基于OBE教育理念的高校算法类课程教学改革探究

OBE教育理念强调以学生为中心,以成果为导向,持续改进的教育理念,在教学活动中引入工程教育认证及评价机制,使得高校培养出来的人才与社会需求相一致,为社会发展提供更多的高质量人才。高校在课程教学中引入OBE理念,以学生的学习成果为导向,设计课程目标、课程内容和考核方式,能够更好地提高学生的学习积极性和主动性。基于此,本文通过对算法类课程的教学实践,探索OBE理念下高校算法类课程教学改革策略。

约束变尺度类算法(Ⅰ)——统一算法模型及既约梯度型方向算法类

建立了非单调一维搜索约束变尺度类统一算法模型，提出收敛性条件，并证明了算法的全局收敛性．通过引入连续优势函数和Ａ－方向集的概念，将约束变尺度算法与可行方向法合二为一．不仅推广了“经典”的约束变尺度算法（可进行非单调一维搜索）．而且可得出许多新的算法，这些新算法既具有“经典”约束变尺度法“宽通路”的特征．也具有可行方向法单步计算量较小，计算程序简单的优点．进一步构造了一个方便实用的连续优势函数，并在此基础上建立了既约梯度型方向约束变尺度算法类．

程序设计与算法类课程建设模式探索

程序设计与算法类课程是计算机科学与技术专业的必修课,是综合性的专业基础课,在计算机科学与技术专业课程建设中的地位十分重要,因此针对该类课程的有效建设模式进行更深层次的探索是一项非常有价值的工作。从基于系统观的课程体系架构、基于全局观的建设规划设计以及基于局部观的课程内容建设三个层面,分析和讨论了有关程序设计与算法类课程建设模式的一些新探索,由此进一步提升学生对该类课程精髓的理解度,进一步提高这一重要课程群体的整体教学质量和教研水平。

浅谈算法类课程实践教学内容设计

随着计算机技术的快速发展,大学课程中的上机实践教学部分越来越受到重视,是提升学生操作技能和专业综合素质重要保证。算法类课程中的上机实践教学尤为重要,是学生有效的理解、掌握理论教学内容的必经途径。合理地设计实践教学内容既有助于学生更好地理解、掌握算法的设计要点,了解算法的应用价值,又能提升教师掌控课堂能力,有利于客观的评价学生成绩。本文首先分析了上机实践教学现状,其次在总结多年实践教学经验基础上给出算法类课程实践教学内容设计原则和方法,最后提出了实施建议。

新工科背景下应用型本科算法类课程的深度改革

针对应用型本科院校算法类课程教学存在的问题,在充分剖析应用型本科算法类课程的内部组成和联系的基础上,构建算法类课程的教学体系,同时探讨在这种课程体系下进行深度教学改革的方向,提出一种结合理论、实验、实践和在线平台、案例教学等为一体的教学模式,实现对课程教学的深度改革。

STEM理念下的小学人工智能算法类课程教学探究

人工智能是计算机科学的一个分支,兼有科学与技术双重性(弱人工智能和强人工智能分别对应其技术性和科学性),其发展必然与教育关联:人工智能助力教育,为教育提供新的教学方法、技术支撑、学习内容;教育也作用于人工智能,负责为其输送人才,并在一定程度上产生新知识^[1]。笔者基于第二种关系,即教育之于人工智能的作用,讨论如何在小学开设人工智能的算法类课程(以下简称AI算法类课程)。

从一个实际案例的检索浅谈算法类申请的追踪

在计算机领域,常常会碰到理论性较强的技术方案,此时在专利文献数据库中利用分类号和关键词常常检索不到合适对比文件。这时候,我们就要充分利用CNKI、谷歌学术等非专利文献资源,尤其应把握技术特点,善于利用追踪寻找突破口。

以能力为导向的本科算法类课程教学方法研究

算法类课程是计算机等应用型工科专业本科生必修的重要课程,此类课程具有理论知识与实践并重、前序知识要求高、知识点多及逻辑性强等特点。针对算法类课程的教学难点,从教学理念、内容环节、教学模式和考核方法四个方面,设计“以学生为中心”的教学理念,构建算法类课程双维度知识图谱,设计“课堂教学-在线实训-课程实践”三位一体教学模式以及面向过程的本科算法类课程考核方法。经过一个学期两个班次的教学实践,上述教学方法取得了显著成效,学生在2020年全国大学生数学建模竞赛和军事建模竞赛中取得佳绩,表明该方法能够为算法类课程的教学提供有益借鉴,培养学生自主学习、动手实践和创新能力。

基于产教融合的算法类课程教育资源共享平台设计

针对传统类教育资源共享平台存在分配不公平、教学资源质量差的问题,设计基于产教融合的算法类课程教育资源共享平台。在硬件设计方面,选择Dell安全服务器、Microchip存储器搭建平台硬件环境;在软件设计方面,对资源进行封装处理,基于产教融合计算资源集成顺序,实现算法类课程教育资源共享设计。实验结果表明,该平台的丢包率最低,优于对照组。

基于1+X证书的算法类课程教学资源智能共享方法

算法类课程教学资源共享方法直接分类共享资源,未提取教学资源特征,导致共享资源效率较低。为此,提出基于1+X证书的算法类课程教学资源智能共享方法。该方法提取教学资源特征,并以此为依据构建分类标准,分类教学资源,将特征分类融入1+X证书,基于1+X证书实现算法类课程教学资源共享。实验结果表明,该研究方法共享所需时间短,效率较高。

基于聚类算法的路径频散曲线拾取方法

多道地震资料面波分析方法是目前确定近地表横波速度的有效工具,但由于反演的一维横波速度模型仅反映了检波器排列中点垂直方向上的横波速度变化,因此其横向分辨率较差。与面波分析方法相比,面波层析反演方法具有更大的潜力来提高近地表特征的横向分辨率。但是面波层析反演方法需要从大量检波器对之间(路径)的平均频散能量谱中拾取频散曲线,人工拾取将耗费大量的时间成本。针对这个问题,本文进行了聚类算法自动从路径平均频散能量谱中拾取相速度频散曲线的研究。理论模型正演数据以及实际资料面波数据的实验结果都验证了本文方法的正确性。

基于反向最近邻的密度估计聚类算法

基于相互最近邻的密度峰聚类算法(DenMune)通过相互最近邻计算数据点的局部密度,是一种有效的聚类手段。但该算法存在构建聚类骨架不合理的问题,在分配弱点时采用硬投票策略,易产生错误。因此提出一种新的基于反向最近邻的密度估计聚类算法(RNN-DEC)。该算法引入反向最近邻来计算数据点的局部密度,将数据点分成强点、弱点和噪声点。使用强点构建聚类算法的骨架,通过软投票的方式将弱点分配到与其相似度最高的簇中去。提出了一种基于反向最近邻的簇融合算法,将相似度高的子簇融合,得到最终的聚类结果。实验结果表明,在一些合成数据集和UCI真实数据集上,相比较于其他经典算法,该算法具有更好的聚类效果。

基于k-means聚类的无线传感器网络低功耗路由算法

为提高无线传感器网络(WSN)中传感器节点的能量利用率以延长传感器网络的生命周期,提出基于k-means聚类的WSN低功耗路由算法。先按照距离乘积最大规则选取聚类初始簇中心,并在k-means算法迭代过程中引入能耗因子来优化k-means的分簇效果,降低基站附近节点的能耗和簇内的数据传输能耗;再使用Dijkstra算法搜寻簇首和基站间的最低功耗传输路径,以降低簇首能耗。仿真结果表明,该算法提高了网络的能量利用率,有效延长了网络的生命周期,使首个死亡节点延后出现,对WSN实现了更好的优化。

基于改进K-means聚类算法的分布式储能集群划分方法

随着规模化分布式电源及储能的接入,配电网的功率返送、节点过电压等问题愈加显著,对电网规划、运行监视和调度控制等造成一定影响,也不利于储能大范围发展。为此提出一种适用于规模化分布式储能的集群划分方法,基于功率节点电压灵敏度的电气距离模块度指标,对经典K-means算法进行改进,设计节点指数法、肘部法则优化初始聚类中心选择和集群数确定。以IEEE33系统算例进行验证,结果表明所提集群划分方法具有较强的电气耦合性、准确性和运算效率。

基于机器学习的茶树DNA聚类算法

为了研究茶树基因序列的聚类问题,设计一种基于累计方差贡献率进行改进的核主成分分析(KPCA)与k均值(k-means)++聚类算法相结合的降维聚类算法(KPCA-k-means++)。将基因库数据集筛选分组后,利用k-mers算法提取基因数据的数据特征,根据累计方差贡献率的占比大于85%的标准确定降维主元个数对KPCA进行降维改进并采用k-means++算法对降维后数据聚类,通过CH(Calinski-Harabaze Index)指标和响应时间分析聚类结果。结果表明:在单独聚类、KPCA聚类、改进PCA聚类、改进KPCA聚类4种处理方式中,改进KPCA-k-means++算法在不同处理方式和不同样本数的对比下,CH指标均为最高,与未改进时相比平均高出33%。在响应时间方面,改进KPCA-k-means++算法与同样改进PCA-k-means++算法在不同聚类数和样本数的对比下响应时间均较短。改进KPCA-k-means++算法能够保证对于茶树的基因序列的聚类准确率和聚类速度,表现出极好的聚类稳定性。

基于改进K-means数据聚类算法的网络入侵检测

随着入侵手段的不断更新和升级,传统入侵检测方法准确率下降、检测时间延长,无法满足网络防御要求。为此,提出一种经过改进K均值(K-means)数据聚类算法,以应对不断升级的网络入侵行为。先以防火墙日志为基础转换数值,然后基于粒子群算法求取最优初始聚类中心,实现K-means数据聚类算法的改进;最后以计算得出的特征值为输入项,实现对网络入侵行为的精准检测。结果表明:K-means算法改进后较改进前的戴维森堡丁指数更小,均低于0.6,达到了改进目的。改进K-means算法各样本的准确率均高于90%,相对更高,检测时间均低于10 s,相对更少,说明该方法能够以高效率完成更准确的网络入侵检测。

改进的采样算法与无监督聚类相结合的软件缺陷预测模型

该文首先在自适应综合过采样算法ADASYN(adaptive synthetic sampling)的基础上,考虑少数类内部不同密度簇之间的连接性问题,将与采样点距离为中等的点纳入新样本生成范围,改进得到T-ADASYN过采样优化算法,有效地增加了少数类内部不同密度簇的连接性,生成了分布更为均衡的数据集.然后使用基于连接的spectral clustering算法进行聚类预测操作,将过采样算法和无监督聚类相结合,提出一种新型实用的软件缺陷预测模型TA-SC(T-ADASYN+spectral clustering).以F-score为评价指标,spectral clustering为聚类模型进行验证.实验结果表明:改进的T-ADASYN过采样算法在公开的PROMISE数据集和NASA数据集上比常用的过采样算法均有6%的性能提升,且TA-SC模型在PROMISE和NASA 2个数据集上比常用聚类算法分别有3%和2%的性能提升.

基于稀疏自编码的多维数据去重聚类算法分析

随着科技信息的不断发展,数据量与数据类型与日俱增,针对数据集维度高、重复数据多导致有效信息提取复杂的问题,提出基于改进稀疏自编码器的多维数据聚类算法。算法分为数据处理与聚类分析两大部分,数据处理时首先利用S-SAE中逐层贪婪的原理将高维数据集降维至每组6维的数据集;接着采用映射值匹配机制对降维后的数据集进行重复数据清洗处理,被清洗的值用0替代;然后将处理好的数据投入到K-Means++聚类算法中进行聚类分析;最终构建出TS-SAE-K-Means++多维数据聚类模型,并通过最优化分析得出其最优化参数设置情况。通过对不同基线组合算法的仿真对比分析表明,TS-SAE-K-Means++在聚类轮廓系数S与模型特征值F1评价体系中均优于其它算法组合。这表明提出的算法在解决高维数据内有效信息提取的问题上具有一定的优越性。

基于空间插值的不规则海洋地质样品测试分析数据聚类算法研究

海洋地质调查中获取大量海洋沉积物柱状样样品测试分析数据,样品测试分析目的不同导致柱状样数据采样深度不同,由此造成地质取样数据在三维空间上呈现不规则散点状分布。传统聚类算法无法在三维空间上对此类不规则散点数据进行聚类分析。对此,文章设计了一种基于空间插值的不规则地质样品测试分析数据聚类算法,有效地将三维样品测试分析散点数据降为二维数据后进行聚类分析,本算法较好地解决了地质体中试验测试数据的不均衡性问题,为海洋地质大数据分析提供了基础技术方法。

基于改进K-means聚类和遗传算法的混合算法求解异构车辆路径问题

由于目前单一车型配送存在资源浪费和效率低下等问题,选取确定数量的不同车型对各客户点进行配送服务往往可以得到更优的配送路径方案。针对这一点,描述了一种异构车辆路径问题,并建立了具有固定车辆数且考虑固定成本、可变成本以及时间窗惩罚成本的混合整数规划模型。同时,提出了一种基于改进K-means聚类和遗传算法的混合算法对模型进行求解。实验仿真先求解不考虑时间窗的问题初步证明混合算法的有效性,再在带时间窗的问题中求解不同规模算例的单一及异构车型结果,以证明异构车型配送更优。最后,对该混合算法的求解结果与其他混合算法的求解结果进行对比分析,证明了混合算法的优越性。研究结果表明:该混合算法求解的异构车型结果优于单一车型,并且比其他混合算法求解的异构车型结果更优,异构车辆配送使用的配送车辆数更少,总成本也更低,该混合算法具有更好的效率和性能。