随机梯度下降,如自适应动量估计算法(Adam)。

ARIMA

使用背景:预测评价类得分的未来几年的一个分数变化趋势,一般用于建议提出后是否使用建议的未来几年得分对比。

ARIMA-LSTM

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

分类

基于 Fisher 算法的判别归类

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

XGboost

在这里插入图片描述
在这里插入图片描述
贝叶斯优化调参的XGboost
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

支持向量机SVM

在这里插入图片描述
在这里插入图片描述
遗传算法/粒子群算法优化支持向量机
在这里插入图片描述
遗传算法优化:
在这里插入图片描述
粒子群优化:
在这里插入图片描述

聚类

在这里插入图片描述

聚类代码

系统聚类

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

kmeans++

在这里插入图片描述

OPTICS基于密度的聚类

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

Agglomerative层次聚类算法

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

图论

重新缩放的PageRank

2021 D 2101855

  1. 首先提取静态图结构网络,并且比较有向图与无向图间边的数量以及平均测地距离的差异。边缘数量之间的差异相当小,这表明音乐家之间的双向影响相当少。同时,有向图的平均距离远小于无向图表明,伟大的明星经常影响他人,而他们不容易受到他的年轻一代的影响,当代也很少相互影响。
  2. 引入初始的PageRank模型。
  3. 提出原始PageRank模型中存在的三个问题。(1)它忽略了网络的时间结构,这可能会产生不现实的特征。(2).PageRank的重新分布在时间上强烈偏向于旧节点,这使得新节点的PageRank得分接近0。(3)PageRank算法没有考虑一个追随者受不同影响者的影响程度不同。
  4. 为了解决问题(2),作者引入的相对位置,以此来减少对于旧结点的偏好。在这里插入图片描述
  5. 利用当前版本的PageRank模型进行一次影响力计算,并可视化前100位艺术家的流派与年份。
  6. 进行相似度度量。
  7. 通过艺术家之间的相似度量化影响,解决问题(3)。在这里插入图片描述
  8. 考虑影响者的滞后效应,解决问题(1)。在这里插入图片描述
  9. 利用最新的PageRank再次进行计算,可视化。

图卷积神经网络GCN

在这里插入图片描述
在这里插入图片描述

降维

Boruta特征选择

Boruta算法是一种特征选择方法,使用特征的重要性来选取特征,一般与随机森林、XGboost、GBDT结合使用。
python实现
在这里插入图片描述
在这里插入图片描述

LDA线性判别分析

因子分析

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

RDE(随机分布式嵌入)框架

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

决策

寡头竞争博弈模型

在这里插入图片描述
在这里插入图片描述

评估指标

Apriori关联规则挖掘

利用Apriori算法分析价格上涨与下跌之间的关联规则,找到连续上涨与下跌2-6次的频繁项目集,发现连续6天上涨的概率很小很小等等。

评价指标三种量化

在这里插入图片描述

贝叶斯误差率

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

傅里叶变换

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

参数检验与非参数检验

绘图

箱线图与散点图进行结合

在这里插入图片描述

计算机视觉

ResNet判别胡蜂

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

进一步扩展

自然语言处理情感分析

众所周知,股票市场很容易受到投资者情绪的影响。换句话说,任何关于比特币和黄金的事情都会触动投资者的神经,然后强烈地影响股票价格。因此,我们认为,我们应该找出一个反映市场情绪的因素。对于大多数投资者来说,新闻是他们获得有关比特币和黄金信息的最重要途径之一。 Francisca Adoma Acheampong的研究表明,使用自然语言处理(NLP),我们可以根据新闻文章来检测情绪。我们相信这是改进我们模型的一个好方法。
接下来制定与新闻关键字相关的指标,计算皮尔逊乘积相关系数来分析价格与情感之间的关联性。

划分优先级提高效率

在这里插入图片描述
在这里插入图片描述

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/374621.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

算法leetcode|38. 外观数列(多语言实现)

文章目录38. 外观数列:样例 1:样例 2:提示:分析:题解:rustgocpythonjava38. 外观数列: 给定一个正整数 n ,输出外观数列的第 n 项。 「外观数列」是一个整数序列,从数字…

【C++】map和set的封装(红黑树)

map和set的封装一、介绍二、stl源码剖析三、仿函数获取数值四、红黑树的迭代器五、map的[]5.1 普通迭代器转const迭代器六、set源码七、map源码八、红黑树源码一、介绍 首先要知道map和set的底层都是用红黑树实现的 【数据结构】红黑树 set只需要一个key,但是map既…

分布式-分布式消息笔记

消息队列应用场景 消息队列 消息队列是进程之间的一种很重要的通信机制。参与消息传递的双方称为生产者和消费者,生产者和消费者可以只有一个实例,也可以集群部署。 消息体是参与生产和消费两方传递的数据,消息格式既可以是简单的字符串&am…

MYSQL安装部署 - Linux 本地安装及卸载

声明 :# 此次我们安装的 MYSQL 版本是 8.0.32 版本我们本次安装 MYSQL 总共要介绍 四种方式# 仓库安装# 本地安装# 容器安装# 源码安装我们本篇介绍的是 本地安装 我们还是去官网下载 :我们就是找着 .bundle.tar 这个包,里面就包含了所有 mys…

功率信号源有什么作用和功能呢

功率信号源是指集信号发生器与功率放大器为一体的电子测量仪器,它具有高电压、大功率的特点,在电子实验室中能够帮助用来驱动压电陶瓷、换能器以及电磁线圈等,可以有效的帮助电子工程师解决驱动负载和放大功率的问题。功率信号源和功率放大器…

过滤器,监听器,拦截器的原理与在Servlet和Spring的应用

在Java Web的开发中,最原始和初期的学习都是从Servlet开始的,Servlet是Java最为耀眼的技术,也是Java EE的技术变革。目前大火主流的框架spring boot也的spring mvc部分也是基于拓展servlet完成的。回到之前的文章spring 实现了对servlet的封装…

SQL语句大全(详解)

SQL前言1 DDL1.1 显示所包含的数据库1.2 创建数据库1.3 删除数据库1.4 使用数据库1.4.1 创建表1.4.2 查看表的结构1.4.3 查看当前数据库下的所有表1.4.4 基础的增删改查1.4.4.1 删除表1.4.4.2 添加列1.4.4.3 修改表名1.4.4.4 修改数据类型1.4.4.5 修改列名和数据类型2 DML2.1 给…

http协议简介

http 1.简介 超文本传输协议(HTTP,HyperText Transfer Protocol)是互联网上应用最为广泛的一种网络协议。所有的WWW文件都必须遵守这个标准。设计HTTP最初的目的是为了提供一种发布和接收HTML页面的方法。1960年美国人Ted Nelson构思了一种通过计算机处…

Python实现GWO智能灰狼优化算法优化循环神经网络分类模型(LSTM分类算法)项目实战

说明:这是一个机器学习实战项目(附带数据代码文档视频讲解),如需数据代码文档视频讲解可以直接到文章最后获取。1.项目背景灰狼优化算法(GWO),由澳大利亚格里菲斯大学学者 Mirjalili 等人于2014年提出来的一种群智能优…

【玩转c++】git的安装和使用以及可视化处理

本期主题:git的安装和使用(windows环境)博客主页:小峰同学分享小编的在Linux中学习到的知识和遇到的问题 小编的能力有限,出现错误希望大家不吝赐1.两个工具介绍第一个工具git,链接gitee或者github等代码托…

B端产品经理如何做好客户访谈?

用户访谈的价值我们在做用户研究的时候,经常会采用问卷调查和数据分析等定量的研究方法,从中我们可以搜集很多有价值的数据。但是,这些数据往往只停留在表层,没有办法基于用户的场景了解用户行为动机及诉求,很难找到用…

MySql的安装

版本选择 MySql目前使用最稳定的版本为5.7系列版本,尝鲜可以直接去官网链接整最新版本哦 本文使用8.0.32版本,注意这里看一下电脑位数,现在个人电脑一般都是64bit 点击223.6M那个压缩包开始下载,下面那个压缩包包含了测试相关内容一般是不需要的 这里有时会提示要你登录账户…

【REACT-@reduxjs/toolkit+react-redux+redux-persist状态管理】

REACT-reduxjs/toolkitreact-reduxredux-persist状态管理1. 依赖包安装2. 目录结构3. 修改Index.js4. createSlice()4.1 action处理4.1.1 创建collapsedSlice4.1.2 使用collapsedSlice4.2 异步action处理4.2.1 使用redux-thunk方式处理异步4.2.1.1 创建a…

Java+MySQL汽车租赁管理系统课程设计

wx供重浩:创享日记 对话框发送:汽车租赁系统 获取完整源码源文件视频演示文档资料等 一、 课程设计目的 1、综合运用Java程序设计课程和其他相关课程的理论和知识,掌握面向对象程序设计的一般方法、常用技术及技巧,树立良好的软件…

MongoDB安装(新版本保姆级教程)

前言MongoDB 是一个文档数据库,旨在简化开发和扩展。本篇文章介绍MongoDB 数据库及其 可视化工具 MongoDB Compass 的详细教程 (window10操作系统)下载安装包首先进入官网(社区版) ,在对应页面选择需要安装的版本 (这里下载当前适合版本号)传送门安装因为…

CRI-O, Containerd, Docker, Postman等概念介绍

参考:Docker,containerd,CRI,CRI-O,OCI,runc 分不清?看这一篇就够了Docker, containerd, CRI-O and runc之间的区别? Docker、Podman、Containerd 谁才是真正王者?CRI-O …

最简单的代码生成器,smartsofthelp netframework ,EF 架构

1.原生 sql操作公共类 dbhelper2.model 带注释的实体3.EF功能访问调用类3.EFData EF数据接口层4.UI展示层数据库脚本 自动生成Model /// <summary>/// Model实体层 /// </summary>namespace Smart.Model{/// <summary>/// 数据实体层 T_Eventsmart 投屏事件/…

CI/CD | 深入研究Jenkins后,我挖掘出了找到了摆脱低效率低下的方法

在本系列的第一篇文章中&#xff0c;您已经了解了一些关于如何管理Jenkins的内容&#xff0c;主要是为无序的人带来秩序。在这篇文章中&#xff0c;我将更深入地探讨我效率低下的问题&#xff0c;提出我们工作流中一些安全性、治理和合规性的挑战。这不仅仅是你在网站上或展览横…

从此不怕被盗号:教你如何用 Python 制作一个密码生成器

原由&#xff1a; 定期更换密码是一种非常重要的安全措施&#xff0c;这种做法可以有效地保护你的账户和个人信息不受黑客和网络攻击者的侵害。 密码泄露是一个非常普遍的问题&#xff0c;许多人的账户和密码经常会被泄露出来&#xff0c;导致个人信息被盗用、金融损失、恶意…

hive建分区表,分桶表,内部表,外部表

hive建分区表&#xff0c;分桶表&#xff0c;内部表&#xff0c;外部表 一、概念介绍 Hive是基于Hadoop的一个工具&#xff0c;用来帮助不熟悉 MapReduce的人使用SQL对存储在Hadoop中的大规模数据进行数据提取、转化、加载。Hive数据仓库工具能将结构化的数据文件映射为一张数…