基于双编码的重叠社团检测多目标优化方法

近年来,多目标进化方法已被广泛应用于重叠社团检测问题并取得了较好的社团划分性能.如何设计合适的个体编码以及进化策略是提高基于多目标进化重叠社团检测算法性能的重要因素.为此,本文设计了一种双编码表示方法对非重叠社团结构和重叠点分别进行编码,能够有效解码得到重叠社团结构.在双编码表示的基础上,本文提出了一种基于双编码的重叠社团检测多目标优化方法(DRMOEA).在DRMOEA中,为了获得好的初始个体并提高算法检测性能,本文提出了一种基于社团边界点的初始化策略.除此之外,针对双编码中的重叠点编码部分,本文提出了基于精英个体边界点的交叉策略,该策略利用社团边界信息引导种群向好的方向进化,从而有效提高了算法的检测性能.最后,在9个真实世界网络上的实验结果表明DRMOEA算法优于其他5个代表性重叠社团检测算法.     

试论21世纪的图书馆员继续教育

在美国，近几年新建的大学声称不再建漂亮的图书馆。美国国会图书馆也从以纸质载体为主走向“无纸图书馆”。许多设置图书馆学系（或学院）的大学或独立的大学（学院）已经改名或停办。在我国，许多高校原来的图书馆学系亦改名为信息管理系或合并后改为其它名称。资料显示...     

耐水型热塑性淀粉基生物降解复合材料的研究进展

淀粉由于来源广泛、价格低廉、可再生、可生物降解而被公认为最具发展前景的生物降解材料之一,但其力学性能易受环境湿度影响而降低,限制了其应用。将原淀粉/TPS进行物理或化学改性,或者与疏水性生物降解塑料共混是提高原淀粉/TPS耐水性的重要途径。主要综述了改善热塑性淀粉材料耐水性、提高力学性能的方法;另外,分别总结了国内外TPS/PLA、TPS/PCL和TPS/PBS共混材料研究进展及发展趋势。     

Zr对非晶Co-Si薄膜晶化和相变的影响

利用X射线衍射分析技术结合差示扫描量热仪,研究了Zr在Co-Si合金非晶薄膜晶化和相变过程中的作用.结果表明:溅射态非晶Co-Si薄膜和Co-Si-Zr薄膜在加热到950℃的过程中,均主要析出Co-Si和Co-Si2两种晶化相;Zr的加入增大了晶化激活能,抑制了晶化相的形核和长大,使薄膜能够在更高的温度范围保持稳定,但在高温800℃以上加热时,却使晶化相Co-Si向Co-Si2的转变加快.     

基于pairwise的改进ranking算法

传统基于pairwise的ranking算法，学习后得到的模型在用NDCG这样的ranking标准评价时效果并不好，对此提出了一种新型ranking算法。该算法也是使用样本对作为训练数据，但定义了一个面向NDCG评估标准的目标函数。针对此目标函数非平滑、难以直接优化的特点，提出使用割平面算法进行学习，不仅解决了上述问题，而且使算法迭代的次数不再依赖于训练样本对数。最后基于基准数据集的实验证明了算法的有效性。     

第四届ICAMS会议论文简介

先进材料与系统国际会议(ICAMS),是以制革及革制品生产、研发为主题的材料学会议。历届ICAMS会议均由欧洲国家主办,是欧洲制革工艺师与化学家研讨科研成果、交流热点问题的主要平台,也是欧洲制革及革制品研究领域最具权威性的学术会议。会议以"制革生产系统与先进材料研究"为主题,重点汇集欧洲制革领域的最新研究成果。本文首先对大会的特别专题‘欧洲制革行业与社会、环境关系研究’进行了详细的阐述,随后依据各专题特点,对部分研究进行了详细介绍,最后对本次会议的成果进行了总结。     

基于VB的电厂锅炉风速监测系统设计

针对电厂早期安装的性能相对落后、功能较简单的老式仪表系统已经不适应网络化的要求,文中采用了均压笛形管作为现场风速检测元件,通过ADAM4018数据采集单元和RS-485总线技术,采集锅炉一次风速数据传入控制室中的PC,使用VB编写整个监测软件,实现了在线风速监测,历史数据记录及查询,越限报警和故障记录等功能.     

CoSi2薄膜二维X射线衍射线形分析与表征

利用二维X射线衍射线形分析方法,分析了CoSi2薄膜材料的二维衍射线形．结果表明,薄膜中不同方位的衍射线形存在明显差异,主要与材料中晶粒尺寸及显微畸变的空间分布有关,其中沿薄膜法线方向上的晶粒尺寸最大,同时该方向的显微畸变最小．     

制备参数对磁控溅射CoSi2薄膜织构的影响

采用射频磁控溅射法溅射CoSi2合金靶材制备CoSi2薄膜,研究了制备参数对薄膜织构的影响。结果表明,CoSi2薄膜中存在(111)或(220)织构。织构的形成受溅射参数的影响。溅射功率越大,溅射气压越低,(111)织构越强烈。当基底温度增加时,织构经历了先增强后减弱的过程。     

基于项集归减的高维频繁高效用项集挖掘多目标优化方法

频繁高效用项集挖掘是数据挖掘的一项重要任务,挖掘到的项集由支持度和效用这2个指标衡量.在一系列用于解决这类问题的方法中,进化多目标方法能够提供1组高质量解以满足不同用户的需求,避免传统算法中支持度和效用的阈值难以确定的问题.但是已有多目标算法多采用0-1编码,使得决策空间的维度与数据集中项数成正比,因此,面对高维数据集会出现维度灾难问题.鉴于此,设计一种项集归减策略,通过在进化过程中不断对不重要项进行归减以减小搜索空间.基于此策略,进而提出一种基于项集归减的高维频繁高效用项集挖掘多目标优化算法(IR-MOEA),并针对可能存在的归减过度或未归减到位的个体提出基于学习的种群修复策略用以调整进化方向.此外还提出一种基于项集适应度的初始化策略,使得算法在进化初期生成利于后期进化的稀疏解.多个数据集上的实验结果表明,所提出算法优于现有的多目标优化算法,特别是在高维数据集上.