基于图论的高校排考算法

提出了一种基于图论的考场安排算法及一系列优化策略。考场安排是考务管理活动的重要环节,考场安排结果的优劣直接决定了考务活动能否正常顺利的进行。对高校的考场安排问题进行了分析、抽象,通过建立静态冲突图将时间安排转化为图论的图着色问题来解决排考时间的冲突问题并在此基础上提出了多种对结果的优化策略以保证排考结果的合理性。通过在山东农业大学的实际测试应用,证明此算法切实有效。

以类重叠度为优化目标的不平衡数据学习方法

分类是机器学习中的一项重要学习任务,基本思想是使用在训练样例集上生成的分类器对测试样例的类别进行预测.然而,很多实际应用中的训练集具有不平衡的类分布,这通常会制约学习算法的分类性能.为此,本文提出以类重叠度为优化目标的不平衡数据学习方法(COA-RBU).将相对类间势作为多数类样例效用的评价标准,并根据训练集的类重叠度自适应地确定合适欠采样比例,以降低不平衡训练集的数据复杂性.实验结果表明,类重叠度能较好地反映数据集的学习难度,并且COA-RBU具有良好的性能和较高的效率.因此,本文工作从类重叠数据复杂性角度为合适欠采样比例的确定提供了一种新的思路.