为提高量子粒子群算法的寻优能力，文中提出一种新的正态云模型自顺应变异量子粒子群算法。
该方法采用正态云模型优化策略，引入自身最差粒子和全局最差粒子，结合自身最优粒子和全局最优粒子自顺应调整势阱中心位置与收缩-扩张系数，每次迭代后生成的新粒子，以一定概率采用正态云模型对粒子进行变异操作。
最后标准函数极值优化的实验结果表明，该算法的单步迭代时间较长但优化能力较同类算法有大幅度提高。
该方法采用正态云模型优化策略，引入自身最差粒子和全局最差粒子，结合自身最优粒子和全局最优粒子自顺应调整势阱中心位置与收缩-扩张系数，每次迭代后生成的新粒子，以一定概率采用正态云模型对粒子进行变异操作。
最后标准函数极值优化的实验结果表明，该算法的单步迭代时间较长但优化能力较同类算法有大幅度提高。
2021/7/22 7:10:43
1.01MB
1
本文针对学生成绩定性评价问题，提出了一种基于梯形云理论的定性评价方法。
首先，将一门课程一组学生的历史成绩，用新的云变换算法，确定出学生成绩的每个定性概念所对应的梯形云数值区间，接着把需要评价的学生N次成绩看成云滴，依据逆向云生成器，计算出学生成绩云的特征值：期望值、熵、超熵，接着依据条件云生成器，计算出学生成绩与每个定性评价的隶属度值，最初运用隶属度最大值法确定出了学生成绩定性概念。
首先，将一门课程一组学生的历史成绩，用新的云变换算法，确定出学生成绩的每个定性概念所对应的梯形云数值区间，接着把需要评价的学生N次成绩看成云滴，依据逆向云生成器，计算出学生成绩云的特征值：期望值、熵、超熵，接着依据条件云生成器，计算出学生成绩与每个定性评价的隶属度值，最初运用隶属度最大值法确定出了学生成绩定性概念。
2022/9/6 18:42:13
720KB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB