灰 狼 优 化 算 法 ( G W O ) 原 理 ( 2 0 2 0 )

第１３卷㊀第４期Ｖｏｌ．１３Ｎｏ．４㊀㊀智㊀能㊀计㊀算㊀机㊀与㊀应㊀用ＩｎｔｅｌｌｉｇｅｎｔＣｏｍｐｕｔｅｒａｎｄＡｐｐｌｉｃａｔｉｏｎｓ㊀㊀２０２３年４月㊀Ａｐｒ．２０２３㊀㊀㊀㊀㊀㊀文章编号：２０９５－２１６３（２０２３）０４－００７８－０７中图分类号：ＴＰ１８文献标志码：Ａ基于旋转状态转移的麻雀搜索算法刘西全，周新志（四川大学电子信息学院，成都６１００６５）摘㊀要：针对现有的麻雀搜索算法（ＳＳＡ）在接近全局最优时，种群多样性减少，容易陷入局部最优等问题，提出一种精英旋转策略的麻雀搜索优化算法（ＲＬＳＳＡ）㊂首先，对麻雀种群中发现者进行旋转状态转移变换，以提高算法的局部搜索能力，提高算法的搜索精度㊂其次，对加入者引入基于莱维飞行的搜索策略，提高算法的全局搜索能力，同时引入贪婪算法搜索寻优策略㊂最后，在１２个基础函数上进行仿真实验㊂实验结果表明上述方法在收敛速度和精度上有显著优势㊂关键词：麻雀搜索算法；旋转状态转移；莱维飞行；贪婪寻优策略ＳｐａｒｒｏｗｓｅａｒｃｈａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｒｏｔａｔｉｏｎａｌｓｔａｔｅｔｒａｎｓｉｔｉｏｎＬＩＵＸｉｑｕａｎ，ＺＨＯＵＸｉｎｚｈｉ（ＣｏｌｌｅｇｅｏｆＥｌｅｃｔｒｏｎｉｃｓａｎｄＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＳｉｃｈｕａｎＵｎｉｖｅｒｓｉｔｙ，Ｃｈｅｎｇｄｕ６１００６５，Ｃｈｉｎａ）ʌＡｂｓｔｒａｃｔɔＡｉｍｉｎｇａｔｔｈｅｐｒｏｂｌｅｍｓｔｈａｔｔｈｅｅｘｉｓｔｉｎｇｓｐａｒｒｏｗｓｅａｒｃｈａｌｇｏｒｉｔｈｍ（ＳＳＡ）ｉｓｃｌｏｓｅｔｏｔｈｅｇｌｏｂａｌｏｐｔｉｍｕｍ，ｔｈｅｐｏｐｕｌａｔｉｏｎｄｉｖｅｒｓｉｔｙｄｅｃｒｅａｓｅｓａｎｄｉｔｉｓｅａｓｙｔｏｆａｌｌｉｎｔｏｔｈｅｌｏｃａｌｏｐｔｉｍｕｍ，ａｓｐａｒｒｏｗｓｅａｒｃｈｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍ（ＲＬＳＳＡ）ｗｉｔｈｅｌｉｔｅｒｏｔａｔｉｏｎｓｔｒａｔｅｇｙｉｓｐｒｏｐｏｓｅｄ．Ｆｉｒｓｔｌｙ，ｔｈｅｒｏｔａｔｉｏｎａｌｓｔａｔｅｔｒａｎｓｉｔｉｏｎｔｒａｎｓｆｏｒｍａｔｉｏｎｏｆｔｈｅｄｉｓｃｏｖｅｒｅｒｉｎｔｈｅｓｐａｒｒｏｗｐｏｐｕｌａｔｉｏｎｉｓｃａｒｒｉｅｄｏｕｔｔｏｉｍｐｒｏｖｅｔｈｅｌｏｃａｌｓｅａｒｃｈａｂｉｌｉｔｙｏｆｔｈｅａｌｇｏｒｉｔｈｍａｎｄｉｍｐｒｏｖｅｔｈｅｓｅａｒｃｈａｃｃｕｒａｃｙｏｆｔｈｅａｌｇｏｒｉｔｈｍ．Ｓｅｃｏｎｄｌｙ，ｔｈｅｓｅａｒｃｈｓｔｒａｔｅｇｙｂａｓｅｄｏｎＬｅｖｙｆｌｉｇｈｔｉｓｉｎｔｒｏｄｕｃｅｄｔｏｔｈｅｊｏｉｎｅｒｓ，ｗｈｉｃｈｉｍｐｒｏｖｅｓｔｈｅｇｌｏｂａｌｓｅａｒｃｈａｂｉｌｉｔｙｏｆｔｈｅａｌｇｏｒｉｔｈｍ，ｍｅａｎｗｈｉｌｅｉｎｔｒｏｄｕｃｅｓｔｈｅｇｒｅｅｄｙａｌｇｏｒｉｔｈｍｓｅａｒｃｈｏｐｔｉｍｉｚａｔｉｏｎｓｔｒａｔｅｇｙ．Ｆｉｎａｌｌｙ，ｓｉｍｕｌａｔｉｏｎｅｘｐｅｒｉｍｅｎｔｓａｒｅｃａｒｒｉｅｄｏｕｔｏｎ１２ｂａｓｉｃｆｕｎｃｔｉｏｎｓ．Ｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅａｂｏｖｅｍｅｔｈｏｄｈａｓｓｉｇｎｉｆｉｃａｎｔａｄｖａｎｔａｇｅｓｉｎｃｏｎｖｅｒｇｅｎｃｅｓｐｅｅｄａｎｄａｃｃｕｒａｃｙ．ʌＫｅｙｗｏｒｄｓɔｓｐａｒｒｏｗｓｅａｒｃｈａｌｇｏｒｉｔｈｍ；ｒｏｔａｔｉｏｎａｌｓｔａｔｅｔｒａｎｓｉｔｉｏｎ；Ｌｅｖｙｆｌｉｇｈｔ；ｇｒｅｅｄｙｏｐｔｉｍｉｚａｔｉｏｎｓｔｒａｔｅｇｙ基金项目：中国民用航空局民航联合研究基金（Ｕ１９３３１２３）㊂作者简介：刘西全（１９９５－），男，硕士研究生，主要研究方向：智能信息处理；周新志（１９６６－），男，博士，教授，主要研究方向：信息感知与机器学习㊁智能优化决策与智能系统等㊂通讯作者：周新志㊀㊀Ｅｍａｉｌ：ｘｚ．ｚｈｏｕ＠ｓｃｕ．ｅｄｕ．ｃｎ收稿日期：２０２２－１１－０２０㊀引㊀言近年来，群体智能优化算法在智能机器学习上被广泛应用，群体智能优化算法主要是模仿昆虫㊁动物㊁鱼类㊁鸟类的群体行为㊁根据其觅食行为启发而提出的算法［１］㊂如粒子群优化算法［２］（ＰＳＯ）㊁蚁群优化算法［３］（ＡＣＯ）㊁灰狼优化算法［４］（ＧＷＯ）㊁天鹰优化器［５］（ＡＯ）和麻雀搜索算法［６］（ＳＳＡ）等㊂其中，麻雀搜索算法是在２０２０年由薛建凯提出的一种新型智能优化算法，是通过模拟麻雀在自然界的捕食行为来进行研究与开发的㊂与其他智能优化算法相比，ＳＳＡ具有调节参数少㊁搜索精度高㊁收敛速度快㊁稳定性强等优势㊂然而，在ＳＳＡ收敛过程中，却存在容易陷入局部最优㊁收敛停滞等问题，直接影响算法的优化效果㊂为了提高麻雀优化算法（ＳＳＡ）的性能，国内外学者提出了许多改进方法㊂研究发现初始种群对寻优结果有至关重要的作用㊂为了优化初始种群，吕鑫等学者［７］㊁Ｌｉｕ等学者［８］分别提出ｔｅｎｔ混沌映射和改进Ｃｉｒｃｌｅ混沌映射对初始种群进行优化㊂钱敏等学者［９］在麻雀初始化种群个体位置时引入反向学习策略，以提高寻优前期麻雀种群整体质量，加快全局搜索速度㊂Ｏｕｙａｎｇ等学者［１０］提出一种自适应搜索策略以提高局部搜索能力，避免种群陷入局部最优㊂Ｍａ等学者［１１］在文章中引用三角相似理论设计了相似扰动函数，提高算法的搜索能力㊂Ｌｉａｎｇ等学者［１２］对算法的边界约束进行改进以提高算法的收敛精度㊂毛清华等学者［１３］通过引入柯西变异算子，来增强算法越出局部最优空间的能力㊂１㊀麻雀搜索算法在ＳＳＡ中，麻雀种群可分为３类，分别为：发现者㊁加入者㊁警戒者㊂其中，发现者为整个种群提供丰富食物的方向与位置；跟随者是根据发现者提供的食物方向与位置进行食物的搜索；警戒者是为整个种群提供警戒侦察，一旦发现捕食者，群体边缘麻雀则向安全区域移动获取食物㊂（１）发现者㊂在ＳＳＡ中，发现者往往根据其自身的更高适应度发挥领导作用，其位置更新策略如下：Ｘｔ＋１ｉ＝Ｘｔｉ㊃ｅｘｐ－ｉα㊃Ｍæèçöø÷㊀ｉｆＲ２＜ＳＴＸｔｉ＋Ｑ㊃Ｌ㊀㊀㊀ｉｆＲ２＞ＳＴìîíïïï（１）㊀㊀其中，Ｘｔｉ表示第ｔ代第ｉ个麻雀的位置；ｔ是当前算法的迭代次数；Ｍ是最大迭代次数；α是（０，１］之间的均匀随机数；Ｌ是大小为１∗ｄ的矩阵；Ｑ是服从标准正态分布的随机数；Ｒ２和ＳＴ分别为警戒值和安全值㊂当Ｒ２＜ＳＴ时，表示麻雀目前的觅食行为中没有出现捕食者，可以在周围加大搜索范围，当Ｒ２＞ＳＴ时，表示出现捕食者，需要离开此收缩范围，并对同伴进行报警㊂（２）加入者㊂加入者跟随发现者，一旦其发现其寻到更好的食物，则会离开现在位置去争夺食物，其更新策略如下：Ｘｔ＋１ｉ＝Ｑ㊃ｅｘｐＸｔｗｏｒｓｔ－Ｘｔｉｉ２æèçöø÷㊀㊀㊀㊀ｉｆｉ＞ｎ２Ｘｔ＋１ｐ＋Ｘｔｉ－Ｘｔ＋１ｐ㊃Ａ＋㊃Ｌ㊀ｏｔｈｅｒｗｉｓｅìîíïïïï（２）其中，Ｘｔｗｏｒｓｔ表示第ｔ代时麻雀的最差位置；Ｘｔ＋１ｐ是ｔ＋１代时麻雀的最优位置；矩阵Ａ是１ˑｄ的矩阵，其值为１或－１㊂如果ｉ＞ｎ２，表示第ｉ个麻雀在此搜索范围内获取食物失败，需要前往其他地方觅食；反之，麻雀继续在此范围内觅食㊂（３）警戒者㊂警戒者为麻雀种群提供危险预知，其更新策略如下：㊀Ｘｔ＋１ｉ＝Ｘｔｂｅｓｔ＋β㊃Ｘｔｉ－Ｘｔｂｅｓｔ㊀㊀ｉｆｆｉ＞ｆｇＸｔｉ＋Ｋ㊃Ｘｔｉ－Ｘｔｗｏｒｓｔｆｉ－ｆｗ()＋εæèçöø÷㊀ｉｆｆｉ＝ｆｇìîíïïïï（３）其中，Ｘｔｂｅｓｔ表示第ｔ代麻雀的最优值；β是随机的步长因子，服从标准正态分布；Ｋ表示麻雀的运动方向，是［－１，１］的随机数；ｆｇ和ｆｗ分别是最优和最差适应度值；ε是一个极小的常数，防止分母出现零值㊂若ｆｉ＞ｆｇ，则表示警戒麻雀在麻雀搜索种群的边缘，随时受到捕食者的袭击，因此需要前往麻雀种群范围内觅食，反之则表示警戒者已经靠近安全麻雀种群内觅食㊂２㊀改进的麻雀搜索算法２．１㊀精英旋转搜索策略状态转移算法［１４］（ＳｔａｔｅＴｒａｎｓｉｔｉｏｎＡｌｇｏｒｉｔｈｍ，ＳＴＡ）是由周晓君等学者于２０１２年提出的一种全局优化算法，包括旋转㊁平移㊁伸缩㊁坐标四种状态转移的变换，旋转状态转移变换的数学模型如下：ｓｋ＋１＝ｓｋ＋α㊃１ｎ㊃ ｓｋ ２㊃Ｒｒ㊃ｓｋ（４）其中，ｎ表示计算维度；α为旋转因子，表示在半径为α的半径范围内寻找下一组最优解；Ｒｒ是［－１，１］的随机数；㊃表示向量的二范数㊂由于麻雀发现者在新一代的探索中是随机状态，脱离上一代的最优种群，容易陷入局部最优㊂因此，本文对精英麻雀发现者进行旋转状态转移变换，增加麻雀的种群多样性，经状态转移后的新种群为：ｎｅｗＸｔ＋１ｉ＝Ｘｔｂｅｓｔ＋α㊃１ｄ㊃Ｘｔｂｅｓｔ２㊃Ｒｒ㊃Ｘｔｂｅｓｔ（５）２．２㊀融合莱维飞行的搜索策略莱维飞行是服从莱维分布的一种随机搜索方法，是一种短距离的搜索与偶尔较长距离的行走相间的行走方式，从而促使莱维飞行具有良好的全局搜索能力，莱维飞行的位置更新公式为：Ｘｔ＋１ｉ＝Ｘｔｉ＋δ Ｌｅｖｙβ()（６）㊀㊀其中，δ表示步长大小，δ＞０，通常设置为δ＝１； ⊕ 表示点对点乘法；Ｌｅｖｙ（β）表示服从莱维分布的路径，并且满足：Ｌｅｖｙ ｕ＝ｔ－β㊀１＜λɤ３（７）㊀㊀使用Ｍａｎｔｅｇｎａ方法来生成莱维飞行的随机步长ｓ为：ｓ＝ｕｖ１β（８）ｕ Ｎ０，δ２ｕ()，ｖ Ｎ０，δ２ｖ()（９）δｕ＝Γ１＋β()ｓｉｎπβ／２Γ１＋β()／２[]β㊃２（β－１）／２{}１β，δｖ＝１（１０）㊀㊀在这里，β设置为１．９５㊂本文采用莱维飞行搜索策略进行全局探测，使得全部麻雀个体广泛分布在整个搜索空间中，提高全体９７第４期刘西全，等：基于旋转状态转移的麻雀搜索算法麻雀的全局搜索能力㊂经过对麻雀加入者位置适应度值较优的个体进行莱维扰动后，得到的新种群为：ｎｅｗＸｔ＋１ｉ＝Ｘｔｉ１＋ｓ()（１１）２．３㊀贪婪算法寻优虽然旋转状态转移和莱维飞行可以实现位置的更新，但是其无法保证得到的新解较原解更优，因此对新解和原解的适应度值进行比较，通过贪婪算法机制来保留最优的适应度值和解㊂具体公式如下：Ｘｔｉ＝Ｘｔｉ㊀㊀ｆｉｔｎｅｗＸｔｉ()＞ｆｉｔＸｔｉ()ｎｅｗＸｔｉ㊀ｆｉｔｎｅｗＸｔｉ()＜ｆｉｔＸｔｉ(){（１２）２．４㊀ＲＬＳＳＡ算法流程ＲＬＳＳＡ算法引入旋转状态转移和莱维分布，增加了种群的多样性，提高算法搜索精度㊁收敛速度，算法实现流程见如下：（１）初始化种群㊂参数主要包括：麻雀的种群规模Ｎ，迭代次数Ｍ，发现者和警戒者的比例，目标函数ｆｉｔ，麻雀算法的搜索边界范围Ｌｂ和Ｕｂ㊂（２）初始化适应度值，并排序，得出最优适应度值ｆｇ和最差适应度值ｆｗ及其各自的种群位置Ｘｔｂｅｓｔ㊁Ｘｔｗｏｒｓｔ㊂（３）根据式（１）更新发现者的位置，根据式（５）得到经旋转策略变换的位置㊂（４）根据式（２）更新加入者位置，根据式（１１）得到莱维飞行扰动的位置㊂（５）根据式（３）更新警戒者位置㊂（６）一次迭代结束，计算适应度值，并根据式（１２）选择新一代的适应度值和麻雀位置㊂（７）根据当前麻雀种群状态，计算最优适应度值ｆｇ和最差适应度值ｆｗ及其各自的种群位置Ｘｔｂｅｓｔ㊁Ｘｔｗｏｒｓｔ㊂（８）判断算法是否满足最大迭代次数，满足则退出，输出结果，否则重复执行步骤３ ７㊂３㊀实验结果及分析３．１㊀实验设计为了验证ＲＬＳＳＡ的有效性和优越性，采用基准测试函数进行仿真实验，见表１㊂表１㊀基准测试函数Ｔａｂ．１㊀Ｂｅｎｃｈｍａｒｋｆｕｎｃｔｉｏｎｓ类型测试函数维度搜索范围最优值单峰测试函数Ｆ１＝ðｎｉ＝１ｘ２ｉ３０－１００，１００[]０Ｆ２＝ðｎｉ＝１ｘｉ＋ᵑｎｉ＝１ｘｉ３０－１０，１０[]０Ｆ３＝ðｎｉ＝１１００ｘｉ＋１－ｘ２ｉ()２＋ｘｉ－１()２[]３０－３０，３０[]０Ｆ４＝ðｎｉ＝１ｘｉ＋０．５()２３０－１００，１００[]０多峰测试函数Ｆ５＝ðｎｉ＝１－ｘｉｓｉｎ㊀ｘｉ３０－５００，５００[]－１２５６９．４８７Ｆ６＝ðｎｉ＝１ｘ２ｉ－１０ｃｏｓ２πｘｉ()[]＋１０３０－５．１２，５．１２[]０Ｆ７＝－２０ｅｘｐ－０．２㊀１ｎðｎｉ＝１ｘ２ｉ()－ｅｘｐ１ｎðｎｉ＝１ｃｏｓ２πｘｉ()()＋２０＋ｅ３０－３２，３２[]０Ｆ８＝１４０００ðｎｉ＝１ｘ２ｉ－ᵑｎｉ＝１ｃｏｓｘｉ㊀ｉæèçöø÷＋１３０－６００，６００[]０固定多峰测试函数Ｆ９＝１５００＋ð２５ｊ＝１１ｊ＋ð２ｉ＝１ｘｉ－ａｉｊ()６æèçöø÷－１２－６５，６５[]１Ｆ１０＝ð１１ｉ＝１ａｉ－ｘ１ｂ２ｉ＋ｂ１ｘ２()ｂ２ｉ＋ｂ１ｘ３＋ｘ４[]２４－５，５[]３．０７ˑｅ－４Ｆ１１＝－ð４ｉ＝１ｃｉｅｘｐ－ð６ｊ＝１ａｉｊｘｊ－Ｐｉｊ()２()６０，１[]－３．３２Ｆ１２＝ð１０ｉ＝１Ｘ－ａｉ()Ｘ－ａｉ()Ｔ＋ｃｉ[]－１４０，１０[]－１０．５３６３０８智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀㊀㊀表１中，Ｆ１ Ｆ４为单峰测试函数，用来测试函数的收敛速度和精度；Ｆ５ Ｆ８为多峰测试函数，主要用来测试算法跳出局部最优的能力；Ｆ９ Ｆ１２为固定维多峰测试函数，这类函数主要表现为工程优化问题㊂为了验证算法的有效性和优越性，将本文改进后的旋转麻雀算法（ＲＬＳＳＡ）与ＧＷＯ㊁ＷＯＡ㊁ＰＳＯ㊁ＳＳＡ及一种基于相似变换改进的麻雀搜索算法ＥＭＳＳＡ进行对比求解实验㊂㊀㊀图１为部分函数的三维图，依次分别为Ｆ１㊁Ｆ２㊁Ｆ５㊁Ｆ８㊁Ｆ９㊁Ｆ１２㊂2.01.51.00.5-100-80-60-40-20020406080100x 2F 1（x 1,x 2）/104-80-60-40-20020406080100x 1100008000600040002000-100-80-60-40-20020406080100x 2F 2（x 1,x 2）-80-60-40-20020406080100x 1（ａ）Ｆ１㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀（ｂ）Ｆ２-500-400-300-200-1000100200300400500-400-300-200-1000100200300400500x 1x 28006004002000-200-400-600-800F 5（x 1,x 2）1401201008060402001086420-2-4-6-8-10-8-6-4-20246810x 1x 2F 8（x 1,x 2）（ｃ）Ｆ５㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀（ｄ）Ｆ８450400350300250200150100500-100-80-60-40-20020406080100-80-60-40-20020406080100F 9（x 1,x 2）x 2x 10-0.1-0.2-0.3-0.4-0.55F 12（x 1,x 2）x 243210-1-2-3-4-5-4-3-2-1012345x 1（ｅ）Ｆ９㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀（ｆ）Ｆ１２图１㊀函数三维图Ｆｉｇ．１㊀Ｔｈｒｅｅ－ｄｉｍｅｎｓｉｏｎａｌｄｉａｇｒａｍｏｆｆｕｎｃｔｉｏｎｓ３．２㊀仿真实验结果及分析本实验是在Ｗｉｎｄｏｗｓ１０系统，Ｉｎｔｅｌ（Ｒ）Ｃｏｒｅ（ＴＭ）ｉ５－６２－－ＵＣＰＵ＠２．３０ＧＨｚ，内存８．００ＧＢ，ＭａｔｌａｂＲ２０１６ａ的环境下进行的，实验种群规模Ｎ＝１８第４期刘西全，等：基于旋转状态转移的麻雀搜索算法３０，最大迭代次数Ｍ＝５００，发现者和警戒者的比例分别为２０％和１０％，每个目标函数的维度ｄ和边界Ｌｂ和Ｕｂ由表１中给出㊂考虑到每次算法寻优都具有偶然性，所以对每个基准函数都运行３０次寻优运算，由此计算出的平均值和标准差作为最终的评价指标㊂表２和表３分别给出了１２个基准测试函数在ＧＷＯ㊁ＷＯＡ㊁ＰＳＯ㊁ＳＳＡ㊁ＥＭＳＳＡ㊁ＲＬＳＳＡ优化算法后的均值和方差㊂表２㊀基准测试函数优化结果均值比较Ｔａｂ．２㊀Ｃｏｍｐａｒｉｓｏｎｏｆｔｈｅｍｅａｎｏｆｔｈｅｏｐｔｉｍｉｚａｔｉｏｎｒｅｓｕｌｔｓｏｆｔｈｅｂｅｎｃｈｍａｒｋｆｕｎｃｔｉｏｎｓ函数ＧＷＯＷＯＡＰＳＯＳＳＡＥＭＳＳＡＲＬＳＳＡＦ１９．９６２Ｅ－２８９．８６１Ｅ－７４０．０００１５５４５１．５８９Ｅ－６９０１．５７Ｅ－３０１Ｆ２７．９１８Ｅ－１７６．１６６Ｅ－５２０．０３４５７２４５８．０４９Ｅ－３１００Ｆ３２６．９１６２７４６０２８．０９７１７８３０９５．６６７８９４２０２．８８７Ｅ－０５０．０００１２４７８２．４３７Ｅ－０５Ｆ４０．９３８２４４７２０．４５４７２０５２０．０００２１２４９２．２０３Ｅ－１１３．０２０Ｅ－０７７．１８１Ｅ－０９Ｆ５－６２１３．３６４－１０４６８．７５５－４６６３．０１２１－８６５０．５７４７－１２５６９．４８６－９０９３．６５７６Ｆ６２．７００６４１７００６０．８３１６４７４００００Ｆ７１．０８４Ｅ－１３３．８０６Ｅ－１５０．０８８０３９７７８．８８１Ｅ－１６８．８８１Ｅ－１６８．８８１Ｅ－１６Ｆ８０．０４５８８２４００．０２３２７３７５２．２１６Ｅ－０６７．２５６Ｅ－１３１．７０６Ｅ－０８１．２９３Ｅ－０９Ｆ９４．１１７６７１５０１．８４３１１９１７２．７６１９６６２３４．６８７２４４７２８．５４２２６２７３７．４６３７１２１７Ｆ１００．００３９７２０００．０００７９１０６０．０００８５９６７０．０００３１９６２０．００１６６５２１０．０００３３４６７Ｆ１１－３．２６２１２４００－３．２５１７１８００－３．２８３７７９００－３．２５８３０２００－２．５４９２６８００－３．２７５１３４１０Ｆ１２－１０．２４４６７２００－７．２４９６６５４０－１０．０６９５０９００－９．１００６７６９０－１０．５３６２３２００－１０．５３６２１９００表３㊀基准测试函数优化结果方差比较Ｔａｂ．３㊀Ｃｏｍｐａｒｉｓｏｎｏｆｖａｒｉａｎｃｅｏｆｔｈｅｏｐｔｉｍｉｚａｔｉｏｎｒｅｓｕｌｔｓｏｆｔｈｅｂｅｎｃｈｍａｒｋｆｕｎｃｔｉｏｎｓ函数ＧＷＯＷＯＡＰＳＯＳＳＡＥＭＳＳＡＲＬＳＳＡＦ１３．０５４Ｅ－２７８．４９６Ｅ－７２０．０００１４２８１．３０８Ｅ－６３００Ｆ２４．７６５Ｅ－１７２．６８５Ｅ－５１０．０８６７２１６８．８１２Ｅ－２９０２．１６Ｅ－１３３Ｆ３０．６９２６６６２０．４９９７１２７９２．２８９９２２７．２３６Ｅ－０５０．０００２０４４０．０００２１３２Ｆ４０．６９２６６６２０．４９９７１２７９２．２８９９２２７．２３６Ｅ－０５０．０００２０４４０．０００２１３２Ｆ５８６６．７２８２８１６８１．９２６１１４７５．４１１２６５４．０８３２８４３１．６９１１３１８４６．９４６４Ｆ６３．５８４０６７４２．０７５Ｅ－１４１５．２５８１８５００００Ｆ７１．７５０Ｅ－１４２．９６２Ｅ－１５０．３８３７０２９１．００２Ｅ－３１１．００２Ｅ－３１１．００２Ｅ－３１Ｆ８０．００６４１１００．０２２９１０４０．０１４３５５４０００Ｆ９３．７８３１９２０２．４８４８８４０２．４９９２２５６５．２７５４０６６５．２３５４１５２５．７３５０４６５Ｆ１００．００８１２１００．００２１２４２０．０００１４６４５．８００Ｅ－０５３．０２９Ｅ－０５２．８０Ｅ－０５Ｆ１１０．０７７８５６６０．１１４９９０１０．０５７００４８０．０６０３２８３０．５７４７９７３０．０２８３１４１Ｆ１２２．０７３３６５９３．４７１１０７５２．１４４１６６４２．４２１３９１００．０００２９６４０．０００２０６３㊀㊀由表２和表３可知，对于高维单峰函数Ｆ１ Ｆ４，ＲＬＳＳＡ较其他５种算法有较小的适应度值和较小的标准差，说明ＲＬＳＳＡ有较高的寻优精度和寻优稳定性㊂在多峰测试函数Ｆ５ Ｆ８上，Ｆ５函数在ＥＭＳＳＡ上有最好的精度，ＲＬＳＳＡ对比其他４种算法有较优的精准度㊂而在Ｆ６ Ｆ８上，ＲＬＳＳＡ能跳出局部最优，稳定找到全局最优解㊂对固定维多峰测试函数Ｆ９ Ｆ１２，ＲＬＳＳＡ较其他５种算法的均值和标准差提升并不高，但是在寻优精度和稳定性上都要优于其他５种算法㊂３．３㊀收敛曲线分析为了反映出ＲＬＳＳＡ的收敛速度，在５００次迭代中画出各个算法的收敛特性曲线，如图２所示㊂在高维单峰函数Ｆ１ Ｆ４的曲线中可以看出，ＲＬＳＳＡ的收敛速度均优于其他算法，同时还看出，ＲＬＳＳＡ能快速跳出算法的局部最优解㊂在高维多峰函数Ｆ５的曲线中看出ＲＬＳＳＡ的精度不如ＥＭＳＳＡ和ＷＯＡ算法，比其他３种算法更优，这是因为莱维飞２８智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀行策略是一种较短步长多，较长步长少的策略，算法不能通过合适的步长实现全局寻优㊂在Ｆ６ Ｆ８中，ＲＬＳＳＡ收敛速度快㊁精度高；在固定多峰函数Ｆ９Ｆ１２的曲线中，算法结果都趋于稳定，并且结果相近，但可以看出ＲＬＳＳＡ的收敛速度或者精度优于其他算法㊂10010-10010-20010-30050100150200250300350400450G WOP S O WO A S S A E M S S A R L S S AB e s t s c o r e o b t a i n e d s o f a rI t e r a t i o n 1010-5010-10010-15010-200B e s t s c o r e o b t a i n e d s o f a r50100150200250300350400450I t e r a t i o n G WOP S O WO A S S A E M S S A R L S S A1051010-510-10B e s t s c o r e o b t a i n e d s o f a r50100150200250300350400450I t e r a t i o n G WOP S O WO A S S A E M S S A R L S S A-2000-3000-4000-5000-6000-7000-8000-9000-10000-11000-12000B e s t s c o r e o b t a i n e d s o f a r50100150200250300350400450I t e r a t i o nG WOP S O WO A S S A E M S S A R L S S A50100150200250300350400450I t e r a t i o n1010-510-10B e s t s c o r e o b t a i n e d s o f a rG WOP S O WO A S S A E M S S A R L S S A1010-510-10B e s t s c o r e o b t a i n e d s o f a r50100150200250300350400450I t e r a t i o nG WOP S O WO A S S A E M S S A R L S S A1010-510-1010-15B e s t s c o r e o b t a i n e d s o f a r50100150200250300350400450I t e r a t i o n 10010-510-1010-15B e s t s c o r e o b t a i n e d s o f a r50100150200250300350400450I t e r a t i o nG WOP S O WO A S S A E M S S A R L S S AG WOP S O WO A S S A E M S S A R L S S A10-110-210-3B e s t s c o r e o b t a i n e d s o f a r50100150200250300350400450I t e r a t i o n50100150200250300350400450I t e r a t i o nG WOP S O WO A S S A E M S S A R L S S A-1.4-1.6-1.8-2.0-2.2-2.4-2.6-2.8-3.0-3.2B e s t s c o r e o b t a i n e d s o f a r50100150200250300350400450I t e r a t i o nG WOP S O WO A S S A E M S S A R L S S A-10-101B e s t s c o r e o b t a i n e d s o f a r1011050100150200250300350400450I t e r a t i o n G WOP S O WO A S S A E M S S A R L S S A(j )F 10(k )F 11(l )F 12(g )F 7(h )F 8(i )F 9(d )F 4(e )F 5(f )F 6(a )F 1(b )F 2(c )F 3G WOP S O WO A S S A E M S S A R L S S AB e s t s c o r e o b t a i n e d s o f a r图２㊀基准测试函数的收敛曲线Ｆｉｇ．２㊀Ｃｏｎｖｅｒｇｅｎｃｅｃｕｒｖｅｏｆｔｈｅｂｅｎｃｈｍａｒｋｆｕｎｃｔｉｏｎｓ４㊀结束语针对传统麻雀搜索算法（ＳＳＡ）容易陷入局部最优㊁收敛停滞等问题，提出了一种融合旋转状态转移的麻雀搜索算法（ＲＬＳＳＡ），改进的算法具有收敛速度快㊁精度高㊁稳定性强等优势㊂首先，对于麻雀发现者，引入一种旋转状态转移策略的搜索方法以提高算法跳出局部最优的能力；其次，引入莱维飞行策略对麻雀加入者加以改进，此方法可以提高麻雀算法的全局搜索能力；最后，通过贪婪算法的准则，对原算法和改进的算法进行择优㊂通过１２个基准测（下转第９０页）３８第４期刘西全，等：基于旋转状态转移的麻雀搜索算法高低短长S e c u r i t yT s图１６㊀Ｓｅｃｕｒｉｔｙ与Ｔｓ关系Ｆｉｇ．１６㊀ＲｅｌａｔｉｏｎｂｅｔｗｅｅｎＳｅｃｕｒｉｔｙａｎｄＴｓ㊀㊀由图１６可知，随着ＥｘＴ增大，节点之间互相锚定的时间变长，Ｔｓ的增加带来了区块链安全性的下降㊂此外，长度越长，链的可恢复程度也就越低㊂同时，随着ＥｘＴ减小，节点之间互相锚定的时间越来越短，Ｔｓ减小，系统安全性越来越高，却使用了过多的系统资源㊂因此，ＥｘＴ是本系统运行效率与安全性的重要参数，应当慎重考虑㊂５㊀结束语由于国内长租房领域未臻成熟，各类租房平台也有待规范，不仅难以保障租客㊁房主的利益，也在一定程度上关系到社会的安定与和谐㊂本文从租客与房主本身的利益出发，设计出一套基于区块链的长租房可靠租赁交易系统，可以保障租客㊁房主的利益，改善了用户的使用体验㊂本系统也对当下租房平台的设计产生了一定的指导作用㊂参考文献［１］中华人民共和国住房和城乡建设部．‘关于在人口净流入的大中城市加快发展住房租赁市场的通知“建房［２０１７］１５３号［ＥＢ／ＯＬ］．［２０１７－０７－２０］．ｈｔｔｐ：／／ｗｗｗ．ｍｏｈｕｒｄ．ｇｏｖ．ｃｎ／ｗｊｆｂ／２０１７０７／ｔ２０１７０７２０＿２３２６７６．ｈｔｍｌ．［２］乐家栋．万科：战略转型谋突破，收敛聚焦待新春［Ｊ］．中国房地产，２０１９（０２）：３２－３８．［３］赵彬．住房租赁交易服务系统的设计与实现［Ｄ］．大连：大连理工大学，２０１８．［４］牟春燕．郭丽华．区块链技术下的房地产租赁平台发展研究［Ｊ］．商业经济，２０２０（０３）：９１－９３．［５］李培培．从房屋租赁模式看我国房屋租赁市场的发展［Ｊ］．商业经济，２０１８（０３）：１１４－１１５．［６］陈秋竹，邓若翰．长租公寓 租金贷 ：问题检视㊁成因探析及规制路径［Ｊ］．南方金融，２０１９（５１２）：４．［７］单小虎，唐海燕，郑重．房地产企业竞速布局长租公寓的挑战与对策［Ｊ］．中国房地产，２０１８（０８）：１３－１９．［８］ＮａｋａｍｏｔｏＳ．Ｂｉｔｃｏｉｎ：ａｐｅｅｒ－ｔｏ－ｐｅｅｒｅｌｅｃｔｒｏｎｉｃｃａｓｈｓｙｓｔｅｍ［ＥＢ／ＯＬ］．［２０１８－１０－０５］．ｈｔｔｐｓ：／／ｂｉｔｃｏｉｎ．ｏｒｇ／ｂｉｔｃｏｉｎ．ｐｄｆ．［９］韩璇，袁勇，王飞跃．区块链安全问题：研究现状与展望［Ｊ］．自动化学报，２０１９，４５（０１）：２０６－２２５．［１０］袁勇，王飞跃．区块链技术发展现状与展望［Ｊ］．自动化学报，２０１６，４２（０４）：４８１－４９４．［１１］ＢＵＴＥＲＩＮＶ．Ａｎｅｘｔ－ｇｅｎｅｒａｔｉｏｎｓｍａｒｔｃｏｎｔｒａｃｔａｎｄｄｅｃｅｎｔｒａｌｉｚｅｄａｐｐｌｉｃａｔｉｏｎｐｌａｔｆｏｒｍ［ＥＢ／ＯＬ］．［２０１８－１０－０５］．ｈｔｔｐｓ：／／ｇｉｔｈｕｂ．ｃｏｍ／ｅｔｈｅｒｅｕｍ／ｗｉｋｉ／ｗｉｋｉ／Ｗｈｉｔｅ－Ｐａｐｅｒ．［１２］ＹＵＡＮＹｏｎｇ，ＷＡＮＧＦｅｉｙｕｅ．Ｂｌｏｃｋｃｈａｉｎａｎｄｃｒｙｐｔｏｃｕｒｒｅｎｃｉｅｓ：ｍｏｄｅｌ，ｔｅｃｈｎｉｑｕｅｓ，ａｎｄａｐｐｌｉｃａｔｉｏｎｓ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＳｙｓｔｅｍｓ，Ｍａｎ，ａｎｄＣｙｂｅｒｎｅｔｉｃｓ：Ｓｙｓｔｅｍｓ，２０１８，４８（９）：１４２１－１４２８．（上接第８３页）试函数并与其他５个算法进行仿真测试验证，实验结果表明ＲＬＳＳＡ具有良好的收敛速度㊁收敛精度及鲁棒性㊂参考文献［１］王龙龙．基于改进鸟群算法在图像分割中的应用［Ｄ］．赣州：江西理工大学，２０１９．［２］ＥＢＥＲＨＡＲＴＲ，ＫＥＮＮＥＤＹＪ．Ａｎｅｗｏｐｔｉｍｉｚｅｒｕｓｉｎｇｐａｒｔｉｃｌｅｓｗａｒｍｔｈｅｏｒｙ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＳｉｘｔｈＩｎｔｅｒｎａｔｉｏｎａｌＳｙｍｐｏｓｉｕｍｏｎＭｉｃｒｏＭａｃｈｉｎｅａｎｄＨｕｍａｎＳｃｉｅｎｃｅ．Ｎａｇｏｙａ，Ｊａｐａｎ：ＩＥＥＥ，１９９５．［３］ＭＡＮＩＥＺＺＯＤＶ，ＣＯＬＯＲＮＩＡ．Ａｎｔｓｙｓｔｅｍ：Ｏｐｔｉｍｉｚａｔｉｏｎｂｙａｃｏｌｏｎｙｏｆｃｏｏｐｅｒａｔｉｎｇａｇｅｎｔｓ［Ｊ］．ＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＳｙｓｔｅｍｓ，Ｍａｎ，ａｎｄＣｙｂｅｒｎｅｔｉｃｓ，Ｂ，Ｃｙｂｅｒｎ．，１９９４，２６（１）：２９－４０．［４］ＭＩＲＪＡＬＩＬＩＳ，ＭＩＲＪＡＬＩＬＩＳＭ，ＬＥＷＩＳＡ．Ｇｒｅｙｗｏｌｆｏｐｔｉｍｉｚｅｒ［Ｊ］．ＡｄｖａｎｃｅｓｉｎＥｎｇｉｎｅｅｒｉｎｇＳｏｆｔｗａｒｅ，２０１４，６９：４６－６１．［５］ＫＡＶＥＨＡ，ＤＡＤＲＡＳＡ．Ａｎｏｖｅｌｍｅｔａ－ｈｅｕｒｉｓｔｉｃｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍ［Ｍ］．Ｅｎｇｌａｎｄ：ＥｌｓｅｖｉｅｒＳｃｉｅｎｃｅＬｔｄ．，２０１７．［６］ＸＵＥＪｉａｎｋａｉ，ＳＨＥＮＢｏ．Ａｎｏｖｅｌｓｗａｒｍｉｎｔｅｌｌｉｇｅｎｃｅｏｐｔｉｍｉｚａｔｉｏｎａｐｐｒｏａｃｈ：ｓｐａｒｒｏｗｓｅａｒｃｈａｌｇｏｒｉｔｈｍ［Ｊ］．ＳｙｓｔｅｍｓＳｃｉｅｎｃｅ＆ＣｏｎｔｒｏｌＥｎｇｉｎｅｅｒｉｎｇＡｎＯｐｅｎＡｃｃｅｓｓＪｏｕｒｎａｌ，２０２０，８（１）：２２－３４．［７］吕鑫，慕晓冬，张钧，等．混沌麻雀搜索优化算法［Ｊ］．北京航空航天大学学报，２０２１，４７（０８）：１７１２－１７２０．［８］ＬＩＵＪｉａｎｈｕａ，ＷＡＮＧＺｈｉｈｅｎｇ．Ａｈｙｂｒｉｄｓｐａｒｒｏｗｓｅａｒｃｈａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｃｏｎｓｔｒｕｃｔｉｎｇｓｉｍｉｌａｒｉｔｙ［Ｊ］．ＩＥＥＥＡｃｃｅｓｓ，２０２１，９：１１７５８１－１１７５９５．［９］钱敏，黄海松，范青松．基于反向策略的混沌麻雀搜索算法［Ｊ］．计算机仿真，２０２２，３９（０８）：３３３－３３９，４８７．［１０］ＯＵＹＡＮＧＣｈｅｎｇｔｉａｎ，ＬＩＵＹｕｊｉａ，ＺＨＵＤｏｎｇｌｉｎ．Ａｎａｄａｐｔｉｖｅｃｈａｏｔｉｃｓｐａｒｒｏｗｓｅａｒｃｈｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍ［Ｃ］／／２０２１ＩＥＥＥ２ｎｄＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＢｉｇＤａｔａ，ＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅａｎｄＩｎｔｅｒｎｅｔｏｆＴｈｉｎｇｓＥｎｇｉｎｅｅｒｉｎｇ（ＩＣＢＡＩＥ）．Ｎａｎｃｈａｎｇ：ＩＥＥＥ，２０２１：７６－８２．［１１］ＭＡＪｉｅ，ＨＡＯＺｈｉｙｕａｎ，ＳＵＮＷｅｎｊｉｎｇ．Ｅｎｈａｎｃｉｎｇｓｐａｒｒｏｗｓｅａｒｃｈａｌｇｏｒｉｔｈｍｖｉａｍｕｌｔｉ－ｓｔｒａｔｅｇｉｅｓｆｏｒｃｏｎｔｉｎｕｏｕｓｏｐｔｉｍｉｚａｔｉｏｎｐｒｏｂｌｅｍｓ［Ｊ］．ＩｎｆｏｒｍａｔｉｏｎＰｒｏｃｅｓｓｉｎｇ＆Ｍａｎａｇｅｍｅｎｔ：ＬｉｂｒａｒｉｅｓａｎｄＩｎｆｏｒｍａｔｉｏｎＲｅｔｒｉｅｖａｌＳｙｓｔｅｍｓａｎｄＣｏｍｍｕｎｉｃａｔｉｏｎＮｅｔｗｏｒｋｓ：ＡｎＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌ，２０２２（２）：５９．［１２］ＬＩＡＮＧＱｉａｎｋｕｎ，ＣＨＥＮＢｉｎ，ＷＵＨｕａｎｉｎｇ，ｅｔａｌ．Ａｎｏｖｅｌｍｏｄｉｆｉｅｄｓｐａｒｒｏｗｓｅａｒｃｈａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎａｄａｐｔｉｖｅｗｅｉｇｈｔａｎｄｉｍｐｒｏｖｅｄｂｏｕｎｄａｒｙｃｏｎｓｔｒａｉｎｔｓ［Ｃ］／／２０２１ＩＥＥＥ６ｔｈＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒａｎｄＣｏｍｍｕｎｉｃａｔｉｏｎＳｙｓｔｅｍｓ（ＩＣＣＣＳ）．Ｃｈｅｎｇｄｕ：ＩＥＥＥ，２０２１：１０４－１０９．［１３］毛清华，张强．融合柯西变异和反向学习的改进麻雀算法［Ｊ］．计算机科学与探索，２０２１，１５（０６）：１１５５－１１６４．［１４］周向阳，罗雪梅，王霄．应用改进状态转移算法优化多阈值图像分割［Ｊ］．计算机仿真，２０２２，３９（０１）：４８６－４９３．０９智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀。

(2)回复力的特点：在摆角很小时，摆球所受的回复力与它偏离平衡位置的位移成正比，方向总指向平衡位置，即F ＝－mgl 二．单摆的周期1.探究影响单摆周期的因素A.小球在A、B点受到重力和回复力B.小球在O点所受的合外力就是回复力C.小球在O点时所受合外力不为A.单摆振动的频率是1.25 HzB.t＝0时摆球位于B点C.t＝0.2 s时摆球位于平衡位置O，加速度为零D.若当地的重力加速度g＝π2 m/s2，则这个单摆的摆长是A.T1＞T2＞T3＞T4B.C.T1＞T2＝T3＞T4D.【答案】　CA ．0.5s t =时，小球的向心加速度为B ．1s t =时，小球速度为C ．从1s t =到 1.5s t =的过程中，小球的动能不断增大A ．小球的振动方程为()()5sin 2πcm x t =C ．动能和重力势能相互转化的周期为1s 【答案】C【详解】A ．由图乙可知，小球的振动周期为A．摆球只受到重力、拉力两个力的作用B．摆球在经过C．摆球在经过D．摆球相邻两次经过【答案】AA ．12v v =B ．1234v v =C ．123v v =【答案】B【详解】木板做匀速运动，设振动周期为T ，由图乙可得122v T v ´=A ．0.5s t =时，摆球所受回复力最大，方向向右B ．1s t =时，摆球偏离平衡位置位移最大，方向向右C ．从0.5s t =到 1.0s t =的过程中，摆球的重力势能逐渐增大D ．该单摆摆长约为2m 【答案】A【详解】A ．以向右的方向作为摆球偏离平衡位置的位移的正方向A ．小球做简谐运动的回复力为重力和支持力的合力A．摆球从B．摆球由C．摆球在D．摆球在【答案】C【详解】A．根据摆球由A点向B点摆动过程中q减小，速度逐渐增大，可知细线拉力T增大，回复力F回减小，故B错误；C．摆球在A点和C点时，即最大位移处时，速度为零，结合选项B分析可知，此时细线拉力最小，回复力最大，故C正确；D．摆球在最低点B处，动能最大，重力势能最小，但摆球运动过程中，机械能守恒，故D错误。

灰度校正（γ校正）1、灰度校正的原理对完整的广播电视系统而言，要进行两次光一电的转换。

一次是在摄像端，由摄像机把光像转变成电信号；另一次是在显像端，由电视机把电信号重新转换成光像。

两次转换中，重要的转换器件使摄像器件和显像管。

从整个系统的角度来看，显像管重现的图案，应该于被摄景物上各种亮度成比例，使两次转换的过程为线性，即重现的图像亮度　B=K* B O(ｋ－常数；B O－景物亮度)。

否则图像就会出现亮度和色度的非线性失真。

摄像器件的光－电转换关系为： E 0=K1 * B Oγ１(3-8)式中：E 0－　摄像器件输出电压；K1－常数；　B O－景物亮度；γ１－转换非线性系数。

对于CCD和氧化铅等摄像管，可近似认为γ１＝１，即摄像端的光电转换可以看作是线性的，即E 0=K1 * B O而显像管的电—光转换关系为：B d = K2 * Eγ2（3-9）式中：B d一显像管上的光像亮度；K2一系数；E一显像管栅极上的信号电压；γ2一显像管的转换非线性系数；一般γ2=2.2。

显然，显像管的电一光转换是一种非线性性关系。

这两种转换的γ特性如图3-55（a）、（b）所示。

图3-55为了使整个系统的综合特性保持线性关系，就必须在图像传输过程中认为地加入一个特性与显像管端相反的非线性失真，以校正由γ2非线性造成的失真。

设这一校正电路的传输特性为：E=K*E Oγ１(3-10)要保正系统为线性特性，则一定要满足:γ１*γ2*γ3=1(3-11)可得出：γ=1/（γ１*γ2）=1/2.2=0.45 （3-12）其特性如图3-55（c）。

我们把这种校正电路称为γ校正。

γ校正可以在摄像机电路中进行，也可以在电视机电路中进行，由于电视机数量远远大于摄像机数量，从降低接收机成本考虑，γ校正同意安排在摄像机电路中实施。

2、灰度校正的电路如图3-56所示，这是一个具有折线特性的γ校正电路。

图像信号经T1和R1直接耦合到射极输出的T3的基极，在耦合电路中加入由D1、D2等组成的γ校正电路。

姓名座位号（在此卷上答题无效）绝密★启用前2024届安徽省“江南十校”联考化学注意事项：1．答卷前，考生务必将自己的姓名、准考证号填写在答题卡上。

2．回答选择题时，选出每小题答案后，用铅笔把答题卡上对应题目的答案标号框涂黑。

如需改动，用橡皮擦干净后，再选涂其他答案标号框。

回答非选择题时，将答案写在答题卡上，写在本试卷上无效。

3．考试结束后，将答题卡交回。

可能用到的相对原子质量：H 1C 12N 14O 16一、选择题：本题共14小题，每小题3分，共42分。

在每小题给出的四个选项中，只有一项是符合题目要求的。

1．化学与社会、生活、环境、工业生产等密切相关。

下列说法错误的是A ．杭州亚运会火炬采用“零碳甲醇”作为燃料，它是利用焦炉气中的氢气和从工业尾气中捕捉的CO 2共同合成，是符合“碳中和”属性的绿色能源B ．用“杯酚”分离C 60和C 70，反映出了超分子具有分子识别的特性C ．聚乳酸等高分子材料在微生物的作用下可降解为小分子，为消除“白色污染”带来了希望D ．豆腐是具有悠久历史的传统美食，其制作原理是利用盐卤等物质使豆浆中的蛋白质变性2．盐酸米多君是用来治疗低血压的药物，其结构如图所示。

下列说法错误的是A ．该物质分子式为C 12H 20N 2O 4ClB ．其水解产物之一可以发生缩聚反应C ．1mol 该物质最多可以消耗2mol NaOHD ．该物质可以发生加成、取代、氧化、还原反应3．工业上以含硫矿物（如黄铁矿）为原料来制备硫酸，其流程如下：下列说法正确的是A ．基态S 原子核外有16种不同空间运动状态的电子B ．食品中添加适量的SO 2可以起到漂白、防腐和抗氧化等作用C ．浓硫酸不能干燥NH 3，但可干燥HID ．V 2O 5能降低反应的活化能，提高SO 2的平衡转化率4．同一主族元素形成的物质在结构和性质上往往具有一定的相似性。

下列说法正确的是A ．冰中1个H 2O 周围有4个紧邻分子，H 2S 晶体中1个H 2S 周围也有4个紧邻分子B ．P 和Cl 可以形成PCl 5分子，N 和Cl 也可以形成NCl 5分子C ．Al(OH)3可与碱生成[]4A1(OH)-，B(OH)3也可与碱生成[]4B(OH)-D ．Cl 2可与水生成HCl 和HClO ，F 2也可与水生成HF 和HFO6．用N A 表示阿伏伽德罗常数的值。

题2图EAB题6图题3图52030v /(m ·s －1)t /sPQ题1图2024年重庆市普通高中学业水平选择性考试高三第二次联合诊断检测物理各项专业动作，产生各种优美的波形。

题1图为带操某一时刻的情形，下列说法正确的一、选择题：共10题，共43分。

（一）单项选择题：共7题，每题4分，共28分。

在每小题给出的四个选项中，只有一项是符合题目要求的。

1．2023年艺术体操亚锦赛，中国选手赵雅婷以31.450分摘得带操金牌。

带操选手伴随着欢快的音乐，完成了是A．带上质点的速度就是波传播的速度B．带上质点运动的方向就是波传播的方向C．图示时刻，质点P 的速度大于质点Q 的速度D．图示时刻，质点P 的加速度大于质点Q 的加速度2．如题2图所示，一带正电粒子仅在电场力作用下，从A 点运动到B 点过程中，下列说法正确的是A．该粒子加速度增大B．该粒子速度增大C．该粒子电势能减少D．该粒子可能做直线运动3．某汽车沿直线停车过程中，其v -t 图像如题3图所示。

已知该汽车所有减速过程的加速度均相等，中间有一段时间匀速运动，图示整个过程中该汽车行驶了450m 。

则该汽车匀速运动的时间为A．8s B．10s C．12sD．16.5s4．已知某两个相距足够远的星球的密度几乎相等，若将这两个星球视为质量分布均匀的球体（两星球的半径不同），忽略自转及其他天体的影响，关于这两个星球，下列物理量近似相等的是A．表面的重力加速度大小B．第一宇宙速度大小C．表面附近卫星运动的周期D．相同圆形轨道卫星的速度大小5．已知氢原子处于基态的能量为E 1，第n 能级的能量21nE E n 。

大量处于某同一激发态的氢原子向低能级跃迁时，辐射的光子中能量最大为－981E ，h 为普朗克常量。

则这些氢原子向低能级跃迁时，辐射的光子中频率最小为A．－hE 3651B．hE 3651C．－hE 91D．hE 916．如题6图所示，两根半圆柱体静止于粗糙程度处处相同的水平地面上，紧靠但无相互作用力。

第 63 卷第 2 期2024 年 3 月Vol.63 No.2Mar.2024中山大学学报（自然科学版）（中英文）ACTA SCIENTIARUM NATURALIUM UNIVERSITATIS SUNYATSENI基于改进蜣螂优化算法的海洋牧场三维UWSN覆盖方法*付雷1，2，王骥1，21.广东海洋大学电子与信息工程学院，广东湛江 5240882.广东省智慧海洋传感网及其装备工程技术研究中心，广东湛江 524088摘要：针对海洋牧场三维环境监测，提出了一种基于改进蜣螂优化算法（IDBO， improved Dung beetle opti‐mizer）的UWSN（underwater wireless sensor networks）覆盖方法。

首先，在蜣螂优化算法（DBO）种群初始化时加入Chebyshev混沌映射，使得种群资源在搜索空间的分配方面更加均衡。

其次，通过自适应权重因子和Levy飞行改进觅食小蜣螂的位置更新方式，提升了位置搜索能力和DBO算法的收敛能力。

将IDBO算法应用在海洋牧场UWSN覆盖优化中，仿真结果表明：在不同参数环境下，IDBO算法的覆盖率高于随机部署和其他智能优化算法，并且能以较低的节点能耗获得更高的覆盖率，节点分布也更加合理。

关键词：海洋牧场；水下无线传感器网络；Chebyshev混沌映射；自适应权重因子；Levy飞行中图分类号：TB393 文献标志码：A 文章编号：2097 - 0137（2024）02 - 0115 - 083D UWSN coverage method for marine ranching based on improvedDung beetle optimization algorithmFU Lei1，2， WANG Ji1，21.College of Electronics and Information Engineering，Guangdong Ocean University，Zhanjiang524088， China2. Research Center of Guangdong Smart Oceans Sensor Networks and Equipment Engineering， Zhanjiang524088， ChinaAbstract： For the environmental monitoring of marine ranching， a 3D underwater wireless sensor net‐works coverage method based on improved Dung beetle optimizer （IDBO）is proposed. Firstly，Chebyshev chaotic mapping was added to the DBO population initialization to make population re‐sources more balanced in the allocation of search space. Secondly，adaptive weight factor and Levy flight were used to improve the position update mode of Dung beetles，which improved the position search ability and the convergence ability of DBO algorithm. The IDBO algorithm was applied to the UWSN coverage optimization of marine ranching，the simulation results show that the coverage rate of IDBO algorithm is higher than that of random deployment and other intelligent optimization algorithms under different parameter environments，and it achieves higher coverage rate with lower node energy consumption， and the distribution of nodes is more reasonable.Key words：marine ranching；UWSN；Chebyshev chaotic mapping；adaptive weight factor；Levy flightDOI：10.13471/ki.acta.snus.2023B063*收稿日期：2023 − 10 − 15 录用日期：2023 − 11 − 22 网络首发日期：2024 − 01 − 05基金项目：广东省普通高校重点领域新一代信息技术专项（2020ZDZX3008）；广东省人工智能领域重点专项（2019KZDZX1046）作者简介：付雷（1996年生），男；研究方向：无线传感器网络；E-mail：*******************通信作者：王骥（1972年生），男；研究方向：海洋物联网与人工智能；E-mail：***************.cn第 63 卷中山大学学报（自然科学版）（中英文）无线传感器网络在环境监测、农业生产及海洋资源开发等领域展现出广泛的应用前景（夏候凯顺等，2014）。

整理和复习（2）▶教学内容教科书P64，完成教科书P65～66“练一练”第3、4、5题。

▶教学目标1.经历整理10以内加法、减法表的过程，通过观察发现表中的简单规律，进一步理解算式间的关系，能正确计算。

2.通过解决问题、知识整理，提高运用所学知识解决简单实际问题的能力。

3.进一步学习整理和复习的方法，培养学生自觉整理所学知识的意识和良好习惯。

▶教学重点整理加法、减法表并发现规律，提高口算10以内加减法的能力。

▶教学难点根据实际情况灵活解决问题。

▶教学准备课件、10以内的加、减法算式卡片。

一、谈话导入师：上节课我们一起整理与复习了10以内有关数的知识，同学们自己还画了“知识图”。

在上一单元我们整理了5以内数的加法和减法表，今天这节课我们就用之前的方法一起来整理10以内的加法和减法表。

【设计意图】唤起学生对本单元知识的回忆及整理加法、减法表的学习经验，为本节课的学习打好基础。

二、自主整理，复习巩固1.整理加法表（1）分一分。

师：我们已经学习了10以内的加减法，同学们手上都有10以内的加法算式卡片，谁能把它们整理一下呢？说说你想怎么整理。

【学情预设】预设1：把得数相同的算式放在一起。

预设2：把有相同加数的算式放在一起。

根据学生的回答示范整理，例如：找出所有得数都是6的加法算式，6＋0＝6，5＋1＝64＋2＝6，3＋3＝6，2＋4＝6，1＋5＝6，0＋6＝6。

也有学生说出：把0＋几的算式放在一起，1＋几的算式放在一起·······。

师：你们能接着整理10以内的加法表吗？学生借助摆卡片的形式进行初步整理。

（2）汇报整理。

教师选取有代表性的加法表进行展示，让学生说说自己的想法。

师：我也整理了一份10以内的加法表。

（课件出示）请你仔细观察，可以横着看、竖着看、斜着看，你发现了什么规律？【学情预设】学生可能发现：横着看，每一行得数都相同；竖着看，每一列的算式中第二个加数相同，从上到下每一列第一个加数依次多1，从下往上每一列第一个加数依次少1；斜着看，从左上往右下第一个加数相同，第二个加数依次多1，结果也依次多1。

基于黄金正弦的自适应蝴蝶优化算法张同，付伟，马宁，季伟东，刁衣非（哈尔滨师范大学计算机科学与信息工程学院，黑龙江哈尔滨150025）摘要：针对蝴蝶优化算法存在寻优精度低、易陷入局部最优等问题，文章提出了一种基于黄金正弦算法的自适应蝴蝶优化算法（Adaptive Butterfly Optimization Algorithm with Golden Sine Algorithm ，AGSBOA ）。

首先使用了自适应惯性权重，提高算法跳出局部最优的能力。

然后在局部搜索中加入了黄金正弦的搜索策略，提高算法的寻优精度。

通过14个函数的仿真实验对比，结果表明优化后的AGSBOA 有更好的收敛速度、寻优精度和稳定性。

关键词：蝴蝶优化算法；自适应权重；黄金正弦中图分类号：TP18文献标识码：A文章编号：2096-9759（2023）03-0070-04Adaptive butterfly optimization algorithm based on golden sineZHANG Tong,FU Wei,MA ning,JI Weidong,DIAO Yifei（Harbin Normal University School of Computer Science and Information Engineering,Heilongjiang Harbin 150025,China ）Abstract:Aiming at the problems of butterfly optimization algorithm,such as low optimization accuracy and easy to fall into local optimization,this paper proposes an adaptive Butterfly Optimization Algorithm with Golden Sine Algorithm (AGSBOA ).First,the adaptive inertia weight is used to improve the ability of the algorithm to jump out of the local optimum.Then the gol-den sine search strategy is added to the local search to improve the accuracy of the algorithm.The simulation results of 14func-tions show that the optimized AGSBOA has better convergence speed,optimization accuracy and stability.Keywords:butterfly optimization algorithm;Adaptive weight;Golden Sine1引言近些年在各个领域出现了越来越多的优化问题，尤其是在工程学和经济学等领域。

2024年普通高中学业水平选择性考试（广东卷）化学（含解析）本卷满分100分，考试用时75分钟。

可能用到的相对原子质量：H 1 C 12 O 16 Na 23 S 32 Cl 35.5 Ca 40 Fe 56一、选择题：本大题共16小题，共44分。

第1-题，每小题2分；第11-16小题，每小题4分。

在每小题列出的四个选项中，只有一项符合题目要求。

1.龙是中华民族重要的精神象征和文化符号。

下列与龙有关的历史文物中，主要材质为有机高分子的是A B C D红山玉龙婆金铁芯铜龙云龙纹丝绸云龙纹瓷瓶A .A B.B C.C D.D【答案】C【解析】【详解】A ．红山玉龙主要成分为SiO 2和硅酸盐，属于无机非金属材料，A 不符合题意；B ．婆金铁芯铜龙主要成分为Cu ，属于金属材料，B 不符合题意；C ．云龙纹丝绸主要成分为蛋白质，属于有机高分子材料，C 符合题意；D ．云龙纹瓷瓶主要成分为硅酸盐，属于传统无机非金属材料，D 不符合题意；故选C 。

2.“极地破冰”“太空养鱼”等彰显了我国科技发展的巨大成就。

下列说法正确的是A .“雪龙2”号破冰船极地科考：破冰过程中水发生了化学变化B.大型液化天然气运输船成功建造：天然气液化过程中形成了新的化学键C.嫦娥六号的运载火箭助推器采用液氧煤油发动机：燃烧时存在化学能转化为热能D.神舟十八号乘组带着水和斑马鱼进入空间站进行科学实验：水的电子式为【答案】C【解析】【详解】A．破冰过程无新物质生成，是物理变化，A错误；B．天然气液化的过程是气态变为液态，是物理变化，无新的化学键形成，B错误；C．燃烧放热，是化学能转化为热能，C正确；D．水是共价化合物，每个H原子都与O原子共用一对电子，电子式为，D错误；本题选C。

3.嘀嗒嘀嗒，时间都去哪儿了！计时器的发展史铭刻着化学的贡献。

下列说法不正确的是A.制作日晷圆盘的石材，属于无机非金属材料B.机械表中由钼钴镍铬等元素组成的发条，其材质属于合金C.基于石英晶体振荡特性计时的石英表，其中石英的成分为SiCD.目前“北京时间”授时以铯原子钟为基准，13555Cs的质子数为55【答案】C【解析】【详解】A．制作日晷圆盘的石材主要为大理石，属于无机非金属材料，A正确；B．由两种或两种以上的金属与金属或非金属经一定方法所合成的具有金属特性的混合物称为合金，机械表中由钼钴镍铬等元素组成的发条，其材质属于合金，B正确；C．基于石英晶体振荡特性计时的石英表，其中石英的成分为SiO2，C错误；D．目前“北京时间”授时以铯原子钟为基准，13555Cs的质量数为135，质子数为55，D正确；故选C。