潜在狄利克雷分布(Latent Dirichlet Allocation,LDA)是一种流行的三层概率主题模型,其实现了文本与文本中的单词在主题层次上的聚类。该模型以词袋(Bag of Words,BOW)模型为假设,所有单词的重要性相同,简化了建模的复杂度,但使得主题分布倾向于高频词,影响了主题模型的语义连贯性。针对此问题,提出了一种基于动态权重的LDA算法,该算法的基本思想是每个单词在建模中具有不同的重要性,在迭代过程中根据单词的主题分布动态生成相应的权重并反作用于主题建模,降低了高频词对建模的影响,提高了关键词的重要性。在4个公开数据集上的实验表明,基于动态权重的LDA算法在主题语义连贯性、文本分类准确率、泛化性能和精度方面比目前流行的LDA推理算法表现得更加优越。

针对灰狼算法具有易陷于局部最优并且收敛速度不理想的缺点，提出基于改进收敛因子策略和引入动态权重策略以及两种策略混合改进的灰狼优化算法，并且用于求解函数优化问题。提出一种非线性收敛因子公式，能够动态地调整算法的全局搜索能力，引入的动态权重使算法在收敛过程中能够加快算法的收敛速度。通过15个基准测试函数验证改进后算法的全局搜索能力、局部搜索能力与收敛速度，实验结果表明，改进后的算法无论在搜索能力还是收敛速度上都强于标准灰狼算法。

行业-电子政务-基于动态权重调整的负载均衡方法、装置和电子设备.zip