线上线下融合教学有效性提升的破解之道

线上线下融合教学能发挥出整体大于部分之和的教学效果,是有效教学的本质诉求,也是我国教学改革的必然趋势。目前我国线上线下融合教学价值尚未被真正彰显,其有效性在实践过程中被蒙蔽,呈现出有效性缺失的困境,这一状况的出现制约着我国高质量教育体系的建设与发展。因此,本研究借助复杂适应系统视角,来查明融合教学失效的原因,并指明三大破解之道,以期为我国融合教学的有效开展提供参考。

非理想信道状态信息下调制方式切换阈值最优化算法

针对自适应资源调度OFDM系统,在非理想信道状态信息下(ICSI)最大化系统频谱效率问题,提出了平均BER约束下调制方式切换阈值最优化(MSTO)算法。利用拉格朗日乘数法将此J-1维的调制方式切换阈值最优化问题转化为一维优化问题,并证明了问题最优解必在平均BER约束条件的边界(目标平均BER)上取得,从而得到该问题的最优解。仿真结果表明,MSTO算法能在满足用户目标平均BER条件下自适应用户ICSI准确度参数的变化,最大化系统频谱效率。该算法性能优于改进的Ma’s算法和AM-PCSI算法,其复杂度符合实际自适应OFDM系统实时性设计要求,可方便地应用到实际系统中。

基于多层BiLSTM和改进粒子群算法的应用负载预测方法

为了解决常用时序预测算法精度不高和调参困难的问题,提出基于多层双向长短期记忆(BiLSTM)神经网络的负载预测方法,包括网络模型设计、自适应参数设置和改进粒子群算法优化等步骤.将数据输入网络模型中进行训练,使用自适应算法进行自动调参;采用基于基准模型的多指标融合的模型评价方法,计算改进粒子群算法的适应度;使用改进粒子群算法优化模型的预测结果.通过与多种典型时间序列预测算法的实验对比,方法的预测平均绝对百分比误差减小3.6%~7.2%,训练时间缩短10%以上,实验结果验证了方法在时间序列预测中具有更高的准确性和很强的适用性,为使用负载预测结果进行弹性扩缩容提供了重要的科学依据.

基于LSTM和GRNN的容器配额优化算法

为了实现容器配额设置自动化和集群资源利用最大化,本文设计了一种容器配额优化算法.本文在长短期记忆(Long Short-Term Memory,LSTM)神经网络和广义回归神经网络(Generalized Regression Neural Network,GRNN)的基础上设计了深度神经网络(Long short-term memory and GRNN Network,LGN),并使用改进量子粒子群算法优选网络结构超参数,以实现自动调参和更快的收敛速度.容器配额优化算法步骤如下:首先根据历史数据使用LGN训练资源容量模型,然后使用改进的量子粒子群算法优化模型参数,最后使用资源容量模型计算容器配额.通过与谷歌容器垂直自动扩展器(Vertical Pod Autoscaler,VPA)和水平自动扩展器(Horizontal Pod Autoscaler,HPA)生成的配额进行对比发现,本文提出的优化算法较VPA和HPA降低了至少10%的资源分配总量,同时提升了至少6%的资源利用率.