基于安卓的南邮通达掌上校园APP的需求分析

近年来,随着移动互联技术的迅猛发展和智能手机的普及,与移动信息有关的产品和服务正逐渐改变传统行业的生存和竞争模式并影响着每个人的生活[1]。自从安卓打开了中国的手机市场,便迅速占领了手机平台的高地。市场调研机构发布了2017年第一季度智能手机追踪报告,报告中显示Android市场份额占比高达86.1%。加上4G网络的覆盖,数字校园的移动化使得校园数字化建设从一个静态体逐步转变成动静态结合的智能网络平台。移动应用技术逐步成为与当下的教育体系、模式相适应的原生动力,Android开发更是在市场上占有巨大的份额[2]。南邮通达掌上校园APP就是基于安卓平台专为南邮通达学院学生设计的APP。

基于安卓的南邮通达掌上校园APP的实现

《基于安卓的南邮通达掌上校园APP的需求分析》其中分析了设计这款APP的功能和非功能需求,将功能需求分成了课表查询等七个模块,非功能需求四个模块。因此本文主要讨论如何实现上文中的各种具体功能。

混合分层自主学习量子粒子群优化算法

针对粒子群优化算法容易陷入局部最优、收敛精度不高以及收敛速度较慢的问题,本文提出一种混合分层自主学习量子粒子群优化算法HHQPSO。首先,根据粒子适应度值和迭代次数将种群动态划分为三个阶层:上、下两层粒子分布较少,分别采用局部学习模型和全局学习模型,以增强粒子多样性;中层粒子分布较多,采用混合自适应量子学习模型。其次,在混合量子模型中提出改进差分策略以更新粒子的随机位置,并引入Levy飞行策略以提高算法的收敛精度和收敛速度。最后,分别在9个典型测试函数上对6种改进粒子群算法进行仿真对比实验。实验结果表明,HHQPSO算法在收敛精度、速度和稳定性上均有着较为明显的优势,特别适用于多峰函数寻优。

基于埃尔米特插值法的DBSCAN算法研究

DBSCAN聚类算法因其能自动识别不同数量的簇而被广泛使用。然而,由于算法中的两个参数设定需要人工进行干预,因此在很大程度上容易导致聚类效果出现偏差。针对上述问题,本文首先提出了一种基于数据集统计特征的数据矩阵;在此基础上,利用埃尔米特插值法对数据集进行差商分析与计算,使得参数自动确定;最后进行了仿真实验,结果表明本文提出的HI-DBSCAN聚类算法较原始算法在准确性和自适应性方面更佳。

一种加权变异的粒子群算法

针对粒子群算法易于陷入早熟、收敛速度慢及收敛精度低的问题,提出了加权变异的WVPSO(Weighted Variation Particle Swarm Optimization)粒子群算法。根据自适应惯性权重和自适应学习因子,平衡了全局搜索和局部搜索能力;基于算术交叉的变异和自然选择机制的替换策略,增加了粒子的多样性,提高了算法的收敛精度;最后加入高斯扰动,使粒子产生震荡,更容易跳出局部最优。仿真实验表明,相比多个具有代表性的群智能进化算法,WVPSO算法在求解精度和收敛速度上效果更佳,并且在高维函数优化问题上具有更好的精度和稳定性。