检索结果-内蒙古大学图书馆

产业创新研究 2025年第3期 114-116页

作者：丁锐李碧涵邢浩航空工业西安航空计算技术研究所陕西西安710068

随着计算能力的提高和仿真技术的发展,群体行为仿真和群体智能算法在解决复杂系统问题中扮演的角色越来越重要。本文首先回顾了群体行为仿真的基本原理和关键技术,然后探讨了群体智能算法在不同领域的应用。通过对现有文献的综合分析,... 详细信息

随着计算能力的提高和仿真技术的发展,群体行为仿真和群体智能算法在解决复杂系统问题中扮演的角色越来越重要。本文首先回顾了群体行为仿真的基本原理和关键技术,然后探讨了群体智能算法在不同领域的应用。通过对现有文献的综合分析,提出了群体智能算法在处理大规模、动态和不确定环境下的群体行为问题时的潜力和挑战,并对未来的研究方向作出了展望。

关键词：群体行为仿真群体智能算法云计算分布式存储

来源：评论

学校读者我要写书评

暂无评论

基于梯度增强群体智能算法的预后引导肺癌调强放疗计划自动优化方法

引用

中华放射医学与防护杂志 2025年第4期45卷 302-308页

作者：刘嘉雯李永宝李华莉周凌宏宋婷南方医科大学生物医学工程学院广州中山大学肿瘤防治中心华南肿瘤学国家重点实验室广州

目的针对预后引导调强放疗(IMRT)计划优化中的大规模非线性规划问题, 提出了一种基于梯度增强的群体智能算法GradRCIPSO, 以实现临床高效场景下的预后计划全局优化寻解。方法 GradRCIPSO优化算法的核心思想是通过让粒子同时学习群体交... 详细信息

目的针对预后引导调强放疗(IMRT)计划优化中的大规模非线性规划问题, 提出了一种基于梯度增强的群体智能算法GradRCIPSO, 以实现临床高效场景下的预后计划全局优化寻解。方法 GradRCIPSO优化算法的核心思想是通过让粒子同时学习群体交互信息和梯度信息实现在全局范围的快速收敛。其中, 交互信息从群体中的优秀个体处获得, 用于让粒子高效搜索整个解空间;而梯度信息表征最速下降方向, 用以帮助粒子快速探索当前所在邻域。为评估方法的有效性, 本研究选取10例非小细胞肺癌(NSCLC)IMRT计划, 对其用GradRCIPSO生成预后引导的放疗计划后, 将该预后计划和原临床计划的质量进行对比。此外, 还分别用内点法、序列二次规划、积极集、梯度下降法和随机对比交互粒子群算法(RCIPSO)作为预后计划的优化引擎, 并比较其和GradRCIPSO在优化效率、精度方面的优劣。结果 GradRCIPSO可以成功地为患者生成预后引导的放疗计划, 所得计划相较原临床计划剂量统计水平相当, 且预期放疗总风险从1.22(0.84, 1.51)降至0.93(0.80, 1.29)(z=2.81, P<0.01)。GradRCIPSO的求解质量稳定, 求解精度优于4种梯度算法(z=2.80～2.81, P<0.01)。和未使用梯度增强的群体智能算法RCIPSO相比, GradRCIPSO可在求解质量相似(P>0.05)的同时, 提升约3倍的优化速度。结论建立了一种新的优化算法GradRCIPSO, 并验证了该方法在预后引导IMRT计划优化中的可行性及性能, 为预后引导肺癌调强计划设计的广泛临床应用奠定技术基础。

关键词：调强放疗预后引导放疗大规模非线性规划群体智能算法

来源：评论

学校读者我要写书评

暂无评论

群体智能算法搜索策略的性质及对停滞现象的影响

引用

系统工程理论与实践 2013年第6期33卷 1587-1595页

作者：陈俊风吴铁军浙江大学控制科学与工程学系杭州310027 河海大学物联网工程学院常州213022 河海大学江苏省输配电装备技术重点实验室常州213022

群体智能算法模拟生物进化或动物群体协作的搜索机制,其目标是快速有效地搜索复杂优化问题的解空间,寻求全局最优解.本文通过对群体智能算法的搜索机理进行分析,根据在搜索过程中解集内部结构变化的性质定义了解集多样度,并在此基础上... 详细信息

群体智能算法模拟生物进化或动物群体协作的搜索机制,其目标是快速有效地搜索复杂优化问题的解空间,寻求全局最优解.本文通过对群体智能算法的搜索机理进行分析,根据在搜索过程中解集内部结构变化的性质定义了解集多样度,并在此基础上研究了两种基本的搜索策略——多样化搜索和集中化搜索对解集进化过程中的停滞性的影响,证明了集中化搜索不可避免地使解集中的候选解逐渐趋于单一,是导致算法停滞收敛的主要原因;而多样化搜索能从任何候选解出发搜索到整个编码空间中的任一个点,即整个空间是多样化搜索的可达域,但将使算法不收敛.本文采用三类典型的群体智能算法:遗传算法、蚁群算法和粒子群算法进行了实验,验证了上述分析结论的正确性.

关键词：群体智能算法集中化搜索多样化搜索停滞现象

来源：评论

学校读者我要写书评

暂无评论

群体智能算法在路面参数反分析中的适用性及优选策略

引用

土木与环境工程学报（中英文） 2024年第5期46卷 191-203页

作者：杨森顺邓尚瑛范海山张军辉广西交通设计集团有限公司南宁530029 长沙理工大学交通运输工程学院长沙410114

随着群体智能算法在路面参数反演中的成功应用,复杂多元非线性优化难题得以解决,但算法的选择仍然是路面参数反分析问题中亟待解决的难题。针对路面参数反分析中模型复杂、反演参数众多、绝大多数运算时间消耗在正算程序上等问题,选择8... 详细信息

随着群体智能算法在路面参数反演中的成功应用,复杂多元非线性优化难题得以解决,但算法的选择仍然是路面参数反分析问题中亟待解决的难题。针对路面参数反分析中模型复杂、反演参数众多、绝大多数运算时间消耗在正算程序上等问题,选择8种常见的群体智能算法,开展限定正算调用次数下算法性能相关研究,并以考虑材料横观各向同性以及层间接触状态的路面结构参数反演问题为例,对群体智能算法进行实际测试。结果表明:不同算法各具特点,其中,粒子群算法、遗传算法、头脑风暴算法、人工蜂群算法以及烟花算法在多峰问题上具有较好的适用性;萤火虫算法在解决最优解附近存在平缓区域的问题时具有较快的收敛速度;对于遗传算法,实数编码方式后期收敛速度较二进制编码方式有所提高,但对于多峰问题的搜索能力有所下降;鱼群算法、混合蛙跳算法仅有在较大正算调用次数下才有较好的寻优能力。对于路面参数反演问题,从弯沉曲线匹配上看,粒子群算法、遗传算法、头脑风暴算法以及萤火虫算法均有较好的反演结果;而从相关系数上看,头脑风暴算法具有最佳反演结果。

关键词：路基路面参数反演群体智能算法头脑风暴算法遗传算法粒子群算法

来源：评论

学校读者我要写书评

暂无评论

基于快速群体智能算法的毫米波天线设计

引用

电子与信息学报 2018年第2期40卷 493-499页

作者：陈月云简荣灵赵庸旭北京科技大学计算机与通信工程学院北京100083

针对毫米波天线阻抗不匹配的问题,该文提出基于粒子群蚁群(Particle Swarm Ant Colony Optimization,PSACO)的天线贴片参数优化算法,利用蚁群算法的信息素引导机制获得粒子群算法的最优贴片长、宽及馈电位置;并采用模糊决策综合评价模型... 详细信息

针对毫米波天线阻抗不匹配的问题,该文提出基于粒子群蚁群(Particle Swarm Ant Colony Optimization,PSACO)的天线贴片参数优化算法,利用蚁群算法的信息素引导机制获得粒子群算法的最优贴片长、宽及馈电位置;并采用模糊决策综合评价模型(Fuzzy Decision-Making Comprehensive Evaluation,FD-MCE)求解毫米波天线的地面开槽位置,实现带宽扩展。对28.0 GHz中心频率进行设计与仿真,结果证明所提方法能有效且快速实现毫米波天线阻抗匹配,保证谐振频率与中心频率的一致,且在开槽面积不大于接地面总面积30%时带宽可扩展约33%,回波损耗特性也得到明显改善。所提算法具有计算复杂度低,收敛速度快的优点。

关键词：毫米波天线群体智能算法模糊决策综合评价地面开槽

来源：评论

学校读者我要写书评

暂无评论

群体智能算法及其在基因表达数据聚类中的应用

群体智能算法及其在基因表达数据聚类中的应用

引用

作者：陈伟江南大学

学位级别：博士

群体智能算法是一种新兴的优化计算方法,自20世纪80年代提出以来,引起了众多学科研究者的广泛关注,目前已成为优化技术领域的一个热点研究方向。群体智能算法是基于群体行为对给定的目标进行寻优的启发式搜索算法,其寻优过程体现了随机... 详细信息

群体智能算法是一种新兴的优化计算方法,自20世纪80年代提出以来,引起了众多学科研究者的广泛关注,目前已成为优化技术领域的一个热点研究方向。群体智能算法是基于群体行为对给定的目标进行寻优的启发式搜索算法,其寻优过程体现了随机、并行和分布式的特点。作为群体智能算法中的典型代表,粒子群优化(Particle Swarm Optimization,PSO)算法是由Kennedy和Eberhart在1995年提出的,其基本思想是受他们早期对鸟类群体行为研究结果的启发,并利用了生物学家Frank Heppner的生物群体模型。PSO算法具有计算简单,易于实现、控制参数少等优点,但是却不是一个全局收敛的算法。量子行为粒子群优化(Quantum-behaved Particle Swarm, QPSO)算法是在分析了PSO算法中粒子收敛行为的基础上,从量子力学角度出发,提出的一种全新PSO算法模型,具有控制参数更少,收敛速度快,全局收敛能力强等特点。本文以QPSO算法为核心,首先对算法的基本理论进行了系统的研究,提出了算法的改进方法。随后将QPSO算法应用到基因表达数据聚类分析领域中。基因表达数据聚类分析是生物信息学领域的研究热点和难点,本文将基因表达数据聚类分析问题归结为一个优化问题,提出了基于QPSO的基因表达数据聚类算法,取得了良好的聚类划分效果,为基因表达数据的分析开辟了新的方法与思路。论文具体内容如下: (1)首先对课题的研究背景进行了详细地综述,包括群体智能算法和基因表达数据分析的研究现状,提出了本课题的主要研究内容是QPSO算法及其在基因表达数据聚类分析中的应用。在此基础上论述了本课题的研究目标和意义,随后详细阐述了课题的研究基础,即PSO算法的基本理论,介绍了PSO算法的主要改进方法。 (2)对QPSO算法的基本原理进行了介绍,针对QPSO算法存在的粒子早熟问题,提出综合学习QPSO(CLQPSO)算法。在CLQPSO算法中,种群中所有粒子的个体最优位置都被用来更新粒子的局部吸引子,这种新的学习策略保证了种群的多样性,从而防止了粒子的过早收敛。针对CLQPSO算法中的几个关键参数的选取问题进行了详细讨论,通过仿真测试给出了参数的经验设置。为了考察CLQPSO算法的收敛性能和优化求解能力,验证算法的优越性,选择包括CLQPSO算法在内的8个具有代表性的PSO和QPSO算法模型进行了数值仿真测试,测试结果及分析表明,CLQPSO算法对各测试函数具有较好的寻优结果,尤其适用于对多峰函数的优化求解,在保证收敛精度的同时,也具有较快的收敛速度,是一种具有较好收敛性能的全局优化算法。 (3)简单介绍了基因表达数据聚类分析问题的相关基本理论,包括基因表达数据集的矩阵表示方式,基因表达数据的预处理,数据向量之间的相似性度量准则,基因表达数据聚类问题的描述以及聚类结果的评价。提出了基于聚类中心编码和基于类标签编码的QPSO基因表达数据聚类算法,并在6个选取的基因表达数据集上进行聚类仿真测试,对仿真测试的结果进行了详细的讨论。 (4)对专门适用于求解离散空间优化问题的二进制编码QPSO(Binary QPSO, BQPSO)算法进行了深入研究,将综合学习策略引入到BQPSO中,替代原先BQPSO算法中局部吸引子更新时采用的交叉操作,提出了综合学习BQPSO(CLBQPSO)算法。对CLBQPSO算法的数值仿真测试表明,新的学习策略有效提高了算法的全局收敛性能。将其应用于基因表达数据的聚类分析问题中,提出基于类标签编码的CLBQPSO聚类算法。 (5)针对之前提出的聚类算法需要预先确定聚类数目,无法在聚类过程中自适应调整最佳聚类数的问题,提出了两种基于QPSO的动态数据聚类算法。第一种QPSO自动聚类(QPSOAC)算法中,通过特殊的粒子编码方式,在每个粒子中增加一组阈值,作为控制对应聚类中心的开关,在聚类过程中,每个粒子中只有满足激活条件的聚类中心才会被选中进行对数据集的聚类划分。第二种QPSO动态聚类(DCQPSO)算法给定一组聚类中心,通过二进制编码QPSO中的粒子对聚类中心进行选择,再由二进制QPSO的迭代更新确定聚类中心的最优组合,并结合K-means聚类算法得到对数据集的最优聚类划分。在对两种动态聚类算法进行了聚类仿真测试验证算法的有效性之后,将它们应用到了基因表达数据的聚类分析问题中。论文最后对本课题的主要研究工作和所获得的成果进行了总结,并对今后的进一步研究进行了展望。

关键词：优化问题群体智能算法粒子群优化量子行为粒子群优化基因芯片基因表达数据分析聚类动态聚类

来源：评论

学校读者我要写书评

暂无评论

群体智能算法在图像分割中的应用综述

引用

计算机工程与应用 2021年第8期57卷 36-47页

作者：史春天曾艳阳侯守明河南理工大学计算机科学与技术学院河南焦作454000

图像分割的通用方法一直是图像处理领域中的热点和难点。随着人工智能的兴起和发展,群体智能算法成为当下热点研究的方向,将图像分割技术结合群体智能算法成为一种新型有效的改进方法。群智能算法通过模拟自然界的事物或生物的行动规律... 详细信息

图像分割的通用方法一直是图像处理领域中的热点和难点。随着人工智能的兴起和发展,群体智能算法成为当下热点研究的方向,将图像分割技术结合群体智能算法成为一种新型有效的改进方法。群智能算法通过模拟自然界的事物或生物的行动规律,将传统的人工智能和群体生物结合,在解空间中搜索最优解,为解决复杂问题提供了新的解决思路。阐述群体智能算法的研究现状和发展过程,将早期的蚁群算法(Ant Colony Optimization,ACO)、经典的粒子群算法(Particle Swarm Optimization Algorithm,PSO)以及较新的麻雀搜索算法(Sparrow Search Algorithm,SSA)为例详细介绍其算法原理方法,并简要表述蝙蝠算法(Bat Algorithm,BA)、鲸鱼优化算法(Whale Optimization Algorithm,WOA)、人工蜂群算法(Artificial Bee Colony Algorithm,ABC)、萤火虫算法(Firefly Algorithm,FA)、布谷鸟搜索法(Cuckoo Search,CS)、细菌觅食算法(Bacterial Foraging Optimization,BFO)和最新的蜉蝣算法(Mayfly Algorithm,MA)的原理,在此基础上,结合国内外文献对上述算法的改进方法和结合图像分割技术的综合改进及应用进行分析总结。将群体智能算法结合图像分割技术的代表性算法提取出来进行列表分析总结,随后概述总结群体智能算法的统一框架、共同特性、不同的差异并提出存在的问题,最后对未来趋势做出展望。

关键词：群体智能算法图像分割蚁群算法粒子群算法麻雀搜索算法蝙蝠算法鲸鱼优化算法蜉蝣算法

来源：评论

学校读者我要写书评

暂无评论

群体智能算法在决策控制系统的应用策略研究

引用

火力与指挥控制 2022年第11期47卷 1-5页

作者：于君太原理工大学大数据学院太原030024

决策控制系统的智能化辅助程度正在逐步加深。群体智能算法以具有分布性、非直接通信、自组织、个体简单等特点,被广泛应用于智能化决策控制系统。在多种群体智能算法基本原理基础上,对其在决策控制系统中的应用策略进行详细论述,分析... 详细信息

决策控制系统的智能化辅助程度正在逐步加深。群体智能算法以具有分布性、非直接通信、自组织、个体简单等特点,被广泛应用于智能化决策控制系统。在多种群体智能算法基本原理基础上,对其在决策控制系统中的应用策略进行详细论述,分析了多种群体智能算法在决策控制系统的应用实践。在多模态数据协同推理的发展方向下,新一代信息技术的融合应用将进一步提升决策控制系统的性能。

关键词：群体智能算法决策控制系统蚁群算法粒子群算法人工蜂群算法

来源：评论

学校读者我要写书评

暂无评论

群体智能算法研究及其应用

群体智能算法研究及其应用

引用

作者：赵吉江南大学

学位级别：博士

群体智能优化算法是一种近年来新兴的优化方法,是受到关注最多的优化研究领域之一,其模拟社会性动物的各种群体行为,利用群体中的个体之间的信息交互和合作来实现寻优的目的。与其它类型的优化方法相比,其实现较为简单、效率较高。粒子... 详细信息

群体智能优化算法是一种近年来新兴的优化方法,是受到关注最多的优化研究领域之一,其模拟社会性动物的各种群体行为,利用群体中的个体之间的信息交互和合作来实现寻优的目的。与其它类型的优化方法相比,其实现较为简单、效率较高。粒子群优化算法(Particle Swarm Optimization,PSO算法)源于鸟群和鱼群群体运动行为的研究,是一种新的群体智能优化算法,是演化计算领域中的一个新的分支。它的主要特点是原理简单、参数少、收敛速度较快,所需领域知识少。具有量子行为的粒子群优化(Quantum-behaved Particle Swarm Optimization,QPSO)算法是在深入研究PSO算法单个粒子收敛行为的基础上,受量子物理学的启发而提出,QPSO算法具有控制参数更少,收敛速度快,全局搜索能力强等特点。本文以PSO算法与QPSO算法的理论分析及改进方法研究为重点,系统的研究了QPSO算法及其改进算法在相关方面的应用,具体内容如下: (1)从最优化问题概念及其求解方法入手,阐述了智能智能优化算法研究背景,详细介绍了几种常见的智能优化算法;通过阐述了没有免费午餐定理,说明了本文研究的基础;针对PSO算法的缺陷,提出了本课题的立题依据、研究目标、研究内容以及研究思路与方法。 (2)首先介绍了PSO算法的基本原理与基本流程,详细讨论了两种重要的改进算法:带权重的PSO算法和带压缩因子的PSO算法;阐述了QPSO算法的思想来源,给出了QPSO算法的设计思路。分析了随机算法收敛的两个判断准则,即全局搜索算法的收敛准则与局部搜索算法的收敛准则,利用这两个收敛准则作为依据,证明了QPSO算法是一个全局搜索的随机算法;对QPSO算法和PSO算法从算法本身的角度做了比较,说明QPSO的特点;最后尝试在QPSO算法中引入一种新的变异机制,提出了基于云模型变异的量子粒子群优化算法(QPSO-NCM),从而增加种群的多样性,提高算法跳出陷入局部寻优的能力,进一步增强全局搜索能力。变异操作能够增加群体的多样性,使得算法具有突跳的能力,进入新的搜索区域。 (3)针对QPSO算法在解决多峰优化问题中也可能出现局部收敛的现象,分析了出局部收敛的主要原因在于群体多样性较低而使得群体失去了在大范围内进行搜索的能力,通过使用物种形成策略的概念,结合QPSO算法提出了一种SQPSO(The Species-Based QPSO)算法,将粒子群系统中的粒子根据相似度进行划分,用来实现对多峰函数的优化。通过对静态多峰环境和动态多峰环境的测试仿真证明,改进后的算法全局搜索能力和局部搜索能力均得到很大提升。 (4)为了可以克服最小二乘法难于处理的时滞在线辨识,在QPSO算法中引入单神经元结构,提高算法的局部搜索能力,实现线性离散系统的在线辨识。改进QPSO算法收敛速度快,窗口长度更小,更适用于实时要求比较高的在线辨识应用。在时变时滞系统在线辨识的仿真结果也验证了改进QPSO算法具有很好的跟踪能力和稳定性,更适合实际的工程。通过引入接纳时间比控制机制,提出并设计了一种基于QPSO算法在线辨识的自适应反馈控制方法,实现了动态调整QoS的性能控制。 (5)将QPSO算法分别用于混沌系统、周期系统和稳定系统中的参数辨识研究,通过仿真实验验证了QPSO算法在系统参数辨识中比PSO算法和GA算法具有更好的性能。对于存在噪声的混沌系统,提出基于QPSO算法的在线参数辨识并证明了该方法的有效性。 (6) QPSO算法在故障诊断方面的研究。智能故障诊断技术是人工智能和故障诊断相结合的产物,通过人工的方法使用计算机模拟人类专家对复杂系统进行诊断。单一径向基(RBF)神经网络是一种性能良好的前向网络,其既有生物背景,又与函数逼近理论相配,适合于多变量函数逼近。用遗传算法优化RBF神经网络结构和权重等参数的方法具有一定的有效性,但遗传算法复杂的遗传操作(如选择、交叉、变异)使神经网络的训练时间随问题规模及复杂程度的增大而呈指数级增长。针对这些问题采用基于QPSO算法优化的RBF神经网络,进行故障进行诊断,可以有效地提高故障的正辩率。论文最后对所做工作与主要研究成果进行了总结,并提出了进一步的研究方向。

关键词：群体智能算法优化技术粒子群算法量子粒子群算法多峰优化系统辨识故障诊断

来源：评论

学校读者我要写书评

暂无评论

群体智能算法计算时间的分析与估算

群体智能算法计算时间的分析与估算

引用

作者：吴泓月华南理工大学

学位级别：硕士

群体智能算法是人工智能领域不可或缺的一部分,广泛应用于各类优化问题的求解中,并取得了很好的效果。相比其丰硕的应用研究成果,群体智能算法的理论研究相当匮乏,尤其是计算时间的研究。然而,计算时间的研究能够让人们更好地理解算法,... 详细信息

群体智能算法是人工智能领域不可或缺的一部分,广泛应用于各类优化问题的求解中,并取得了很好的效果。相比其丰硕的应用研究成果,群体智能算法的理论研究相当匮乏,尤其是计算时间的研究。然而,计算时间的研究能够让人们更好地理解算法,理解算法的参数,也能够让人们更好地对参数进行设置。在群体智能算法中,粒子群优化算法(Particle Swarm Optimization,PSO)和蚁群算法(Ant Colony Optimization,ACO)是两个典型的算法,分别广泛地应用于连续优化问题和离散优化问题中。因此,本文将通过理论推导的方式对PSO和ACO的计算时间进行分析。然而,复杂的理论推导难以对复杂高效的真实算法进行计算时间分析,因此,本文在理论推导之后,提出了实验估算方法,通过理论结合实验的方式,对PSO和ACO的计算时间进行估算。本文的研究内容主要分为以下四个部分。第一部分通过理论推导的方式,分析了两个单粒子PSO的计算时间。本文利用了平均增益的计算时间分析工具,通过计算算法每次迭代的概率分布,来计算算法的平均增益,进而得到算法的计算时间,并进一步对比了两个算法的计算时间。第二部分改进了现有的估算方法,估算了两个PSO变体的计算时间。现有的估算方法可用于连续型优化算法的计算时间估计,但是其估算结果无法看出算法参数对计算时间的影响。故本文改进了现有的估算方法,估算结果能够看出算法参数对计算时间的影响,并通过这一方法对两个PSO变体的计算时间进行估算,并通过估算结果讨论这些算法的参数对计算时间的影响。第三部分通过理论推导的方式,对比了两个蚁群系统算法(Ant System,AS)的计算时间。信息素矩阵是AS运行过程中维护的一个指导算法搜索方向的矩阵。本文通过分析算法信息素矩阵的变化,对比了两个算法的计算时间。第四部分提出了一个离散型优化问题的估算方法,估算了几个ACO变体的计算时间。本文在现有的连续型优化算法计算时间估算方法的基础上,提出了一个离散型优化算法的估算方法,并用于估算几个ACO变体的计算时间。

关键词：计算时间分析实验估算方法群体智能算法平均增益

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：