亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        融合柯西變異和反向?qū)W習(xí)的改進麻雀算法

        2021-06-13 03:02:50毛清華
        計算機與生活 2021年6期
        關(guān)鍵詞:發(fā)現(xiàn)者柯西測試函數(shù)

        毛清華,張 強

        燕山大學(xué) 經(jīng)濟管理學(xué)院,河北 秦皇島066004

        +通信作者E-mail:1456642771@qq.com

        群智能優(yōu)化算法是受到大自然生物界的啟發(fā),模擬自然界中的一些事物或生物的行為規(guī)律,在解空間內(nèi)進行全局尋優(yōu)。近幾年新的群智能優(yōu)化算法不斷涌現(xiàn),學(xué)者們通過螞蟻、狼、鳥類、飛蛾、鯨魚、麻雀等生物行為,提出了一系列的群智能優(yōu)化算法,如:蟻群算法(ant colony optimization,ACO)、灰狼優(yōu)化算法(grey wolf optimization,GWO)、飛蛾火焰優(yōu)化算法(moth-flame optimization,MFO)、鯨魚優(yōu)化算法(whale optimization algorithm,WOA)、麻雀搜索算法(sparrow search algorithm,SSA)等。由于群智能優(yōu)化算法具有易操作、魯棒性強、應(yīng)用范圍廣的優(yōu)點,被眾多學(xué)者所關(guān)注。其中麻雀搜索算法于2020年由Xue 等[1]首次提出,是一種新型群智能優(yōu)化算法。麻雀搜索算法與其他算法相比,具有求解效率更高的特點。然而,在算法迭代后期仍然和其余智能算法一樣,容易出現(xiàn)困于局部極值的問題。

        為改善群智能優(yōu)化算法在迭代后期容易陷入局部最優(yōu)的不足,提高全局尋優(yōu)能力,眾多學(xué)者都提出了不同的改進策略:Oliva 等[2]利用混沌算子對鯨魚位置更新概率進行混沌映射,提高全局尋優(yōu)性能。楊萬里等[3]將Logistic 混沌映射應(yīng)用到粒子群算法中,增強了解的多樣性,一定程度降低了算法困于局部空間的概率。Hegazy 等[4]通過添加自適應(yīng)權(quán)重因子,加快算法的收斂速度,并成功應(yīng)用于特征選擇問題。Wang 等[5]提出一種自適應(yīng)慣性權(quán)重,改變了速度的更新方式,使蝙蝠在搜索過程中能夠動態(tài)自適應(yīng)地調(diào)整速度。王依柔等[6]加入正弦變化的慣性權(quán)重因子改變園丁鳥的位置更新方式,有效平衡了全局與局部的開發(fā)能力。Wang 等[7]引入柯西變異算子,避免螢火蟲算法陷入局部最優(yōu),提高了全局搜尋能力。Li 等[8]通過引入非線性控制參數(shù)和柯西變異,提高了粒子群算法收斂速度和精度。Wen 等[9]將反向?qū)W習(xí)策略應(yīng)用到粒子群算法中,不但豐富了種群的多樣性,而且全局探索能力得到有效提高。Xu 等[10]將高斯變異與柯西變異融合到飛蛾算法中,增強了局部和全局的探索能力。Pappula 等[11]借助柯西突變能力使貓群朝全局最優(yōu)解靠近,防止早熟現(xiàn)象的發(fā)生。

        以上文獻對群智能算法的改進,在一定程度上減小了算法落入局部極值的可能性,但是,仍存在收斂精度低、開發(fā)能力不足等缺陷。考慮到Sin 混沌映射具有較好的混沌特性、自適應(yīng)權(quán)重,可以有效地協(xié)調(diào)局部開采和全局探索以及柯西變異和反向?qū)W習(xí)策略具備較強的擾動變異能力,能有效提升算法逃離局部空間等特點,提出一種融合柯西變異和反向?qū)W習(xí)的改進麻雀算法(improved sparrow algorithm combining Cauchy mutation and opposition-based learning,ISSA)。利用Sin 混沌映射初始化麻雀種群,豐富解的多樣性;在發(fā)現(xiàn)者位置更新方式中引入上一代全局最優(yōu)解,提升全局搜索的充分性,同時添加自適應(yīng)權(quán)重,協(xié)調(diào)局部挖掘和全局的開采能力,并加快收斂速度;融合柯西變異和反向?qū)W習(xí)策略,對最優(yōu)解位置進行擾動變異,提升抗局部極值能力;最后對8 個基準測試函數(shù)進行仿真實驗以及Wilcoxon 秩和檢驗,并對時間復(fù)雜度進行分析,驗證了ISSA 的有效性與可行性。

        1 基本麻雀搜索算法

        麻雀搜索算法受到生物界麻雀捕食和反捕食行為的啟發(fā)而提出。麻雀集合矩陣如下:

        式中,N是麻雀的規(guī)模,i=1,2,…,N,d是變量的維數(shù)。

        麻雀的適應(yīng)度值矩陣表示如下:

        其中,N表示麻雀的數(shù)量,而Fx中的每個值表示個體的適應(yīng)度值。適應(yīng)度值更優(yōu)的麻雀率先取得食物,并作為發(fā)現(xiàn)者帶領(lǐng)整個種群向食物源靠近。發(fā)現(xiàn)者的位置更新方式如下:

        其中,表示第i個麻雀在第j維的位置,t表示當前迭代次數(shù),j=1,2,…,d。itermax表示最大迭代次數(shù),α∈(0,1) 范圍的一個隨機數(shù),R2(R2∈[0,1])、ST(ST∈[0.5,1.0])依次代表預(yù)警值和安全值。Q為服從[0,1]正態(tài)分布的隨機數(shù)。L為1×d的矩陣,且矩陣內(nèi)每個元素為1。當R2<ST,表示附近沒有天敵,發(fā)現(xiàn)者實行廣泛搜索模式;如果R2≥ST,這意味著一些麻雀已經(jīng)察覺到了天敵,則整個種群需要盡快前往其他安全區(qū)域。

        跟隨者的位置更新公式如下:

        式中,Xworst表示全局最差的位置,A為1×d的矩陣,且矩陣中每個元素隨機賦值1 或-1,其中A+=AT(AAT)-1。當i>N/2 時,表示適應(yīng)度值較差的第i個跟隨者未取得食物,能量值較低,需要前往別的區(qū)域?qū)ふ沂澄铮匝a充能量。

        偵查預(yù)警行為:

        種群覓食時,會選取部分麻雀負責警戒,當天敵靠近時,無論是發(fā)現(xiàn)者還是跟隨者,都將會放棄當前的食物而飛往到另一個位置。每代從種群中隨機選取SD(一般取10%~20%)只麻雀進行預(yù)警行為。其位置更新公式為:

        其中,Xbest表示全局最佳的位置,β為步長調(diào)整系數(shù),是一個均值為0、方差為1 的正態(tài)分布隨機數(shù),k∈[-1,1]范圍內(nèi)的一個均勻隨機數(shù)。這里,fi是當前麻雀的適應(yīng)度值。fg和fw依次為目前全局最優(yōu)和最差適應(yīng)度值。ε為最小常數(shù),防止分母出現(xiàn)0 的情況。當fi>fg時,表示麻雀處于種群的邊緣地帶,非常容易被天敵所襲擊;fi=fg表明在種群中心的麻雀察覺到了被天敵襲擊的危險,需要向其他麻雀靠攏。k表示麻雀運動的方位,為步長調(diào)整系數(shù)。

        2 融合柯西變異和反向?qū)W習(xí)的改進麻雀算法

        2.1 Sin 混沌初始化種群

        混沌經(jīng)常被運用于優(yōu)化搜索問題,其中Tent 模型和Logistic 模型是最常用的混沌模型,但是兩者皆為映射折疊次數(shù)有限的混沌模型。Sin 混沌模型是一種映射折疊次數(shù)無限的模型,楊海東等[12]研究證明,Sin 模型比Logistic模型具備更佳的混沌特性,因此本文采用Sin 混沌對麻雀算法進行種群初始化,Sin 混沌一維自映射表達式如下:

        式(7)中為防止在[-1,1]產(chǎn)生不動點和零點,初始值不能設(shè)置為0。Sin 混沌一維自映射的隨機性、初值敏感性、遍歷性與迭代次數(shù)關(guān)系如圖1 所示[12]。從圖1(a)、圖1(b)發(fā)現(xiàn)設(shè)置不同的初始值,會產(chǎn)生完全不同的混沌序列,從圖1(c)看出當更新一定代數(shù)時,系統(tǒng)將遍覽整個解區(qū)域。

        2.2 動態(tài)自適應(yīng)權(quán)重

        發(fā)現(xiàn)者從迭代開始就向全局最優(yōu)解靠近,導(dǎo)致搜索范圍不夠,容易跌入局部極值空間,造成搜索精度不足,本文在發(fā)現(xiàn)者位置更新公式中,引入上一代全局最優(yōu)解,使得發(fā)現(xiàn)者位置既受上一代發(fā)現(xiàn)者位置的影響,同時也受上一代全局最優(yōu)解的影響,由此可以有效防止算法陷入局部最優(yōu)。此外,借鑒慣性權(quán)重的思想,在發(fā)現(xiàn)者位置更新方式中繼續(xù)引入動態(tài)權(quán)重因子ω[13],使其在迭代初期具有較大的值,能夠更好地進行全局探索,在迭代后期自適應(yīng)地減小,從而更好地進行局部搜索,同時提高收斂速度。權(quán)重系數(shù)ω的計算公式和改進后的發(fā)現(xiàn)者位置更新方式如下:

        Fig.1 Relationship between Sin chaos characteristics and number of iterations圖1 Sin 混沌特性與迭代次數(shù)關(guān)系圖

        式(9)中,為上一代中第j維的全局最優(yōu)解。

        2.3 改進的偵查預(yù)警麻雀更新公式

        改進后的公式表示若該麻雀是最優(yōu)位置的麻雀,它會逃到最優(yōu)位置和最差位置間的隨機位置,否則,它會逃到自己和最優(yōu)位置之間的隨機位置。

        2.4 融合柯西變異和反向?qū)W習(xí)策略

        反向?qū)W習(xí)是Tizhoosh 于2005 年提出的一種新方法,其目的是以當前解為基礎(chǔ),通過反向?qū)W習(xí)機制尋到對應(yīng)的反向解,然后經(jīng)過評估比較保存更好的解。為讓個體能夠更好地尋到最優(yōu)解,將反向?qū)W習(xí)策略融入到麻雀算法中,數(shù)學(xué)表征如下:

        其中,X′best(t)為第t代最優(yōu)解的反向解,ub、lb分別是上下界,r是服從(0,1)標準均勻分布的1×d(d為空間維數(shù))的隨機數(shù)矩陣,b1表示信息交換控制參數(shù)[14],公式如下:

        柯西變異源自柯西分布,一維柯西分布概率密度如下:

        當a=1 時,稱為標準柯西分布。圖2 為高斯分布與柯西分布的概率密度函數(shù)曲線。

        從圖2 中可以清晰看出,柯西分布兩端形狀又長又扁,逼近于0 的過程比較平緩,速度相較于高斯分布更慢,并且在原點附近的峰值與高斯分布相比更小,因此柯西變異在擾動能力方面比高斯變異更強。將柯西變異引入目標位置更新方式中,發(fā)揮柯西算子的擾動能力,使算法的全局尋優(yōu)性能得到提升。

        Fig.2 Probability density function curves of standard Cauchy distribution and Gaussian distribution圖2 標準柯西分布、高斯分布概率密度函數(shù)曲線

        式(15)中,cauchy(0,1)為標準柯西分布??挛鞣植茧S機變量生成函數(shù)為η=tan[(ξ-0.5)π]。

        為進一步提升算法尋優(yōu)性能,采取一種動態(tài)選擇策略更新目標位置,將反向?qū)W習(xí)策略和柯西變異算子擾動策略在一定概率下交替執(zhí)行,動態(tài)更新目標位置。反向?qū)W習(xí)策略中,通過反向?qū)W習(xí)機制得到反向解,擴大算法的搜索領(lǐng)域。柯西變異策略中,運用柯西變異算子在最優(yōu)解位置進行擾動變異操作得出新解,改善了算法跌入局部區(qū)域的缺陷。至于采取何種策略進行目標位置更新,由選擇概率Ps[14]決定,其計算公式如下:

        式中,θ為調(diào)整參數(shù),其值可取0.05。

        具體選擇策略方式如下:

        如果rand<Ps,選擇式(11)~(13)反向?qū)W習(xí)策略進行位置更新,否則選取式(15)柯西變異擾動策略進行目標位置更新。

        通過上述兩種擾動策略雖然能增強算法躍出局部空間的能力,但是無法確定擾動變異之后得到的新位置要優(yōu)于原位置的適應(yīng)度值,因此在進行擾動變異更新后,引入貪婪規(guī)則,通過比較新舊兩個位置的適應(yīng)度值,確定是否要更新位置。貪婪規(guī)則如式(17)所示,f(x)表示x的位置適應(yīng)度值。

        融合柯西變異和反向?qū)W習(xí)的改進麻雀算法步驟如下:

        (1)初始化參數(shù),如種群數(shù)量N、最大迭代次數(shù)、發(fā)現(xiàn)者比例PD、偵察者比例SD、警戒閾值R2等,并利用式(7)Sin 混沌映射初始化麻雀種群。

        (2)計算各只麻雀的適應(yīng)度值,找出當前最優(yōu)適應(yīng)度值和最差適應(yīng)度值,以及相對應(yīng)的位置。

        (3)從適應(yīng)度值較優(yōu)的麻雀中,選取部分麻雀作為發(fā)現(xiàn)者,并按照式(9)更新位置。

        (4)余下麻雀作為跟隨者,并按照式(5)更新位置。

        (5)從麻雀中隨機選擇部分麻雀作為警戒者,并按照式(10)更新位置。

        (6)根據(jù)概率Ps選擇柯西變異擾動策略和反向?qū)W習(xí)策略對當前最優(yōu)解進行擾動,產(chǎn)生新解。

        (7)依據(jù)貪婪規(guī)則式(17),確定是否進行位置更新。

        (8)判斷是否達到結(jié)束條件,若是,則進行下一步,否則跳轉(zhuǎn)步驟(2)。

        (9)程序結(jié)束,輸出最優(yōu)結(jié)果。

        3 算法性能測試

        基于8 個基準測試函數(shù),比較ISSA 與3 種基本算法SSA[1]、GWO[15]和MFO[16],以及兩種改進的麻雀算法ASSA(adaptive sparrow search algorithm,引進第2 章中的自適應(yīng)權(quán)重)和CASSA(Cauchy adaptive sparrow search algorithm,引進自適應(yīng)權(quán)重和在跟隨者中引入柯西變異策略)的性能。測試函數(shù)中包括單峰、多峰函數(shù),維度d分別為10/30/100。為公平驗證ISSA 算法有效性,測試在同一運行環(huán)境下進行,運用MATLAB2019a 版本完成仿真,操作系統(tǒng)Microsoft Windows 8.1,通用條件設(shè)置為相同,種群數(shù)量為30,迭代次數(shù)為500,各算法獨立運行50 次。

        3.1 參數(shù)設(shè)置

        各個算法的參數(shù)設(shè)置如表1 所示,8 個基準測試函數(shù)的取值范圍、最優(yōu)解等信息如表2 所示。

        3.2 算法性能結(jié)果對比分析

        6 種算法優(yōu)化8 個基準測試函數(shù)的具體結(jié)果如表3 所示。

        由表3 可知,對于單峰函數(shù)f1至f5中,除了f2和f3,3 種改進的麻雀算法在不同維度下的求解精度基本一致,但是ISSA 收斂速度更快,相比其余3 種算法均有較大的提升,并且平均值均能接近理論最優(yōu)解,標準差最?。辉趦?yōu)化多峰函數(shù)f6至f8中,3 種改進的麻雀算法不論是在10 維、30 維還是100 維,均能夠有效跳出局部最優(yōu),取得理想效果,說明改進的策略是可行有效的,但ISSA 求解效率最高。另外,隨著維度逐漸增大,基本SSA 求解精度出現(xiàn)降低的現(xiàn)象,而ISSA 求解精度基本沒有發(fā)生變化,甚至在f2精度進一步提高,表現(xiàn)出了極強的穩(wěn)定性。結(jié)合單峰函數(shù)和多峰函數(shù)的優(yōu)化效果和收斂圖3 至圖10 可以發(fā)現(xiàn),ISSA 在求解精度、收斂速度兩方面,均表現(xiàn)出了更為出色的性能。從多次尋優(yōu)的平均值和標準差這兩項指標可以看出,ISSA 的值更小,表明了ISSA 的穩(wěn)定性和魯棒性明顯優(yōu)于其余5 種算法。

        Table 1 Parameter settings表1 參數(shù)設(shè)置

        Table 2 Benchmark test functions表2 基準測試函數(shù)

        3.3 算法收斂曲線對比分析

        基準測試函數(shù)曲線能夠直觀地體現(xiàn)各個算法的收斂速度和收斂精度,同時也能清楚地顯示算法跳出局部空間的能力。8 個基準測試函數(shù)(維度d=30)的收斂曲線如圖3 至圖10 所示,其中橫軸代表更新代數(shù),縱軸代表適應(yīng)度值以e為底的對數(shù)ln。

        從以上收斂曲線圖可知,在求解不同測試函數(shù)時,ISSA 算法的收斂速度更快,曲線更平滑。對數(shù)值越低,代表尋優(yōu)精度越高。先出現(xiàn)曲線拐點,代表求解速度更快。

        Table 3 Comparison of optimal results of benchmark test functions表3 基準測試函數(shù)優(yōu)化結(jié)果比較

        3.4 與最新的改進麻雀算法(CSSA)比較

        Fig.3 f1 convergence curve圖3 f1 收斂曲線

        Fig.5 f3 convergence curve圖5 f3 收斂曲線

        Fig.7 f5 convergence curve圖7 f5 收斂曲線

        由于麻雀搜索算法過于新穎,當前對其改進的只有呂鑫等[17]所提出的混沌麻雀搜索算法(chaos sparrow search algorithm,CSSA)。為進一步體現(xiàn)ISSA的有效性,選取幾個具有代表性的測試函數(shù)與混沌麻雀搜索算法在同一條件下(以文獻[17]中的通用條件為準)進行算法性能比較,實驗比較結(jié)果如表4 所示。

        Fig.4 f2 convergence curve圖4 f2 收斂曲線

        Fig.6 f4 convergence curve圖6 f4 收斂曲線

        Fig.8 f6 convergence curve圖8 f6 收斂曲線

        Fig.9 f7 convergence curve圖9 f7 收斂曲線

        Table 4 Comparison of CSSA and ISSA algorithm performance表4 CSSA 與ISSA 算法性能比較

        由表4 可知,對于函數(shù)f1、f2、f3、f5,ISSA 在平均值和標準差上比CSSA 至少提升了6 個數(shù)量級,雖然提升得不多,但是求解精度更高。對于優(yōu)化多峰函數(shù)f6至f8,ISSA 與CSSA 優(yōu)化效果相當。總體來說,從平均值和標準差兩個指標來看,ISSA 的值更小,表明ISSA 全局尋優(yōu)能力比CSSA 更強,穩(wěn)定性更高,是一種更為高效的算法。

        3.5 Wilcoxon 秩和檢驗

        僅憑50 次獨立運行的平均值和標準差不能夠完全說明ISSA 的優(yōu)越性,需要進行統(tǒng)計檢驗。為體現(xiàn)公平性,本文采用Wilcoxon 秩和檢驗驗證ISSA 每次運行結(jié)果在p=5%的顯著性水平下是否與其他算法存在顯著性差異。當p<5%時,可以被認為拒絕H0假設(shè),表明兩種算法之間存在顯著性差異;當p>5%時,可以被認為接受H0 假設(shè),表明兩種算法之間的差異性不明顯,即兩種算法尋優(yōu)性能相當。

        Fig.10 f8 convergence curve圖10 f8 收斂曲線

        表5 給出了ISSA 與GWO、MFO、SSA、ASSA、CASSA 在顯著性水平p=5%、維度d=30 下的結(jié)果,其中N/A 表示兩者之間性能相當,無法比較。由于算法本身無法比較,故用N/A 表示。

        Table 5 Wilcoxon rank test p values表5 Wilcoxon 秩和檢驗p 值

        從表5 可知,大部分的p值均小于0.05,表明ISSA 與其余5 種算法之間存在顯著差異性。對于函數(shù)f6至f8,ISSA 與SSA、ASSA、CASSA 之間的顯著差異性不明顯,優(yōu)化性能相當。

        3.6 改進算法(ISSA)的時間復(fù)雜度分析

        時間復(fù)雜度是評價算法求解速度的一個重要指標,本文對改進后的麻雀算法(ISSA)進行時間復(fù)雜度分析。

        基本SSA 算法中,設(shè)置種群規(guī)模為N,空間維度為d,最大迭代次數(shù)為itermax,初始化種群參數(shù)的時間為η0,每一維產(chǎn)生隨機數(shù)時間為η1,求解目標適應(yīng)度函數(shù)時間為f(d),則初始階段時間復(fù)雜度為:

        發(fā)現(xiàn)者數(shù)量為r1N,假設(shè)r1為發(fā)現(xiàn)者比例,每一維按式(4)進行位置更新的時間為η2,Q、α均為(0,1)的隨機數(shù),其生成時間均為η3,則發(fā)現(xiàn)者位置更新階段時間復(fù)雜度為:

        警戒者數(shù)量為r2N,假設(shè)r2為警戒者比例,每一維按式(6)進行位置更新的時間為η4,β、k均為正態(tài)分布隨機數(shù),其生成時間均為η5,此階段時間復(fù)雜度為:

        跟隨者數(shù)量為(1-r1-r2)N,假設(shè)每一維按式(5)進行位置更新的時間為η6,產(chǎn)生參數(shù)Q、α的時間分別為η3、η7,則跟隨者位置更新階段時間復(fù)雜度為:

        綜上,基本SSA 的時間復(fù)雜度為:

        改進算法(ISSA)初始階段時間復(fù)雜度T′1與基本SSA 相同,均為式(18)所示,假設(shè)式(8)產(chǎn)生的自適應(yīng)權(quán)重ω的時間為t1,每一維按式(9)進行位置更新的時間為t2,則改進后發(fā)現(xiàn)者位置更新階段時間復(fù)雜度為:

        假設(shè)每一維按照式(10)進行位置更新的時間為t3,產(chǎn)生β的時間與基本SSA 相同,均為η5,則改進后的預(yù)警階段時間復(fù)雜度為:

        跟隨者階段時間復(fù)雜度T′4與基本SSA 相同,均為式(21)所示。融合柯西變異和反向?qū)W習(xí)策略過程中:假設(shè)計算參數(shù)b1、Ps的時間分別為t4、t5,依據(jù)貪婪規(guī)則比較位置優(yōu)劣和擇優(yōu)更新目標位置的時間分別為t6、t7,此階段時間復(fù)雜度為:

        綜上,ISSA 的時間復(fù)雜度為:

        綜上發(fā)現(xiàn),ISSA 與SSA 相比較,時間復(fù)雜度相同,表示本文對SSA 提出的改進策略并沒有增加時間復(fù)雜度,降低求解效率。

        4 結(jié)束語

        針對基本麻雀算法的缺陷,本文提出一種融合柯西變異和反向?qū)W習(xí)的改進麻雀算法(ISSA),并對8個基準測試函數(shù)進行仿真實驗以及Wilcoxon 秩和檢驗,比較算法性能,得出以下結(jié)論:

        (1)ISSA 尋優(yōu)性能提升明顯,可以有效地跳出局部最優(yōu)。麻雀位置初始化對全局搜索非常重要,通過Sin 混沌初始化麻雀種群,豐富解的多樣性;引入動態(tài)自適應(yīng)權(quán)重因子,有效平衡了算法全局和局部的開掘能力;融合柯西變異和反向?qū)W習(xí)策略,降低算法跌入局部極值的概率,提高全局探索性能。

        (2)8 個基準測試函數(shù)表明:ISSA 在收斂精度、求解速度、跳出局部最優(yōu)能力相較于GWO、MFO、SSA、CSSA、ASSA、CASSA 表現(xiàn)出了更為出色的尋優(yōu)性能,證實了算法改進的有效性。

        (3)下一步可以考慮繼續(xù)改進麻雀算法尋優(yōu)機理和算法結(jié)構(gòu),或者融合其他智能算法的優(yōu)點,提出性能更佳的智能算法,以及將ISSA 應(yīng)用到復(fù)雜的優(yōu)化問題中,擴展本文算法的應(yīng)用領(lǐng)域。

        猜你喜歡
        發(fā)現(xiàn)者柯西測試函數(shù)
        柯西積分判別法與比較原理的應(yīng)用
        柯西不等式在解題中的應(yīng)用
        柯西不等式的變形及應(yīng)用
        “發(fā)現(xiàn)者”卡納里斯的法律方法論
        法律方法(2018年2期)2018-07-13 03:21:42
        具有收縮因子的自適應(yīng)鴿群算法用于函數(shù)優(yōu)化問題
        讓學(xué)生在小學(xué)數(shù)學(xué)課堂中做一個“發(fā)現(xiàn)者”和“創(chuàng)造者”
        魅力中國(2017年6期)2017-05-13 12:56:17
        柯西不等式的應(yīng)用
        三位引力波發(fā)現(xiàn)者分享2017年諾貝爾物理學(xué)獎
        帶勢函數(shù)的雙調(diào)和不等式組的整體解的不存在性
        約束二進制二次規(guī)劃測試函數(shù)的一個構(gòu)造方法
        一边摸一边抽搐一进一出视频| 老熟妇高潮av一区二区三区啪啪| 国产精品第一区亚洲精品| 久久精品国产亚洲av麻豆瑜伽| 免费国产黄网站在线观看可以下载| 看黄网站在线| 日韩精品视频免费福利在线观看| 二区免费在线视频观看| 国产成+人+综合+亚洲欧美丁香花| 五十路熟妇亲子交尾| 日本最新一区二区三区免费看| 亚洲av熟女中文字幕| 亚洲乱亚洲乱妇| japanesehd中国产在线看| 疯狂做受xxxx高潮欧美日本| 国产美女高潮流白浆在线观看| 亚洲国产综合一区二区| 国产精品久久国产精品99 gif| 国产又滑又嫩又白| 啪啪网站免费观看| 日韩女优视频网站一区二区三区| 精品国产精品国产偷麻豆| 女人被做到高潮免费视频 | 孩交精品xxxx视频视频| 国产精品无码久久久久久久久作品| 中文字幕久久精品一区二区| 国产又大又硬又粗| 国产免费久久精品国产传媒| 亚洲伊人免费综合网站| 国产精品成人一区二区不卡| 女人被狂c躁到高潮视频| 久久精品伊人无码二区| 青青草精品在线免费观看| 18国产精品白浆在线观看免费| 国产又黄又猛又粗又爽的a片动漫| 日本一区免费喷水| 丰满少妇被猛进去高潮| 在线综合亚洲欧洲综合网站| 亚洲熟女av超清一区二区三区| 蜜臀av在线一区二区尤物| 国产免费拔擦拔擦8x高清在线人|