研究故意选择机制当然选择基于群体智能算法

文摘

随着时间的推移和科学信息技术的最新进展,该地区发展当然选择基于既定标准使得简单和有效的选择机制。本文的方法是基于一个创新的角度,介绍了群集智能的故意选择选课机制。研究认为课程选择英语作为一个例子。群体智能算法和综合课程选择推荐算法相结合,在英语课程选课的目的,讨论相关的决策机制。首先,综合选择有意推荐算法和PSO算法,以及算法初始化。其次,详细描述的操作过程,并应用过程进行了分析。然后,它被引入英语课程选修的过程。最后,实验结果与结论的研究通过测试,PSO算法具有更高的精确度和可以更好地判断个人行为,导致choice-choice机制的建立。通过实验研究证明的有效性。

1。介绍

随着经济全球化的不断深化,社会越来越要求对大学生的英语能力。它不仅要求学生有一定的英语基础知识,还要求学生必须有很强的英语综合能力和跨文化交际能力1]。这个大学英语教学改革提出了新的要求。目前,大学英语是受传统的功利主义。学生学习英语的动机有很大的偏差。,英语已经成为就业的“工具”(2]。在我国,高等教育在英语教育中采用强制和选择性方法。在某种意义上,选修课的质量可以更好地反映信贷体系的完美,因为信贷系统是基于选课制度(3]。然而,我国的课程改革,高考取消英语科目,目前仍面临的危机缺乏选择性高等教育的目的。最初的义务高中英语也成为选修课。缺乏规范性和课程多元化开放的英语课程,选修课程和学生缺乏指导。与此同时,选修课的教学和学生的不正确理解选修课程和高考之间的关系需要改进(4]。因此,在英语课程学习选修课的目的可以帮助学生加强他们的热情学习英语课程。深入的了解是不够的对学生的影响选择特定的课程。不完美的理解方式选择机构和学生有着重要的影响。

群体智能进化算法,一种最优算法,吸引了更多研究者的关注。人工生命和EA都集中在进化相关策略,尤其是在遗传算法的领域(5]。主要有两种算法领域的群体最优理论。一个是蚁群算法和粒子群优化。第二个来自简单的社会系统的模拟,它最初是为鸟群觅食的过程。但是,后来,人们发现这是一个很好的优化工具(6]。第一个(PSO)是近年来提出的学者7]。PSO算法和模拟退火算法尽可能相似,他们都是进化算法。PSO算法使用一个随机的解决方案开始迭代,然后圈算法获得最优解。它使用适应度函数来评估解决方案的有效性,没有操作,比如“交叉”和“突变”,和更容易比GA的规则。最重要的是,它获得全局最优遵循当前搜索的最优值。容易实现的优点,精度高、快速收敛,学术界的算法吸引了更多的关注,并展示了其优越性在解决实际问题8]。算法可以平行计算。持续进步的创新和改革进程的英语专业教学中,传统的单一教学模式长期以来一直不适合现在的学生。那些无聊的和过时的表示方法使学生觉得他们只能被动地接受和远从互动的乐趣9]。因此,重要的是要提高交互性和理解个人条件在教学改革和创新。

提出研究的贡献是故意设计群体智能选课的选择机制。选课,英语被认为是一个研究的例子。群体智能算法和综合课程选择与推荐算法和综合英语课程的选课的目的讨论决定的适用机制。通过实验研究证明的有效性。

2。方法

2.1。粒子群算法内容的解释

定位器的位置在黑暗空间中所示矩形在图中的位置。他们的坐标 , , ,和 。在实验过程中,四个定位器发出超声波的标签。当超声波检测到标签,它是反射回的定位标记。超声波的传播时间监控和TOA方法是用来计算每个定位标签的距离。基于这个初始条件,以下将开始介绍了PSO算法(10]。问题集内放置一个粒子组由四个粒子: , , ,和 。这些粒子的初始位置是随机放置。遵循下面的步骤。首先,超声波传感器和标签之间的通信被用来证明超声传播循环的存在。其次,TOA方法被用来找到定位器和标签之间的距离11]。操作如下。距离定位器l0到标签来标示 。距离定位器l1标记来标示 。距离定位器l2标签来标示 。距离定位器l3 -标记来标示 。然后,在初始条件下,四个定位器和四个粒子的坐标也是已知的条件。因此,定位器和粒子之间的距离可以分开计算,如定位器之间的距离l0,粒子(12),如下:

定位器之间的距离l1,粒子可以计算如下:

定位器之间的距离l2和粒子可以计算如下:

定位器之间的距离l3和粒子可以计算如下:

根据上面的公式,定位器和其他三个粒子之间的距离可以表示如下: , , ,和代表之间的距离l0和 ,l1, ,l2, ,和l3和 ,分别 , , ,和代表L0和之间的距离 ,l1, ,l2, ,和l3和 ,分别为, , , ,和代表之间的距离l0和 ,l1, ,l2, ,和l3和 ,分别。然后,标签之间的距离和定位器和粒子定位器被发现。使用以下公式,结合这两个条件可以找到最近的标签在四个粒子的粒子(13]:

其中, , ,和代表粒子之间的距离和定位器。 , , ,和代表的距离标记定位器。 , , ,和被称为距离度的大小表明粒子和标签之间的距离。从公式可以看出,距离越小,粒子和标签之间的距离越小。所以14),在四个粒子,粒子与最小距离计算最接近标签。例如,如果该值是最小的,那么可以确定粒子吗最接近标签。这方面之后,面对的第一个关键PSO算法,它可以有效地处理明确定义粒子群中哪一个是最接近粒子分离标记(15]。

2.2。火花集群迭代计算

叙述粒子群算法后,本文使用分布式集群platform-Spark粒子群优化。与速度的优势、易用性和复杂的分析,Apache火花,作为计算平台,可用于处理大数据。它最初开始在2009年和2010年开业。坦率地说,引发广泛扩展了MapRed和Ce模型进行各种计算。速度总是扮演着一个重要的角色在处理大型数据集的交互式查询和数据流。火花在内存中计算具体(16]。此外,火花可以执行复杂的计算在磁盘上。在一般情况下,火花提出了处理各种计算情况,如批处理应用程序,通过生成算法,交互式查询,和流17]。不仅引发的多功能性使简单和方便的处理在不同的应用场景,也降低了行政负担。火花提供了许多如Python版本接口,Java, Scala, SQL提供了一组丰富的默认工具库。火花也略有结合其他工具。在主节点上运行的驱动程序控制程序的临界流(18]。驱动程序定义了操作,比如地图,减少和过滤器。图1是一个工作原理图(19]。

然后,我们将详细说明在程序算法的具体实现。从上面的分析中,首先,可以看出,在火花应用程序中,数据文件读取一个文件(比如HDFS)教学平台。其次,弹性分布数据集(抽样)成立。第三,驱动程序用于并行化抽样,并将它们分配给不同的点。如果抽样通常是在应用程序中重用,它可以执行在缓存中。抽样申请时,可以对抽样执行并行操作。火花集群环境中使用的新算法操作实现表所示1(20.]。

可以看到从上面的表中,火花提供丰富的功能。引发生态系统由一个通用执行模块,结构化数据模块,一个流分析模块,机器学习模块和图形计算模块(21]。第一个是执行系统的平台和功能的核心。SparkCore支持缓存功能,一个共同的执行模型,和Java应用程序编程接口,Scala,和Python,火花可以有效地计算和支持范围广泛的应用程序。QL火花处理结构化数据。它提供了DataFrames,程序抽象,充当一个分布式SQL查询引擎。SparkSQL使本机蜂巢查询在Hadoop集群100倍速度比现有的配置和数据集。同时,它与其他模块有很强的集成功能引发的生态系统。流分析模块允许强大的交互性和分析应用程序流数据挖掘和历史数据,同时继续火花的易用性和容错。火花流很容易集成了所有类型的公共数据。机器学习模块(MLLIB)是一个可扩展的机器学习库,提供了高质量和效率的算法。MLlib图书馆可以用作火花在语言比如Java应用程序的一部分,Scala和Python。

3所示。结果与讨论

3.1。粒子群算法有效性测试

后计算的三个思想对英语课程,蚁群算法来选择课程的三个课程选择意图是扩展到火花集群环境提高选修课的效率和可扩展性。这些实验可以用来识别的性能我们的建议。本文所有实验都是在实验室里进行的火花集群环境。数据源是基于最初的foursquare签到数据集,数据集与相应的数字被复制了。实验验证的效率和可伸缩性大数据量是在这种情况下执行22]。

通过重复这些实验修改这些参数以下因素的影响因素的线性组合和概率融合,对于线性方法,选择偏好推荐意图的结果是最高的在0.4和0.5的值。对于第二个,顺序是按照社会因素、时间因素和地理因素。此外,粗糙和细粒度的结果是,和选择意向的影响偏好是最高的。

在概率融合推荐方法中,当的值和分别是0.2和0.4的结果选择偏好的建议是最高的意图。三个影响因素中,影响课程的选择意向,地理因素和时间因素的影响程度大于社会因素、地理因素的影响程度是比时间。然后,我们比较的结果我们的建议和其他验证的优势,它可以显示在图2。

实验结果表明,引入社会因素、地理因素和时间因素很难推荐选修课的目的,现有研究成果的验证结论。三个集成方法提出了进一步改善的有效性的结果建议选择的意图。具体来说,我们发现线性加权推荐效果比GT,表明社会因素很难选择推荐意图的结果。然而,GT是比这更好的推荐效果T和G,表明地理因素和时间因素也可以提高推荐效果。然后,所有推方法进行了分析。结果表明,线性加权法F1_measure最高,可以提供最生动全面的推荐效果。此外,RECAU EL组合方法的相对较低,而精度是最高的在所有方法中,要求精度高,适用于应用程序。推荐结果的概率融合方法是仅次于线性加权法。,所有的结果是比别人更好。

3.2。验证粒子群优化的偏好

在这个实验中,粒子群算法的效率测试独立环境和火花集群环境进行比较。扩展的foursquare签到数据集被用来逐渐添加lG 32 g的数据量,然后,执行时间在两个环境中,分别。三个综合推荐方法的比较结果显示线性加权的结果。结果表明,粒子群算法的火花是最好的。数据的规模扩大,不同的是更重要的。结果如图3和表2。

然后,推荐的方法是我们验证的可伸缩性。在这些,保持每一个执行者的可用内存的缺省值1 g。执行人在集群的数量和改变的执行人的火花集群环境通过改变核的数量__tota1_executor_cores集群中的所有可用的执行人。也就是说,当可用内核和内存的数量发生变化时,我们的建议的执行时间的变化。缓存的大小是1 g, 2 g, 4 g放大4平方签到数据集。最后,扩展性实验结果的三种粒子群优化算法。这些表明,更多的执行人,可用内核和内存的数量的增加,线性减少。此外,算法的稳定性进行两个实验。测试结果如下所示。该算法具有良好的收敛性和稳定性。 The convergence of the algorithm in 2 experiments is shown in Figure4。

以上实验证明粒子群算法的性能。实验结果验证的有效性综合方法表明,线性一个是最好的。第二个执行的准确性。第三的是第二个线性加权方法后,和它表现良好在稀疏问题。验证效率的实验结果表明,粒子群算法具有更高的效率比崩溃引发集群环境环境。随着数据集的规模、效率优势更加明显。这表明,集群中的可用内核和内存的数量线性增加,减少线性在一定的时间范围内。

4所示。结论

目前,计算机和互联网技术迅速的发展,随着时间的推移增长。,现代教育与计算机的结合越来越紧密。需要一个有效的和有效的方式高效、精确地考虑选课的故意选择机制。实现该研究的目的,建议选择的模型和算法课程目的在英语课程了。研究结果建议当前的选择当然意图确认各种强化因素确实可以提高推荐质量,但它没有考虑推荐的三个影响因素的方法。在我们的建议,基于兴趣点的建议现有的研究结果,综合了三种影响因素三种方法来提高选择性的结果故意的。一方面,解决了协同过滤的可伸缩性的问题。然而,高效和容易可伸缩解决方案支持点感兴趣的建议。三种集成方法的优点和缺点进行了讨论和验证,和结论进行了。此外,表演的入口点的选择方法的意图是验证,它证实了线性一个是最好的选择。 The experimental results perform well and show the effectiveness of the proposed study.

数据可用性

使用的数据来支持本研究的结果包括在本文中。

的利益冲突

作者宣称没有利益冲突有关的出版。

引用

1. m . Gonzalez-Howard和k·l·麦克尼尔,“学习社区的实践:因素影响英语教学学生参与科学论证研究在科学教学杂志》上,53卷,不。4、182 - 189年,2016页。视图:出版商的网站|谷歌学术搜索
2. j·汉和h .阴”,中国大陆的大学英语课程改革:上下文,内容和变化,“亚洲教育研究,1卷,不。1,p。2016。视图:出版商的网站|谷歌学术搜索
3. 刘,“电影短片作为课堂输入选修大学英语视听课程在中国大陆,“英语语言教育的国际期刊,4卷,不。2,p。166年,2016年。视图:出版商的网站|谷歌学术搜索
4. l . i张裕“reform-elective大学英语教学课程,”黑龙江教育学院杂志》上,4卷,不。1、16 - 17,2016页。视图:谷歌学术搜索
5. 答:A . A . Ari b . o . Yenke n . Labraoui Damakoa,和A . Gueroui“权力有效的基于集群的无线传感器网络路由算法:基于蜜蜂群体智能方法,”网络和计算机应用》杂志上,卷69,不。1,第97 - 77页,2016。视图:出版商的网站|谷歌学术搜索
6. d l Dh, g . Villarubia j·f·德·巴斯et al .,“多传感器信息融合优化使用群体智能算法,电动自行车路线”传感器,17卷,不。11,2501年,页2017。视图:谷歌学术搜索
7. f . Elfouly r .斋月,m·马哈茂德·m·Dessouky”基于群体智慧的可靠和能量平衡的路由算法对无线传感器网络来说,“呈文Universitatis-Series:电子和能量卷,29号3、339 - 355年,2016页。视图:出版商的网站|谷歌学术搜索
8. d . Zouache A·穆萨维,f·b·阿卜杜拉齐兹•“合作群体智能算法多目标离散优化与应用程序背包问题,“欧洲运筹学杂志》上,1卷,不。10,264年,页2017。视图:谷歌学术搜索
9. j·l·朱w·李,李h . et al .,“一种新型群体智能疏散路由优化问题的算法,”国际阿拉伯信息技术杂志》上,14卷,不。6,880 - 889年,2017页。视图:谷歌学术搜索
10. m·r·Shinde r . Kulkarni Patwardhan et al .,“概念模式提取使用POS注释和加权编辑距离算法,”国际会议信息处理,1卷,不。7,719 - 724年,2016页。视图:谷歌学术搜索
11. 美国大肠Baranzini”,自身免疫性疾病的遗传学:网络的角度来看,“当前舆论免疫学,21卷,不。6,596 - 605年,2009页。视图:出版商的网站|谷歌学术搜索
12. s s·艾哈迈德·a·r·Ahameethunisa w·桑托什,s . Chakravarthy和s·库马尔,“系统生物学方法在神经障碍:一种新颖的分子连接性老化和精神疾病,”BMC系统生物学,5卷,不。1,p。2011。视图:出版商的网站|谷歌学术搜索
13. k . s . y . Chan白、j . Loscalzo”破译人类心血管疾病的分子基础通过网络生物学,”目前看来在心脏病学,27卷,不。3、202 - 209年,2012页。视图:出版商的网站|谷歌学术搜索
14. m . Choura和a . Rebai”探索带电偏见地区人类蛋白质组”,基因,卷515,不。2、277 - 280年,2013页。视图:出版商的网站|谷歌学术搜索
15. m . Choura和a . Rebai”探索疾病在人类偏见蛋白质,”杂志的受体和信号转导,37卷,不。4、386 - 390年,2017页。视图:出版商的网站|谷歌学术搜索
16. d . Carvalho-Silva a . Pierleoni m . Pignatelli et al .,“开放目标平台:新发展和更新两年过去了,“核酸的研究卷,47号D1, 2018年。视图:谷歌学术搜索
17. Uniprot财团”Uniprot:通用蛋白质知识库”,核酸的研究,45卷,不。数据库问题,D158-D169, 2017页。视图:谷歌学术搜索
18. g . Su j·h·莫里斯,b·德姆查克·g·d·巴德,“生物网络探索Cytoscape 3”当前生物信息学技术卷,47号8,13.1 -24年,2014页。视图:谷歌学术搜索
19. 美国约翰逊,m . Leonsson-Zachrisson m . Knutsson et al .,“临床前和健康志愿者研究潜在的药物之间tenapanor和磷酸盐粘结剂之间的相互作用,”临床药理学的药物开发》第六卷,没有。5,448 - 456年,2017页。视图:出版商的网站|谷歌学术搜索
20. s . Akhter s . k . Nath c . m .谢霆锋j·威廉姆斯,m·扎斯罗夫和m . Donowitz“角鲨胺,一种新型阳离子类固醇,特别是抑制小肠Na + / H +换热器异构体NHE3”美国生理学杂志》上,卷276,不。1 pt1, 136 - 144年,1999页。视图:出版商的网站|谷歌学术搜索
21. h . j . Dargie c . t . Dollery和j·丹尼尔,“米诺地尔在抗高血压,”《柳叶刀》,卷310,不。8037年,第518 - 515页,1977年。视图:出版商的网站|谷歌学术搜索
22. a . m . Li Marubayashi、y Nakaya k .福井和s . Arase”Minoxidil-induced头发生长是由腺苷在培养的毛乳头细胞:磺酰脲类受体可能参与2 b作为目标的米诺地尔,”《皮肤病学研究杂志》上卷,117年,第1600 - 1594页,2001年。视图:出版商的网站|谷歌学术搜索

版权

版权©2021张大为,亲爱的王。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。