Cultural heritage education-driven utilization of NSGA algorithms to construct innovative path design for the inheritance of non-heritage music and art
Notice bibliographique
Résumé
Traditional non-heritage music art is gradually declining, driven by cultural heritage education, this paper studies the future inheritance trend of non-heritage music art.In this paper, the infectious disease dynamics model and complex network propagation theory are used to construct a mathematical model of the inheritance of non-heritage music art, an improved non-dominated sorting genetic algorithm is proposed, and the trend characteristics of the inheritance of non-heritage music art are simulated by solving the parameters of the model through the improved NSGA- algorithm which introduces the congestion calculation method and the crossover strategy.The improved NSGA- algorithm shows better convergence speed of optimization search and uniformity of solution distribution on single peak function and three ZDT functions.Its SP and IGD indexes are much better than the comparison algorithm, with values less than one-half of the comparison algorithm.Taking the heat of non-heritage music and art inheritance in Baidu index for several days as the simulation object, it is found that the simulation of the mathematical model of non-heritage music and art inheritance in this paper has a maximum heat value of 115,000 and the real maximum heat value of 117,241 are not much different from each other, which confirms that this paper's non-heritage music and art inheritance mathematical model has a better fitting effect and reasonableness.The work of this paper has injected new vitality into the innovation of non-heritage music art inheritance.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».