基于改进双种群遗传算法的智能排课方法在高校排课系统中的研究与应用
这是一篇关于双种群遗传算法,智能排课,自适应,最优策略的论文, 主要内容为随着互联网技术的快速发展,教育信息化和数字化校园建设已经成为高校信息化建设的重要任务和高校实现现代化的重要标志。目前,我国已迈入教育信息化2.0时代,引领了教育信息化的升级和发展,并为数字化校园建设和提高校园治理水平带来了新的机遇。教务管理信息化作为数字化校园建设的重要组成部分,直接关系到教务管理的现代化水平。智能排课系统作为教务管理系统中的重要工具,其性能优劣直接影响着教务工作的质量和效率,因此,对排课算法的研究与应用在智能排课系统中具有非常重要的现实意义和实用价值。排课问题是一个NP(non-deterministic polynomial)完全问题,无法在多项式时间内得以解决。现有的排课系统常采用启发式算法尝试获得最佳排课方案,但随着国内高校招生规模的不断扩大和课程类型的多样化,教学资源不足的问题愈加突出,使得排课问题也变得更加复杂,其排课效率低下,排课质量不高,而且未能充分考虑到教师和学生的人性化需求。本文针对这些问题,通过对现有排课算法的分析和研究,在遗传算法的基础上,构建了基于双种群遗传算法的改进模型,并以该模型为基础对智能排课方法在高校排课系统中的应用进行了深入的研究。主要研究内容如下:1.基于对遗传算法的分析和研究,构建了改进的双种群遗传算法(Improved Dual Population Genetic Algorithm,IDPGA)模型。论文针对基本遗传算法(Simple Genetic Algorithm,SGA)存在易陷入局部最优的问题和双种群遗传算法(Dual Population Genetic Algorithm,DPGA)存在全局搜索能力有限以及收敛速度较慢的问题,对DPGA进行了如下改进:(1)采用差异化方式初始化双种群。种群一采用随机方式进行初始化,而种群二则按照一定的规则和约束条件来进行初始化。这样不但保证了解空间分布的均匀性,而且有效地提高了迭代后期的收敛速度。(2)按照轮盘赌方式选择个体时融入了最优个体保留策略。保证了最终解为历代的最优个体。(3)在双种群交叉概率的计算中,引入了自适应正弦交叉算子和余弦交叉算子。增强了种群一的全局搜索能力,降低了种群二中优质个体被破坏的概率。另外在交叉完成后通过引入竞争机制,保留了较优个体。(4)种群一的变异概率采用大变异算子来进行计算,从而避免了其陷入局部最优。2.通过对高校排课问题的分析,建立了基于IDPGA的排课问题的数学模型。论文对排课中所涉及到的教师、班级、课程、教室和时间等变量进行了数学描述,利用这些变量将排课问题中的硬约束条件抽象成数学模型,并根据排课问题的软约束条件建立了多目标优化模型,以确保IDPAG能够正确且高效地求解排课问题。3.根据排课问题的数学模型,实现了将IDPGA有效地应用于高校排课系统中。论文对排课因素的编码方式、多个初始排课方案的产生方式、排课方案的适应度函数、冲突检测与消除方式进行设计,再将选择算子、交叉算子、变异算子和移民算子在排课中的应用进行设计,从而将IDPGA有效地应用于高校排课系统。4.实现了基于IDPGA智能排课方法的高校排课系统。基于Spring Boot框架和Vue前端框架,根据智能排课需求实现了排课系统中的各功能模块。目前该系统正处于试运行阶段,系统运行可靠,排课效率及排课质量得到了极大提高。最后,将基于IDPGA与基于DPGA的智能排课方法进行了对比实验。实验结果表明,在相同条件下,前者不仅在运行时间上要快于后者,而且在最终获得的排课方案的适应度值上以及教室平均利用率上都优于后者。
恒照度智能照明控制系统的研究与设计
这是一篇关于恒照度,自适应,照明控制,传感器,无线通信,云服务器的论文, 主要内容为针对当前建筑照明能源利用率低、控制方式简单、能耗高、大多数缺乏管理等现状,设计一款能够降低照明用电能耗、减少照明对人眼危害、增加舒适度的系统显得尤为迫切。本文设计一款通过无线智能传感器技术采集到的信号来操控数字化设备控制灯光照明的恒照度智能照明控制系统。所谓恒照度系统是集结“节能”、“舒适度”、“健康”三合一的系统。本文设计的恒照度智能照明控制系统是一款通过自动化控制和机械式控制两者相辅相成共同控制照明设备的系统本文首先深入研究了目前智能照明的特点,并对存在的问题进行了深刻地剖析,提出了开发一款以无线通信技术、传感器电子技术、自动控制技术、计算机软件技术为基础的恒照度智能照明控制系统。通过实际测量和软件模拟的方法着重研究了区域内线光源的灯光算法。En Ocean无线通信技术实现了硬件设备与软件系统之间的通信,并将信息传送到服务器,方便终端设备获取进行实时更新。En Ocean无线通信技术是基于国际无线标准ISO/IEC14543-3-1X的高质量无线通信技术,具有超强的抗干扰能力,保证通信系统的稳定性、安全性。硬件设备采用单片机STC12C5A60S2作为中央控制器,外围设备有照度检测模块获取照度数据、占空检测模块监测有无人状态、温度检测模块采集灯的温度信息并传递给单片机,让单片机向调光模块发出指令进行调光。STC12C5A60S2是新一代运行速度快,功耗低,抗干扰强的51系列单片机。光照度检测模块使用了第二代环境光传感器设备TSL2561芯片来控制电路。占空检测模块采用红外检测技术,使用了专用BISS0001型集成电路来控制。温度检测模块采用的传感器是DS18B20,DS18B20数字温度传感器接线方便,非常适合于此系统。调光驱动模块使用了具备频率抖动技术的PT4115芯片,有效的降低了电磁干扰。最后通过软件技术的深入学习,采用SSH框架设计服务器,采用C/S架构、Java语言以及My SQL数据库完成了终端设备系统的开发,通过服务器、终端设备以及无线传输实现了人机交互一体化。
基于改进遗传算法的车间调度问题的研究
这是一篇关于车间调度,遗传算法,交叉算子,邻域反转变异算子,自适应的论文, 主要内容为随着科学技术的发展,现代生产规模越来越大,复杂性越来越高,市场竞争也越来越激烈,这就对企业的管理提出了更高的要求。车间调度是企业管理的核心,有效的调度技术不仅能对生产运行状况进行干预和调整,而且能合理化资源配置提高生产效益,因此,车间调度问题的研究和应用一直是学术界和企业界关注的热点。但是,车间调度问题通常是多约束、多目标、随机不确定的组合优化问题,已被证明是求解极为复杂的NP-难问题,因而优质高效的调度算法是研究车间调度问题的关键技术。 遗传算法是模拟生物在自然界的遗传和进化过程的概率搜索算法,因其思想简单、隐含并行性及表现出来的鲁棒性和通用性等特点,而被广泛应用于车间调度问题的优化,是目前求解效果最好的调度算法之一,但它也存在遗传操作设计复杂、收敛速度慢等缺点。本文在研究最复杂的车间调度问题——作业车间调度问题的数学模型的基础上,从遗传操作设计和自适应参数两方面进行若干改进,以弥补遗传算法的上述缺点： 首先,在遗传操作的设计上,本文深入遗传算法的基本理论,讨论了针对车间调度问题一般遗传算法的各种实现技术,在此基础上设计了一套合理的遗传操作,并提出了保存某些工序顺序的交叉算子和邻域反转变异算子。新的交叉算子能保存父代染色体的某些优良基因片段,使得遗传搜索的指导性和寻优能力更强；而邻域反转变异算子是在反转变异的基础上增加对变异染色体的邻域搜索,使变异操作的搜索区域增大从而降低变异后染色体所对应的目标函数值,加快群体进化过程。 其次,自适应性是遗传算法的重要特性,本文研究了个体层次下交叉概率和变异概率的自适应性,并在线性自适应遗传算法的基础上提出两种改进的非线性自适应遗传算法。这两种改进的算法分别将双曲余弦函数chx和双曲正切函数thx应用到自适应遗传算法中而被分别命名为Ch-自适应和Th-自适应,它们能实现交叉概率和变异概率随着个体适应度值的变化而进行非线性自适应调整,从而改善传统线性自适应遗传算法收敛慢的缺点、提高遗传算法的性能。改进的Ch-自适应和Th-自适应被应用于车间调度问题的求解,文章通过几个经典的Benchmark实例验证了改进算法的有效性。 最后,本文以改进遗传算法为核心算法,在Visual Studio.NET 2005上设计了作业车间调度问题的测试平台,并采用VB.NET语言编写了遗传算法的实现程序。该测试系统能实现调度数据的存取、遗传算法的运行和调度结果的分析等功能,为以后算法的扩展和相关问题的研究提供一个初步的通用的平台。
软件分层框架动态适应性研究及应用
这是一篇关于自适应,动态变化性,扩展变化点,分层框架,设计模式的论文, 主要内容为随着计算机技术的发展,软件系统的复杂性也随之增加,框架的分层实质就是为了增强软件框架的可扩展性以适应软件复杂性的需求。目前基于表示层的Struts2框架、业务逻辑层的Spring框架和数据持久层的Hibernate框架非常成熟,如何利用这些框架更进一步的实现分层解耦、增强软件框架的动态适应性,还需要在实际开发中不断探索。为此,本文开展了相关的研究,主要工作概述如下:(1)给出了一种基于软件变化点的软件分层框架架构策略根据最为常见的三层软件体系结构,将软件的扩展变化点划分为界面扩展变化点、业务功能扩展变化点、数据扩展变化点。基于三层软件框架,给出了基于各层横向和纵向相融合的扩展变化点变化设计策略,为动态自适应软件的设计和实现奠定了基础。(2)给出了一种软件分层框架前端自适应页面设计方法通过对Bootstrap前端框架进行研究分析,确定页面的动态布局和响应式布局方案;给出了一种断点设计策略,进而基于网格的百分比混合设计模式,给出了一种自适应页面设计方法,解决页面在不同尺寸终端设备上展示的自适应问题。(3)给出了一种软件分层框架后端动态适应性设计方法依据分层理念和扩展变化点设计策略,采用设计模式、继承、组合、构造接口等,给出了一种基于变化点的S2SH框架的无缝融合和灵活扩展方法,在降低软件框架各层耦合性的同时,提升了软件分层框架在开发中的灵活性和动态适应性。(4)实现一种基于动态适应性软件分层框架的PC与手机一体化农产品追溯软件在基于本文给出的动态自适应三层框架的基础上,设计和实现了一个PC端和手机端一体化的农产品追溯平台,并在实际中得到了应用,验证了本文方法的有效性。
自适应微服务系统软件体系结构的研究与实现
这是一篇关于自适应微服务系统,软件体系结构,微服务,自适应,多层控制,开发方法的论文, 主要内容为随着信息技术的发展,分布式软件系统规模和复杂性日趋提升,传统的单体架构已经不能满足系统对于灵活性、扩展性和快速迭代的要求。微服务架构将复杂的大型应用程序分解为一系列小型的服务并通过轻量级的协议通信,由于其灵活性、可扩展性和支持DevOps和敏捷开发方法成为当前流行的架构风格,在诸多生产实践中加以应用。然而,微服务架构下的系统在异构的基础设施下构造和开放环境下运行,在构造、管理和运维上呈现出独立性、开放性、动态性、自治性等特征,因此,如何使得微服务系统具有自适应环境和需求变化的能力,成为一个巨大的挑战。针对这一挑战,本文聚焦于自适应微服务系统的软件体系结构,围绕以下三方面问题开展研究:1)如何从体系结构的角度指导自适应微服务系统的设计和构建?2)如何为自适应微服务系统的实现提供平台支持?3)如何提出一种方法过程指导自适应微服务系统的开发运维?取得了以下三方面的研究成果。1.提出了一种多层控制的自适应微服务系统参考体系结构。该参考模型独立于平台,支持层次之间的交互,为设计和构建自适应微服务系统提供了一个蓝图以支持对微服务系统多个层次的变化和自适应。2.实现了一个自适应微服务系统支撑平台(Self-adaptive Microservice System Platform,SAMSP)。基于多层控制的自适应微服务系统参考体系结构和Kubernetes,提出了一个自适应微服务系统的实现体系结构,并且基于实现体系结构构建了SAMSP平台。该平台支持自适应微服务系统的构造和运维,实现了管理和适应的功能,使得微服务系统能够实现自适应。3.提出了自适应微服务系统的开发方法(Self-adaptive Microservice System Methodology,SAMSM)。针对自适应微服务系统的特点,提出了SAMSM方法学,解决开放环境下自适应微服务系统的开发运维问题,并为其开发运维过程提供技术和工具支持。最后,本文对一个基于自适应微服务架构的企业竞争情报信息系统的应用进行了案例开发和实验分析,检验了本文提出模型和方法的可行性,以及所构建系统自适应的有效性。
基于卷积神经网络的多任务学习方法的研究
这是一篇关于多任务学习,卷积神经网络,深度学习,自适应,任务权重的论文, 主要内容为在大数据时代来临之际,计算机视觉工作变得越来越复杂。卷积神经网络技术的飞速发展使它在多个领域得到了广泛的应用,并取得了出色的成果。传统的单任务学习大多只关注某个任务本身,而忽略了任务之间的关联,但是这些关联本身能够提供一些辅助信息帮助提升模型的准确率,从而促成了多任务学习的诞生。多任务学习能够同时处理多个相互关联的任务,并利用获得的知识最大限度地提升模型的性能。然而,现有的多任务学习方法存在着一些问题,如采用固定的网络模型无法灵活地适用各类复杂任务,采用固定的任务权重也无法有效地权衡各类任务。因此,该文提出了两种自适应多任务学习方法,以解决上述问题,提高多任务学习的效果。另外,该文还利用所提出方法构建了一个图书推荐系统,以期提高推荐系统的精确性。该文的主要研究内容具体如下:(1)该文提出了一种自动加权任务损失的多任务学习方法,此方法可以通过标准反向传播算法优化一组特定于任务的决策,以自主选择执行哪些层,获取更佳的共享模式。此外,该方法还根据每个任务的同方差不确定性,在模型训练的过程中寻找合适的任务权重,以优化模型训练。实验结果表明,该方法在场景理解数据集上取得了较好的预测效果,从而证实了它的有效性。(2)该文提出了一种基于自适应参数共享的多任务学习方法,此方法可以自动选择特定于任务的层子集,确定基础模型中共享层和特定任务层的权重,从而提高模型的通用性。此外,该方法还提出了一个基于拉格朗日乘子策略的多任务损失函数,能够在训练过程中自动调整每个任务的任务权重,以帮助模型训练。实验结果表明,该方法在艺术数据集Sem Art上取得了较好的预测效果,从而证实了它的有效性。(3)该文利用上述两种方法设计了一种基于多任务学习的图书推荐系统,该系统可以通过分析用户的评分、收藏和评论等行为,以确定用户的兴趣偏好,并最终推荐出更加个性化的图书。推荐结果表明,用户能够获得良好的推荐效果,从而证实了该系统的有效性。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码货栈 ，原文地址：https://m.bishedaima.com/lunwen/45509.html
