李姗珊,卢 杰,贾诗音

数据科学预测分析已经成为复杂系统决策支持的重要技术方法，其分析精度在很大程度上取决于模型参数寻优效率和全局收敛性。针对高维、非凸性和多峰性目标函数，传统优化方法易陷入局部极值，且收敛速度受限，难以满足大规模数据分析的需要。启发式算法因其对梯度信息依赖较弱、全局寻优能力强等优点，可有效替代参数优化，但仍面临收敛精度和计算效率之间的矛盾。本研究所提出的改进启发式优化算法将为提高预测模型的泛化能力和分析可靠性提供理论依据和技术支撑。

改进启发式；优化算法；数据分析；科学预测

[1] 张家强,芦艾,康明,余凤湄.小数据机器学习算法在材料科学领域中的研究进展[J].橡胶工业,2026,73(04):309-319. [2] 黄侃.人工智能驱动另类科学知识生产的现状和图景[J].自然辩证法研究,2026,42(03):89-97. [3] 肖濛,周骏丰,周园春.基于强化学习的科学数据特征生成算法[J].计算机研究与发展,2025,62(09):2127-2138. [4] 常月.数据挖掘算法在大数据网络安全防御中的应用研究[J].互联网周刊,2025,(13):18-20. [5] 张文魁.数字经济中的数据和算法规制[J].重庆理工大学学报(社会科学),2022,36(10):8-13. [6] 周佳茵,钱庆,唐明坤,吴思竹.科学数据引用识别方法研究[J].数据分析与知识发现,2023,7(06):38-49.

点击下载PDF