文摘
本文运用数据包络分析方法来构造一个新兴资源分配优化算法深入分析和研究学前教育资源分配。本文结合相关信息的分布式系统和数据库应用程序实践,HBase,分布式数据存储系统,选择为研究对象。硬件配置参数之间的关系和吞吐量和响应延迟的HBase使用随机森林算法建模,设计并实现了一种改进的粒子群算法优化的数学模型,资源分配和资本成本之间的关系,验证和优化结果在实际环境中实现HBase资源分配方案的优化。本文基于目标函数中删除复制解决方案集的资源分配模型。最后,与SPEA2相比,NSGA-II MOEA / D, IBEA在这个模型仿真实验验证有效解决NSGA-II构造模型通过主体性表现以及客观的性能分析和决策解决方案提供了理论支持,资源配置优化。这项研究提供了对策建议为每个幼儿园改善资源管理效率,优化经营规模,并增加技术进步,基于实证分析的结果和实地访谈,从而可以有效地帮助幼儿园提高资源配置的效率。
1。介绍
作为学校教育系统的第一阶段,学前教育是基础教育的开始和终身教育的基础,起着重要的作用在国家教育体系。近年来,随着幼儿教育的发展受到越来越多的关注,政府也颁布了一系列的政策以确保学前教育的发展(1]。此外,教育部已加入与其他政府部门实施“学前教育三年行动计划”,以确保各区域相关政策的有效贯彻。然而,由于后期开始和薄弱的基础学前教育在发展中国家,学前教育在发展过程中仍然面临着一些困难,特别是在确保学前教育的权益,促进学前教育的均衡发展,有问题不平衡的资源分配和资源利用的低效率在许多地区(2]。资源分配问题已成为影响学前教育发展的一个障碍。在选择决策单位,不仅需要考虑决策单元的同质性,但也决策单元的数量之间的关系和数量的评价指标。其中,决策单元的同质性意味着决策单位应该有相同的外部环境,内部结构,目标任务,投入产出结构,等等。
如今,云计算和大数据相关技术的快速发展,数据的规模大幅增长,新的业务场景已经增加新的应用程序和要求。前面的单个服务器的存储模型与关系数据库无法满足大规模数据存储的需求和灵活多变的数据结构(3]。另一个明显的问题是,数据格式的多样性使关系数据库存储大量无用的数据,浪费硬盘空间和影响数据库的性能(4]。水平,人们开始使用可伸缩的分布式系统+非关系数据库存储解决方案应对高并发下的大规模非结构化数据访问操作场景。根节点和nonleaf节点是一种有条件的判断样本的特征。当测试数据进入分类从根节点,它将分类和判断数据特性值一层一层地,最后到达叶节点位置和完整的分类。在现有的分布式体系结构可以很容易地添加和删除节点集群,从而打破单一节点的性能瓶颈IO读/写。非关系数据库,另一方面,避免了无效数据的存储与灵活的存储模型,同时为业务需求提供更加多样化的存储解决方案。相关领域专家、学者一直在探索教育资源分配,重点是探索教育资源的合理性。教育资源分配的合理性主要体现在供应方面是否为需求方提供了更高的分配策略下的各种教育资源使用规定的约束。通过公平分配资源,合理、有效地教育能够最大化的经济效益和社会效益,促进社会的和谐发展。
学前阶段是阶段身心发展和可塑性最强最快的在一个人的生活中,具有不可替代的重要影响身心健康,习惯形成、个性发展、创新能力和创造力的形成,是人力资源开发的一个重要基础阶段5]。许多心理学家和教育工作者普遍认为幼儿期是人生智力发展的关键时期,学前教育对孩子未来的发展有积极意义。因此,许多国家都把学前教育纳入国民教育体系和注重接口与初等教育。目前,大多数的研究教育资源配置效率在现有文献集中在义务教育和高等教育阶段,和一些学者关注资源配置效率在学前教育阶段(6]。此外,大多数研究对资源配置效率的学前教育缺乏系统的理论支持或实证分析的过程中,虽然本文基于文献之回顾,确定了相关的理论基础研究课题,进行资源配置效率的实证分析学前教育通过DEA模型。综上所述,本文丰富了研究理论与学前教育资源配置效率和验证数据包络分析方法的适用性评价学前教育资源配置效率;因此,本研究有一定的理论意义(7]。构造决策树的过程仍然非常依赖于样本数据的功能。异常值的存在和无关的特性提出了过度拟合分类回归的风险,使决策结果的准确性大大波动,和随机森林算法诞生了。
2。现状的研究
研究的一部分在研究教育资源配置效率是指人力资本对经济的贡献,和许多地方有限的学前教育资源投入到关键幼儿园或幼儿园已经完全建立。这些幼儿园吸引很多人从一个更好的经济基础和较高的社会阶层,他们进入一个良性循环,幼儿园质量生产的人更有可能给经济带来更高的回报率后(8]。效率指的是在这种类型的研究是优质资源的聚合的效率为代价的部分股权,严格来说只有一个地方效率在一个特定的意义上,而不是一般意义上的整个社会的效率。教育资源配置的效率,研究始于20世纪结束的时候,最初主要是基于定性分析,分析其现状、问题和原因,提出对策,探索单一原因因素和教育资源分配之间的关系,和探索教育公平与效率的问题9]。许多学者使用DEA-Malmquist方法分析资源配置的效率在高等教育领域,教育资源分配和未来的研究将更注重定量研究。的对象的研究教育资源配置的效率,效率是最定量研究主要集中在高等教育、义务教育、职业教育、学前教育,包括各级教育。政府义务教育一直是一个热点的关注,和有更多的相关研究和深入研究。高等教育研究主要是研究效率(10]。output-oriented模型评价决策单元的效率从产出的角度。重点是每个输出的比例应该增加在DEA有效决策单元在不增加决策单元的输入。高等教育投入产出指标与其他学校相比相对容易测量部分,所以他们也研究人员的注意力的焦点。一些研究表明,资源分配各级教育是低效的,和冗余资源投入是普遍的现象。在缺乏学前教育资源配置效率的研究,现有的研究并不能满足当前的学前教育快速发展的需要和教育科学决策的需要。一些相关的研究在下面列出了高等教育和义务教育11]。
Jalali Sepehr等人用运筹学方法探索教育资源分配的两大类,包括类型的资源,政府部门应该关注和分配过程中的特定规则的有效操作(12]。吴作栋表示,教育资源配置的核心目标需要澄清,更新和优化的设计水平,以满足分配需求的改进和创新资源配置(13]。陆等人分析了整体学前教育资源配置状况,并研究发现,学前教育资源配置相比过去有了显著的改进,但仍面临资源总量不足的问题,城市和农村地区之间资源分配不平衡,缺乏市场调节资源配置(14]。刘和郭分析了学前教育资源配置使用基尼系数,并指出在金融投资方面,政府在西部省份的投资远远高于其他省份,但是这些省份的资本利用效率相对较低;因此,这些省份仍处于相对落后地位的学前教育资源分配;在其他方面,幼儿园的布局之间的不匹配和学龄儿童的需要,有幼儿园的布局之间的不匹配和学龄儿童的需要,和老师和幼儿园的供应书籍在公社供应不足15]。此外,还有分析当前学前教育资源配置在边远地区,如分析当前学前教育资源配置在西藏的基于“供应方面的改革,”的角度研究发现,存在明显的城乡差异在幼儿教师的分配,设施,设备在西藏。
3所示。建设一个算法模型优化学前教育资源分配基于数据包络分析模型
3.1。数据包络分析模型的设计
学前教育资源配置是一个生产活动具有多个输入和多个输出,这些输入和输出的基础测量学前教育资源配置的效率。因此,在构建指标体系时,我们应该首先确保科学合理的指标体系的性质,因为只有这样,我们才能保证评价结果的客观性和真实性,这也要求我们不要屏幕任意基于主观假设指标构建指标体系的时候,但应该屏幕系统评价指标的基础上,研究主题。教育决策者使用市教育局作为资源配置中心分配资源到教育局,教育局可以最大化其教育价值产出,同时投资有限的教育资源。其次,考虑到不合适使用太多的指标来衡量资源分配的效率数据包络分析,我们应该确保筛选指标代表在构建指标体系时,和那些不直接相关的指标研究课题应删除。最后,数据可用性构建评价指标体系时,应该考虑的指标和完整的数据不可用或统计数据包含极端值也应该被删除。
数据包络分析方法是指评估对象的效率作为一个决策单元(DMU),和各部门、各单位投入产出结构可以被称为决策单元,如学校、医院和银行。决策单元在本文中是指县的乡镇幼儿园x单位在选择决定,我们应该考虑决策单元之间的同质性和决策单元的数量之间的关系和数量的评价指标。其中,决策单元的同质性意味着决策单位应该有相同的外部环境,内部结构,目标,任务,投入产出结构等。
决策树是一种常见的分类算法,算法的主要思想是确定分类规则基于样本数据的特点,并建立这条规则树结构,从根节点开始分裂节点基于样本特点,并递归地执行这个过程指导树结构增长最大,在根节点和nonleaf节点是一种有条件的判断样本特性测试数据输入时从根节点开始分类,这将对数据特征值进行分类判断一层一层地向下,最后,到达叶节点的位置并完成分类。样本的分类规则,将决定顺序特性分类,而功能决定顺序取决于贡献每个分类的样本数据的分类(16]。CART算法是基于C4.5算法,可以处理分类和回归预测问题,并使用一个二叉树构造决策树形式,大大提高了计算效率。基尼指数是用来代替信息增益率,和最小的基尼系数的特性将被选择为每个节点分裂,基尼指数计算中所示(1),表示的概率样本属于第一类 。其中,err1代表out-of-bag决策树的预测误差数据,err2代表决策树的预测误差添加噪声干扰后的当前特性out-of-bag数据,和n代表了决策树在随机森林的数量。较低的错误率差异表明,功能不影响决策树后添加干扰噪声;也就是说,这个功能的重要性相对较低。
除了通过信息增益的选择功能,信息增益率,和基尼系数,避免过度拟合的问题,也需要修剪操作决策树结构,防止过度拟合的过程中由于高决策树的深度。
尽管研究人员优化和改进的特征选择的过程和决策树的剪枝操作,构建决策树的过程仍然非常依赖于样本数据和功能,和异常值的存在无关紧要的功能会增加过度拟合的风险的分类和回归,这使得决策结果的准确性大幅波动。采用群决策的概念,构造一组决策树,并将其组成一片森林在某种程度上,并使用一个示例数据的随机抽样方法和样本特性,毕竟完成决策树分类或回归样本数据,结合所产生的结果是决定结果的决策树。随机森林算法保留了决策树算法的能力,可以量化特征的重要性,及其并行操作方法在处理大规模样本数据具有明显的优势。此外,它可以处理连续和离散变量以及高维样本数据异常值和缺失值不敏感,具有很强的泛化能力,训练影响小规模样本,如图1。接下来,法官根据拥挤利弊两个人之间的距离。值越大,越周围人群中个体影响的解决方案,和密度是稀疏的。此时,个人被认为是更好的个人和选择。
根据不同的方法测量效率,DEA模型可以进一步分为input-oriented模型和output-oriented模型。其中,input-oriented模型评价决策单元的效率从输入角度,关注每个输入的比例,应该减少决策单元DEA有效而不降低决策单元的输出而output-oriented模型评价决策单元的效率低下,从产出的角度,关注每个输出的比例应该增加使决策单元DEA有效的决策单元在不增加输入。output-oriented模型评价决策单元的效率低下的程度从产出的角度来看,专注于增加的比例在每个输出决策单元DEA有效的决策单元在不增加输入。
有许多类型的Malmquist模型,本文涉及的Malmquist模型邻前沿交叉引用,Malmquist模型。Malmquist模型在本文中是指相邻的前沿交叉引用Malmquist模型,和Malmquist模型的基本原理如图2。
如图2,DMUk有不同的效率方面t和时间t+ 1。Kt表示决策单位DMUk参考集是什么时候t,Kt + 1表示决策单元DMUk当参考集t+ 1。
推测,原因是孩子在幼儿园的数量在广东省的几倍甚至几十倍其他省(市、自治区),各指标的投资,各种学前教育的人均资源在广东省在“不富有。”状态,这是发生了什么。生成样本数据后,我们需要使用随机森林算法建立预测模型并使用sklearn库导入示例数据,划分训练集和测试集数据,训练和验证模型和分数样本特征的重要性。预测模型的预测精度是评价和选择,可以提高模型的泛化能力。的步骤构建吞吐量预测模型和响应延迟预测模型都是相同的。首先,吞吐量生成示例数据文件的最后一节使用pd是进口的。read_csv函数根据文件路径。行2 - 3算法用于分区的吞吐量样本数据特征值和目标值,和分区的结果存储在变量x和y。接下来,k-fold交叉验证参数kf设置,kf指定数量的样本数据的副本被分为k-fold交叉验证过程;本文样本数据分为10册,其中一个是选为每次测试集的数据,和其他数据用于模型的训练。
3.2。建设学前教育资源分配优化算法模型
从效率的角度分析,优化教育资源配置在每个区、县是最大限度地利用有限的教育资源。通过回顾相关文献和理论,我们知道,老师是专业技术人员团队的一个重要组成部分,是全面实施素质教育的重要力量,促进良好的和教育的快速发展17]。教师资源的合理配置和使用在学校中起决定性作用的教育资源的利用率。提高义务教育资源的利用率,需要实现一个合理分配教师团队在学校各区县所在。此外,“学前教育三年行动计划”由教育部共同发起和其它政府部门进一步确保相关政策可以有效地进行和实施在不同的地区。全职教师的影响教与学的质量密切相关。如果地区内的学生和老师的比例不合理,将导致浪费教育资源方面的教师,这是不利于建立一个良好的学习环境和影响教师的教育价值输出。因此,每个学生确定适当数量的全职教师教育资源的使用是一个值得研究的问题。
本章以教育资源的分配在幼儿园级别为背景的研究和实现的目标合理化的分配每个教育资源,探索教学面积等有限的教育资源,教学基础设施,和老师分配,这样可以有效地分配这些资源在地区、县和投资可以合理、有效的利用教育资源。资源分配在幼儿园级别的关键是实现改善的目标水平的教育资源分配,减少资源分配的差异,增加教育资源的利用率,充分发挥材料的最大影响,金融、教育水平和人力资源。教育决策者使用市教育局作为资源配置中心分配资源到教育局局可以最大化与有限的教育资源投入的教育价值输出,和学前教育资源分配图所示3。
解决方案的多目标优化问题的教育资源分配在每一个区、县,初始化种群根据NSGA-II算法设计可以转化为约束有关以前的经验在处理实际应用多目标优化的问题,和初始种群生成随机指定的边界范围内通过将它们转换为边界条件约束下。总之,区、县教育资源分配优化模型,初始人口矩阵k教育资源n区、县将生成。首先,我们需要确定边界条件的矩阵指数;然后,我们使用随机函数生成的数据和与边界条件结合生成的数据生成一个矩阵编码的指定数量的初始种群;最后,我们初始化这个编码矩阵在NSGA-II随着人口的个人。矩阵的每一行对应一个区,和矩阵表示n地区与k教育资源。USGA-II算法随机生成初始解决方案与相同数量的个体作为初始人口形成了初始种群。特别是,确保学前教育公平,促进均衡发展学前教育,有很多相关的问题,如资源分配不平衡,在许多地区资源利用效率低。很明显,资源分配问题已成为影响学前教育发展的一个障碍。
最初的解决方案将被过滤不同的分配策略,从而形成一个候选解集。快速nondominated方法比较结果通过保持优势的解决方案之间的关系,它使用一个索引查找机制。一组nondominated个人NSGA-II被称为帕累托最优前端,和所有个人属于第一nondominated帕累托最优前端指派给一个等级,然后忽略这个前端后,第二个得到帕累托最优前端。NSGA-II可以根据染色体分类人口,人口分类后,解决方案的多样性不仅可以维护,还可以减少计算复杂度 , ,在哪里米是目标函数的数量的区、县教育资源分配模型和N人口的数量大小:
生成样本数据后,我们需要使用随机森林算法建立预测模型,使用sklearn库导入示例数据,划分训练集和测试集数据,训练和验证模型和分数样本特征的重要性。预测模型的预测精度是评价和选择,可以提高模型的泛化能力。算法使用feature_importance_function计算功能的重要性,这是计算的差异主要是由决策树的预测误差后添加干扰测试集数据测量功能在决策过程的影响(18],err1表明决策树的预测误差out-of-bag数据,err2表明决策树的预测误差后添加噪声干扰当前功能out-of-bag数据,和n表明决策树在随机森林的数量。较低的错误率差异表明,功能不影响决策树后添加干扰噪声;即。,the feature is less important. New business scenarios have also spawned new applications and requirements. In the past, the storage model of a single server plus a relational database has been unable to meet the needs of massive data storage and flexible data structures. Another apparent problem is that the diversification of data formats makes the relational database store a large amount of useless data, which not only wastes hard disk space but also affects the performance of the database. In this section, we use the UH-type workload in the YCSB test tool for performance testing and model training, and the importance of the hardware parameter features in the throughput prediction model is shown in Figure4。
graph4显示节点的数量最大的影响在HBase吞吐量指标,因为读写性能的HBase并行集群支持的所有节点,和横向扩展集群的主要手段提高HBase的性能。此外,增加CPU内核和内存容量的数量也可以显著提高节点的数据处理能力。的重要性有显著增加的带宽特性的重要性反应延迟预测模型相比,吞吐量模型。HBase集群的分析表明,在分布式环境中,和局域网的带宽将限制节点之间的通信能力,这将产生更大影响集群的整体操作响应速度。通过公平、合理和高效的资源配置,教育的经济效益和社会效益可以呈现给最大程度,从而促进社会的和谐发展。
4所示。分析的结果
4.1。数据包络分析模型的结果
通过数据包络模型的计算,财务指标体系将得到三个效率评价结果。在评价结果的分析,先判断决策单元的有效性,只有当这三个效率值都是1,它可以表明,DMU是有效的。然而,由于这个值太绝对,效率值从DEA模型不能用于评估获得相关企业的效率,本文将使用“引用计数”的标准来衡量的有效研究[19]。引用计数的方法是提高无效的DMU本身指的是有效DMU的参考对象。有效DMU,它引用的次数一个无效的DMU和无效DMU的次数是改进的目标是它引用的次数。次有效DMU是作为参考对象,其他无效的研究,这个有效DMU更稳定。许多心理学家和教育工作者普遍认为幼儿期是人生智力发展的关键时期,学前教育对孩子未来的发展有积极意义。结果,许多国家已经把学前教育纳入国民教育体系,重视与初等教育。
人口个体选择保持色散以及种群个体的多样性,这样最好N个人选择的一系列的人群。如果两个方案属于不同nondominated水平,即。,nondominated排名的个人水平一个编号是一个等级和拥挤距离计算dista, nondominated排名个人水平b编号的荞麦和令人不安的拥挤距离计算;然后,两个人之间的拥挤距离是用来判断他们的优势和劣势。值越大,越不影响周围人群中个体优势的解决方案,和稀疏的密度,个人被认为是越多越好个人和将被选中,如图5在细节。
通过求解原DEA模型的最优解,的生产效率值决策单元(DMU)的利益可以得到在当前的输入和输出条件下,由逆DEA模型来解决问题时如何获得一个最优的输出变化值对于一个给定的输入电平,同时保持原DEA模型的最优效率值不变。逆DEA模型解决的问题可以大致分类如下:(1)我们如何控制或调整输入和输出值的变化,同时保持决策单元的效率值常数相对于其他决策单位?(2)在所有决策单元(研究),如果我们增加一个决策单元的输入到一个特定的值,假设决策单元的效率值增加到一个特定的水平相对于其他决策单位,应该增加什么决策单元的输出?
经过验证的性能预测模型和改进的粒子群优化算法,本文将资源分配优化方法应用于“聪明的警察系统”项目优化HBase集群的硬件配置资源。HBase项目的主要作用是储存和查询历史交通数据,主要包括绩效指标数据吞吐量和响应延迟阅读(20.]。本节以HBase吞吐量和响应延迟的性能要求为出发点,并使用上述资源分配优化方法来优化集群硬件资源,确保性能数据查询服务的项目不受影响基于集群减少最初的资本成本。本文的研究内容的可行性测试在实际系统。这种类型的研究中提到的效率指的是高质量的资源收集的效率,以牺牲部分公平。严格地说,只有在一定范围内效率在一个特定的意义上,而不是一般意义上的整个社会的效率。
逆DEA模型用于调整输入或输出指标的估计量的几个省(直辖市人民政府和自治区)的纯技术效率其他学前教育资源分配更加稳定或规模收益递增阶段在2016年。这一类的省市与稳定的效率或规模收益递增,适当的调整他们的输入指标可以使输出的值增加,同时保持原有的资源配置效率。每个输入值的平均增长率在2014 - 2016用于设置输入和输出值的最优解结果计算。在上面的省份和城市,的比例preschool-educated小学入学的一年级学生在重庆,四川、贵州、甘肃、海南、青海为输出指标仍相对合理。儿童的数量的逆DEA模型在学校在广东措施4080297;阶段的输出结果小于2016年儿童在学校的实际数量,猜测的原因是孩子在学校的数量在广东省几倍甚至是几十倍相对于其他省份(直辖市政府、自治区),在每一个指标的输入,有各种各样的学前教育资源人均在广东省。这是“不发达”的原因情况下,如图6。
解决方案最终逆DEA模型的最优资源配置显示,金融资源的输入是多余的相对于其他指标,和所有省份和城市不合理的输入的输入指标。逆DEA的结果提高资源分配的效率在每个省,上面列出的几个省份,包括北京、上海、江苏、浙江、天津、陕西、西藏、内蒙古、宁夏,需要更多地投资于全职教师与专业学位的比例或更高,以及教师与高级职称的比例。这表明教师稀缺和教师结构迫切需要解决的问题。逆DEA模型提供了一个理论上的最优值的输入和输出和输入的数量的增加或减少在每个索引可以用来作为参考。在实践中,国家教育部门可以考虑资源配置在一定地区基于逆DEA模型的结果,和省市政府可以调整资源结构的输入指标基于效率评价结果和逆DEA结果以便各级教育部门共同努力,优化教育资源配置,实现最大价值的利用有限的教育资源。
4.2。算法的仿真实验对学前教育资源的优化配置
资源分配在学前教育不仅关系到幼儿园的管理风格等内部因素和教师的管理意识和导演还外部因素,如资源配置的管理系统,竞争激烈的社会环境中,政策的制定21]。因此,如果我们想要有效地提高学前教育资源配置的效率,我们需要分析原因影响各级学前教育资源配置的效率。前面的实证分析表明,纯技术效率、规模效率和技术进步都有一个对资源配置效率的影响。其中,纯技术效率主要是管理水平等问题相关资源配置的方式和手段,规模效率主要是有关资源分配的规模,和相关的技术进步主要是技术变革影响因素如管理制度、竞争环境、人力资源结构。
随机森林的错误率RO和RH场景分别为7.8%和9.2%,分别。随机森林算法的错误率低于20.5%和22.7%的次优算法。所有算法的错误率在RMW场景中没有显著的不同。随机森林算法执行最佳RO场景和相对差的RH场景比其他算法,和有一个更大的整体优势和出错率在所有复杂场景中是最优的。吞吐量和响应延迟预测模型由上述随机森林算法获得了相对明显的优势超过三类似算法相同的测试集的条件下,如图7。
关于吞吐量预测错误率的四个算法,射频,支持向量机,安,DT,在五个不同的负载类型的YCSB场景,错误率的随机森林算法在两种载荷下,呃,RH,明显优于其他算法,8.2%和9.1%,分别低于17.9%和10.6%未来最好的算法。在RMW场景中,错误率的随机森林算法和支持向量回归算法是相同的,明显优于其他算法。在罗依的场景中,随机森林错误率仍然是最低的,但与其他算法相比,改进不明显。分析后,得出每个算法的预测精度大约是相同的RO场景,因为数据操作类型单一以及硬件资源分配和吞吐量之间的映射关系就更简单了。硬件资源分配和吞吐量之间的映射关系是更加复杂的场景混合负载类型,例如,和预测误差的差异率不同算法之间更重要的是,表现不佳的原因是决策树的混合负载场景。
效率值衡量摘要Bootstrap-DEA模型比传统的DEA模型更可靠,和中国的现状分析学前教育资源配置效率的测量效率值可以总结变化的趋势,在学前教育资源配置效率和整体的基本特征。整体资源配置效率逐步提高,整体输入规模已经扩大,和输入因素变得更加合理。然而,与此同时,仍然有需要紧急处理的问题:首先,有巨大差异学前地区之间的教育资源配置的效率;其次,系统和管理水平跟不上其输入规模的发展,和之间存在一定程度的不相容的输入和管理;第三,有一个严重的金融学前教育投入资源冗余输入指标在发达地区;第四,输出在欠发达地区的现象突出,这是非常不利于省资源配置效率和有效地使用资源,但在理论上逆DEA模型可以合理的分配资源,以及资源分配的比较指标如图8。
Bootstrap-DEA模型是用来测量效率值,和学前教育资源配置效率的现状进行了分析从其测量效率值。而重组教育资源,投资省(直辖市)应该不断改进现有的管理水平,金融系统,并导致转换的学前教育体系,明确省、市(县)政府的责任,指导学校以标准化的方式经营,与教育投资的规模保持协调。作为政府,它可以从经验中学习的教育管理水平较高的地区和更好的制度保障。等地区的西藏、甘肃、宁夏、青海、新疆和云南,具有输出不足的指标与学前教育小学入学人数的比例,他们应该加强对孩子的管理已经从幼儿园毕业,从城市到农村地区,加强他们的学习概念,加强政策指导农村和困难家庭,并给予优惠政策,如降低免税和补贴孩子当他们进入幼儿园,这样他们就可以有机会继续接收,确保学前教育的目标是“基本保护和广泛的报道。”
区域社会经济发展状况密切相关,速度,和学前教育质量的发展,学前教育发展的基本前提。经济欠发达城市和城镇应该探索他们的发展潜力,充分利用“倾斜”发展的优惠政策在特定的地区,积极引进外国投资,积极发展区域生态资源,创建和构建地域文化、民族传统、和旅游品牌,促进社会经济的加速发展,奠定坚实的经济基础,学前教育的发展。建立稳固的经济基础的发展学前教育,学前教育发展的差距和其他地区已经缩小到一个相对平衡。除了加速经济发展,各级政府应制定“嵌套和吸引凤凰”政策对于学前教育人才的引进和培养,建立和完善人才与时代的回报机制,注入了强大的内部动力的质量和地区学前教育的健康发展和创新的人力资源分配模式地区学前教育。
5。结论
本文解决了学前教育资源的优化配置基于数据包络分析模型。首先,多目标优化配置模型构造区、县资源提高水平的教育资源分配,减少区、县的不同资源配置,提高教育资源的利用率,在这个模型和指标权重由熵权解决方法;然后,经典的多目标进化算法NSGA-II用于编码、种群初始化,和设计的算法的关键步骤,在精英选择策略,以避免局部收敛;最后,SPEA2 NSGA-II MOEA / D, IBEA应用于模拟和比较实验,和高压指标和迭代算法的收敛效果用于验证的高效解决方案NSGA-II模型中设计在本章和获得的结果可以提高教育资源配置水平,减少区、县之间的差异,提高教育资源的质量。优化资源分配计划为每个区、县,可以提高教育资源配置水平,减少区、县之间的差异,提高资源配置的利用率。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作是支持的2020个重点项目的基础科学研究黑龙江省高校的业务费用,“师范院校的实践研究学前艺术创新能力从审美教育的角度”(项目编号:1355 zd018), 2021年牡丹江市师范大学教学改革项目,“审美教育研究学前教育的教学改革与实践的背景下专业认证”(项目编号:21-XJ21012),和“以学生为中心的人才培养模式的创新与实践基于OBE”(批准号21-XJ21048)。