虚拟任务（精选4篇）
虚拟任务 篇1
教育主要是一种针对具体知识学习的微观活动构造, 不论是课堂活动还是课外活动, 其目的都是为了在掌握知识的同时提高学生的技能与情感, 因此各类的评价其价值取向都应是指向学生的成长。尤其是在小学信息技术教育中, 因为学生年龄比较小, 学习过程相对简单, 学习成果相对简陋, 评价其学习效果就比较困难。为此, 我们可以转换到“不同性质的任务”角度来区分讨论, 如对学习成果进行评价, 角度为作品的“完成度”和“创新度”。
一直以来, 我们在任务中经常涉及的一个原则就是“贴近学生的生活实际”。例如, 我们用“关注健康”为主题, 用饮食、卫生、安全等相关知识的获得作为驱动任务, 学习网络信息的搜索技术。又如, 用“作文修改”为主题, 采用输入作文、改病句、排版等相关过程为任务, 学习运用文字处理软件的编辑技术。但是并不是所有的技术都能够应用到生活实践中, 因为受到时间、空间和身份的限制, 更何况技术的最高层次其实与艺术是相通的, 它也需要存在一部分具有超强的想象空间的、独具艺术特色的技术应用与创新。比如, 畅想未来的信息世界与信息技术, 可以让学生的思维得到释放。又如, 在网络上做一次虚拟旅行, 可以是不太可能集体实现的欧洲之行, 还可以是无法实现的星际之旅, 让学生快速地进行地理考察、文化联想等, 综合地掌握、提高解决问题的技术与技能, 培养技术与信息的双重情感。
●对真实的任务, 要注意“完成度”
真实的任务有很多种构造方式。让学生亲历亲为地去做一件事进行长效学习, 这是从过程上的界定。例如, 运用数码技术为社区老人服务, 给他们拍摄、加工、打印生活照片, 让他们的生活更丰富充实, 同时提高学生综合的、不定向的技术、技能与情感。让学生运用现实中的实例进行短效学习, 这是从内容上的界定。比如, 设计爱心提示卡片, 只是针对现实健康、安全等问题进行的限时思考和定向技术学习, 这只是实践的部分环节, 所以技术、技能与情感也会更加具体。不论从内容界定, 还是从过程界定, 两者都是可以实现让学生在独立实践或合作探究中得到真实体验。比如, 竞选大队委的演讲允许使用PPT, 渲染演讲效果。要求学生设计自己的PPT竞选演讲稿, 下面举其中的精彩个案进行简要分析, 我是如何在过程中关注其完成度的。
第一, 规划设计。开始的时候, 我提示她先写出自己要表达的文字稿, 学生问我用什么样的内容才有表现力?我提示她, 只有五分钟的陈述, 重点是用不多的文字表现出自己, 而不是讲套话。最终她拟定的规划共有三条: (1) 自我介绍; (2) 自己的特长和爱好介绍; (3) 竞选宣言。我对每条的真实性、可能性进行评价, 提倡利用特长进行突出: (1) 擅长写诗, 用诗句介绍自己的名字, 加深同学们的印象; (2) 每一个特长爱好配以图片展示更有说服力; (3) 进行排练计时, 演讲时PPT按照预设自动播放, 演讲一气呵成。
第二, 资料筛选。我让学生首先独立完成文字稿件, 对其中的细节进行推敲, 把她找到的资料进行整理, 结合资源的针对性、多样性、生动性进行完成情况的讨论、分析, 改进。例如, 介绍名字的诗句, 学生创作:溪水汇聚方成江河, 月光虽微可驱幽暗, 我的名字是溪月。正如我的名字一样, 我愿意做永不停息的溪水, 驱散幽暗的月光, 以我所有的热情全心全意为同学们服务。这样的原创很朴实、有特色和个性。例如, 她写到:……生活中我是一个活泼开朗、勤奋自信的女孩, 滑雪、高尔夫、写博客、绘画都是我的最爱……我指导她找出相关的照片, 在PPT中跟随演讲展示, 这样的设计很生动, 让在场的老师、同学印象深刻。
第三, PPT创作。在进行充分准备后, 开始PPT创作。先指导她建立模板, 把基本内容分页填写好, 基本要求是:文字清晰、画面简洁;然后进行细加工, 图片要进行裁切, 用图像处理工具软件进行拼接, 加上说明, 突出主题;进行排练计时, 让PPT和演讲的进度准确契合。
第四, 情感表现。上场前她还是有些紧张, 尽管经过排练, 还是对自动播放的PPT有些顾虑。演讲开始后, PPT在她身后展示, 她忍不住回头看了一眼, 看到画面和自己的演讲配合默契, 她微笑、自信、准确地完成。掌声和欢呼瞬间把会场淹没, 她的才华淋漓尽致地展示了出来, 震撼了全校。我对她说:虽然你是第三次站到竞选的舞台, 虽然前两次的失败让你记忆犹新, 但是, 你的确是上帝派来的天使, 你的自信和你不断的努力, 通过这次展示让我们认识到了一个多才多艺的学生。
●对虚拟的任务, 要关注“创新度”
虚拟的任务构造也可以有两种。一是在过程上虚拟化, 让学生运用技术去虚拟体验活动过程。例如, “探险非洲沙漠”, 有的组可以搜索地理、气象、历史等各类信息了解非洲沙漠情况;有的组可以发起讨论, 寻找最佳穿越方案和设备配备;还有的组可以通过邮件等交流渠道征求专业人员的观点和建议。探险的真实性并不重要, 虚拟的体验对学生综合技术的提高会富有激情激发和技术应用创新的功效。二是在内容上虚拟化, 让学生运用技术去体验虚拟的活动内容。例如, “创作我的未来生活”。工具也许只用画图或者记事本就行。可以是文字的, 也可以是绘制的, 让学生设计自己的未来生活, 其中包括未来的技术。这类的活动, 在美术、语文等课程中已经应用非常多, 学生在自己的创意中获得的成就感、美感都是巨大的, 值得我们借鉴。例如, 我在“创作我的未来生活”画图教学课上, 就抓住了“创新”这个维度来指导、评价学生的作品。
第一, 创意。我主要关注了学生的创意是不是新颖。在发现不少的学生是把现在比较发达的一些网购、高铁等纳入创意时, 我指导他们再大胆一些。甚至说, 反正现在没有的, 你想的就行。结果创新一时间泛滥起来, 有的在吃上花样很多, 有的拥有了轻便飞行器。其中, 有一个学生设计的汽车尾气出来的都是鲜花和树叶, 真是构思奇特。
第二, 构图。鼓励创新的构图, 让学生不要管比例、位置, 想怎么画就怎么画。学生特别高兴。构图的新颖关注的主要是突出主体的创新, 当然各种形式的都进行鼓励。对透视、对称等没有要求, 也不作评价。例如, 有的学生把电脑画得像树一样长在路边, 还把路边的石头都拿来当鼠标, 这些都是夸张到极点的安排。
第三, 色彩。我提示学生色彩很重要, 但是不一定要多, 主要是要自己喜欢。对他喜欢的事物配上他喜欢的颜色, 这是追求的感受创新。不可避免好多学生有恶作剧的想法, 如把人物的脸弄成七彩, 把太阳都画成黑色, 但是我都对他们进行了刻意表扬。色彩少的、多的、乱的, 我都让他们感觉到自己创新的成功。
第四, 人文。个别学生的作品涉及了人, 如会照顾老人的机器人, 还有能阻止同学吵架的橡皮等, 我对这种在人文情感方面的创新特别进行了表扬鼓励, 趁机向他们讲述人类要和谐共赢才能有美好的未来。
另外, 对学生作品的主题、风格等方面的创新也适当进行了关注, 总之是要实现一个目的:每个人都有创新, 每个创新都是优秀的。
虚拟任务 篇2
虚拟装配[1]是实际装配过程在计算机上的本质体现,它利用计算机仿真技术,结合虚拟现实技术,在虚拟环境中通过建模仿真等交互操作,在计算机上实现装配的全过程。虚拟装配是虚拟制造技术的重要组成部分,主要用于产品设计,给工程设计领域带来了全新的设计环境,便于整体考虑设计合理性和装配。利用虚拟装配技术,可以验证装配设计和操作的正确性,及早地发现装配中的问题,对产品模型进行修改,并通过可视化技术显示装配过程。现在利用虚拟装配系统进行装配任务培训也有很好的应用前景[2]。
1虚拟装配任务培训系统
在传统工程环境中,装配人员是通过分析二维工程图纸以及装配工艺规划来识别装配任务。虚拟装配将虚拟样机和直接操作方式结合在一起,提供的是实物装配过程的行为模拟。通过虚拟现实系统,装配工人能够在虚拟环境中观察产品的装配过程并直接操作零件模型,从而有效地促进了装配工人对装配任务的理解和感知。可以通过虚拟装配过程的训练,使操作工人熟练掌握机器装配的操作技能,对难度较大、成本较高、有挑战性的装配将是很好的演习训练机会。与传统方式中的装配任务培训相比,基于虚拟现实与增强现实的装配任务培训能显著地提高用户进行实际产品装配的效率与质量。
虚拟装配任务培训系统开发主要包括零部件建模[3]和模型交互两部分内容。常用三维建模软件包括Pro/E、Solidworks、CATIA等机械建模软件和3DMAX、Lightwave 3D、Maya等动画建模软件。EONStudio是一种可以让使用者快速简单地将生产研发与行销整合的3D模拟互动工具,经常被用于制作产品的虚拟演示,适用于编程交互开发方面。EON易于与3DMAX、VRML等大部分3D建模软件结合,不用担心档案格式相容性的问题,是虚拟装配任务培训系统开发的有力工具。具体过程通常是利用机械建模软件Pro/E等进行精确建模,通过模型转换软件将模型转换为可进行材质和贴图处理的格式,利用3DMAX、PhotoShop对模型进行材质处理,美化模型,使之更具有真实感,通过EON Studio进行虚拟环境的建设和模型驱动,然后进行界面的处理工作,进一步美化界面,并且利用多媒体等开发出一套完整的可以应用于宣传、教学、培训等的虚拟装配系统。其开发过程如图1所示。
2应用实例
以火车转向架虚拟拆装系统开发为例。该系统着重对火车转向架系统的各部分组成结构进行拆装演示。首先在Pro/E软件中建立火车转向架(包括各个零部件)的精确三维模型,然后通过VRML格式导入到3DMAX中进行材质处理,完成后存为3ds文件。这里我们不再具体讲述三维模型的建立和处理过程,重点讲述如何将模型导入到EON Studio场景中,并对模型进行驱动,实现模型交互,从而完成虚拟装配的过程。其具体步骤如下。
2.1模型导入
首先在Simulation Tree(场景的整体树状架构图)建立一个Frame框架节点,模型的所有功能及所在环境的位置、比例都在这个框架中。然后选择file→import,选择要导入的模型文件格式,本例中文件格式为3ds,选择相应的模型文件,并将该文件路径复制到additional search paths中,点击OK后即可将模型导入这个框架中,导入模型后的虚拟场景显示如图2所示。
2.2模型交互
要实现模型交互首先要完成对各个功能节点的设置,然后才能进行功能的实现。
2.2.1 功能节点设置
功能节点设置主要包括设置框架节点Frame,网格节点Mesh2,材质贴图节点Texture2,点击触发节点ClickSensor,位置运动节点Place,以及脚本节点Script等。
框架节点Frame是一个最为常见的节点,可以拖动任意节点至它的下面;框架节点作为父节点,可以设置它的子节点的平移、旋转及比例;框架节点可以用来群组多个节点,合理利用它可以优化模拟程式的结构。网格节点Mesh2是用来存储3D模型的节点,它能够存储.X或.EOX文件。在Eon Studio5.2版本中,模型导入后,自动生成Mesh2节点。材质贴图节点Texture2将图像贴附在物体的表面,或者是包覆在物体四周,使模型物体看起来真实感更强。在本实例中,模型在3DMax中完成的UV贴图,转化为.3ds格式,模型导入构成中选取相应贴图的文件路径,生成的场景中则会自动创建Texture2,保存各零部件的材质。点击触发节点ClickSensor放置于某个物件的框架节点中,在Routes视窗中连到某个节点上,可以起到点击物件时触发它的某个事件的作用,如声音、运动等。
位置运动节点Place可以将物体目前的位置或方向,移动到另一个位置或方向,其父节点必须支持平移或旋转的功能。Place属性设定框,可以设定物体新位置和方向、运动方式及运动时间,移动位置的设定方式可以是相对位置或绝对位置。本实例中所有零部件的运动都是由Place节点来实现的,通过设置place节点的属性,获得需要的运动方式。
脚本节点Script是所有节点中最为灵活的,它允许设计者用VBScript或JScript创建用户自己的节点,并且进行各种操作。本实例中拥有大量ClickSensor节点,而ClickSenor节点默认状态是激活的,为保证最终的拆装顺序合理,使用一个Script节点控制ClickSensor节点。为使绝大多数的ClickSensor节点的初始状态为不激活,设置如下代码:
此外,本实例中还使用了KeyboardSensor,Group,MultiMaterial等节点。
为方便用户更好的选择视角,使用了ObjectNAVLITE这个原型。ObjectNAVLITE可以方便的使用鼠标对物体进行旋转、平移和缩放(注意:在EON的虚拟环境中,这些改变的都是用户的视角)。
2.2.2 功能实现
本实例中各零部件的运动方式均是通过设定的拆装顺序,控制ClickSensor的激活状态,层层推进。本环节主要解决的是大量零件依次有序地进行精确运动的问题[4],称之为连续复杂路径排列。该问题的解决需要专业设计或维修人员的指导。对零件拆卸和装配的次序进行设计,路径进行合理计算,并保存到各自的Place节点中。其中每一部分零件的主体过程如图3所示。
按照功能节点设置步骤中的方法,在Routes视窗中设置各节点属性如图4所示。
首先设置ClickSensor结点的输出属性为OnButtonDownTrue,即在点击鼠标时有输出事件。然后设置Place结点的输入属性为SetRun,实现的逻辑关系是在接受到鼠标点击事件后Place节点开始运行。然后设置Place节点的输出属性为OnRunFalse,即在Place节点运行完毕之后输出事件,ClickSensor的输入属性为SetRun_,即接收Place节点的输出事件后ClickSensor为不运行,ClickSensor将不起作用,这样做的目的是避免与其他ClickSensor节点产生混乱,相互影响。按照上面设置逻辑的方法,将整个系统的逻辑窗口设置如图5所示。
以上完成了节点的属性设计和逻辑关系设计。运行后操作过程中界面显示如图6,点击分解或组装按钮后将出现开始分解或开始组装的提示,按照提示点击鼠标将完成操作过程。
3结论
机械产品在使用过程中会出现大量的维修事件,维修人员培训就成为职业培训的一项重要内容。然而,并不是所有的培训环境都有足够的实物样机,况且,这些实物样机有时会是昂贵的,很难满足大量重复装配训练的要求。虚拟装配正是解决这一实际困难的最佳选择。尤其是桌面虚拟环境,更是以其设备廉价而大有普及的趋势。基于网络的虚拟装配任务培训也是一个极具生命力的研究领域,具有很大的市场潜质和应用价值。
摘要：以火车转向架虚拟拆装系统开发为例,叙述了开发虚拟装配任务培训系统的开发过程。使用Pro/E、3DMAX等软件建立三维模型后,导入EONStudio软件中进行模型驱动。详细描述了如何在EON中进行功能节点设置和通过连续复杂路径排列控制大量零件依次有序地进行精确运动的问题。虚拟装配任务培训系统以其直观、廉价、交互性好和可重复操作等优良特性,具有很大的市场潜质和应用价值。
关键词：虚拟装配,装配任务培训,系统开发,EON Studio
参考文献
[1]赵鸿宇.虚拟装配技术概述.计算机仿真,2006;(10):273—276
[2]赵经成.虚拟仿真训练系统设计与实践.北京:国防工业出版社,2008
[3]郑轶,宁汝新,刘检华,等.虚拟装配关键技术及其发展.系统仿真学报,2006;(03):649—654
虚拟任务 篇3
云计算作为一种新型的计算模型,目前已经受到政府部门、企业界和科研机构的广泛关注,并逐渐成为新的研究热点[1,2]。云计算中资源的调度和优化是云计算系统中的一个核心且富有挑战的重要构成部分,其效率直接影响整个云计算应用和服务的工作性能。由于云计算服务有很多独特的性质,使得原有的针对网格计算、分布式计算的资源分配和调度优化算法已无法在该环境中有效工作。那么,研究一类适合于云计算的资源调度优化算法具有现实的理论意义,又具有实际的应用价值。
目前,已有学者将群智能以及其他智能优化算法用于云资源的调度优化。比如,华夏渝等利用蚁群优化算法完成计算资源搜索与分配的工作[3];孙大为等利用具有快速多目标优化能力的免疫克隆算法优化偏好多维QoS 云资源[4];李建锋等在Map/Reduce编程模型下采用一种具有双适应度的遗传算法来完成任务调度[5]。一方面,可以看出基于智能算法的云资源调度优化方面的研究工作刚刚起步,特别是云计算资源的调度优化研究还比较薄弱,各方面的研究还缺乏系统性和完整性的研究;另一面,可以看出智能算法在云资源调度优化领域的研究具有很大的潜力。
动力学演化算法是一种新颖的基于统计机制的算法[6]。现提出基于动力学演化算法的云任务和虚拟机资源调度与优化算法,并在通用可扩展的云计算仿真平台Cloudsim上进行对该算法进行仿真和测试,算法以云任务预期完成时间最小为优化目标,实验结果表明演化算法所获得的预期完成时间要少于随机分配算法、顺序分配算法和贪心分配算法等三种算法。
1云任务和虚拟机分配的数学优化模型
假设有M个云任务,N个虚拟机,每个云任务的执行长度为Ci,i∈[0,M-1],每个虚拟机的运行速度为Vj,j∈[0,N-1],第i个云任务在第j个虚拟机上的执行时间为Tij=Ci/Vj,目标是让所有任务的完成时间最短,即先分别统计各虚拟机上分配的云任务数,然后分别计算各虚拟机完成这些云任务所需的总执行时间,最后最小化具有最长执行时间虚拟机的运行时间总和。
2演化算法
2.1编码表示
演化算法求解问题有时候不是直接作用在问题的解空间上,而是利用解的某种编码表示,因此设计演化算法的一个重要步骤是对所解问题的变量进行编码表示。选择何种编码表示有时将对算法的性能、效率等产生很大的影响。编码表示方案的选取很大程度上依赖于问题的性质。本文通过对云任务和虚拟机分配的数学优化模型进行分析,采用了两种编码表示,一种是整数编码(x0,x1,…,xi,…,xM-1),xi∈[0,N-1]; xi∈Z,云任务和虚拟机分别从0开始编号,xi表示将第i个云任务分配给编号为xi的虚拟机执行;另一种是二维矩阵01编码,xij=1表示将第i个云任务分配给编号为j的虚拟机执行,xij=0表示未将第i个云任务分配给编号为j的虚拟机执行。
其中xij∈{0,1}。
2.2搜索空间大小
对于第一种整数编码表示,编码长度为M,每一个单元取值的可能性为N种,因此搜索空间大小为NM;对于第二种二维矩阵01编码表示,搜索空间大小为(2N)M,但是经过分析发现,由于一个任务只能分配给一个虚拟机,因此此种编码方式的每一行只能有一个元素取值为1,所以每一行取值方式只有N种。
2.3动力学选择机制
动力学选择机制以动力系统和统计力学为理论基础,引入了动量和活动量的概念,定义了一个不同于传统方式的选择表达式。
其中,t是迭代次数,Xi为种群的第i个个体,p(t,Xi)为个体的动量,a(t,Xi)为个体的活动量,λ为惯性权重用于平衡个体的动量和活动量的重要性,在该选择机制中,slct(t,Xi)按照从小到大的次序排列。
2.4杂交算子
单点杂交,对于第一种编码方式,即随机地在两个父串上选择一个杂交点,然后交换这两个串的对应的子串,单点杂交算子示意如图1所示。
第二种编码方式,即随机地选择一行,以这一行作为分界线两个父代矩阵交换对应的子矩阵,如图2所示。
2.5变异算子
2.5.1 随机变异
第一种编码方式:(4,3,2,3,1,0,4,2,0,1),随机选择第6位(从0开始编号,下同),假设将第6位的4随机变异为0,那么变异后的个体为(4,3,2,3,1,0,0,2,0,1)。
第二种编码方式:随机选择第2行,由于每一行只能出现一个1,因此把在这一行中这一个1变为0,在其余的数据位中随机选择一位取值为1,如图3所示。
2.5.2 倒位变异
第一种编码方式:首先在父体向量中随机地选择两点,并把向量在这两点截断。将截断部分反序即得到其后代,例如,设父向量为(4,3,2,3,1,0,4,2,0,1),两倒位点为第二位和第六位,则后代向量为(4,3,4,0,1,3,2,2,0,1)。
第二种编码方式:假设倒位行是第二行和第六行,则个体进行倒位变异前后的情况如图4所示。
2.6算法流程
对于两种不同的编码方式,算法的基本步骤完全一致,只是杂交和变异算子略有差异,算法的基本步骤如下:
Step1:初始化种群,设定算法参数;
Step2:计算每个个体的适应度值;
Step3:计算每个个体的slct(t,Xi)并按照从小到大排序;
Step4:如果随机生成的概率值小于杂交概率值Pc,按照slct(t,Xi)选择前两个个体进行杂交操作;
Step5:否则按照slct(t,Xi)选择前两个个体进行变异操作,一个进行随机变异,一个进行倒位变异;
Step6:更新个体的动量和活动量;
Step7:算法是否满足终止条件(以评价次数为准),如果满足,则算法终止,否则跳转到步骤2。
3实验与分析
Cloudsim是开源的云计算仿真器,可以运行在Windows和Linux平台上,为用户提供了一系列可扩展的实体和方法[7]。现以Cloudsim 3.0为基础,通过扩展某些接口实现用户自定义的调度或分配策略,完成对基于演化算法的调度策略的模拟,并进行相关的性能测试和实验,并与随机分配策略,顺序分配策略和贪心分配策略进行结果比较[8]。
实验采用了两组实验数据,第一组云任务数目10个,虚拟机数目5个,云任务长度分别为19 365, 49 809, 30 218, 44 157, 16 754, 18 336, 20 045, 31 493, 30 727和31 017,虚拟机运行速度分别为278,289,132,209和286,这组数据来自于文献[8]。第二组数据是随机生成,云任务数目20个,虚拟机数目5个,云任务长度分别为24 686,22 457,29 768,17 071,26 651,31 587,21 837,18 890,14 478,30 002,28 964,29 945,35 358,39 723,17 670,31 230,30 333,33 902,34 308和11 022,虚拟机速度分别为399,381,188,340和176。演化算法的参数取值分别为:Pc=0.9,种群大小50,两组数据的评价次数分别为50 000和100 000。
表1中列出的是完全随机分配算法、顺序分配算法和贪心分配算法以及动力学演化算法在两组不同编码方案下获得云任务最优的运行时间。对于第一组实验数据,演化算法相对于另外三种算法,总运行时间分别降低了约74%,45%和9%,对于第二组实验数据,演化算法相对于另外三种算法,总运行时间分别加快了约50%,42%和3%。表2列出的是在第一组实验数据下演化算法获得的最优运行时间对应的一维整数编码分配方案。表3列出的是在第一组实验数据下演化算法获得的最优运行时间对应的二维01编码分配方案。通过分析表2和表3,发现这些最优个体有一个共同点,就是将30218和44157这两个云任务分配给289这个虚拟机执行。经过进一步的实验与分析,可以推断在其他云任务适当均衡分配给其他虚拟机执行的前提条件下,具有此种特征的分配方案对应的是最优分配方案,云任务总执行时间最短,说明演化算法能获得第一组实验数据的最优解。对于第二组数据,我们利用演化算法进行多次运行,表1列出的是多次运行当中的最好一次结果,两种编码方案的最优个体分别是“00403121041301130322”和“01000—01000—01000—10000 —00100—00010—00010—10000—10000—00001—10000—00010—00010—01000—01000—10000—00100—00001—10000—00100”。根据实验结果可以推断的是演化算法没有获得第二组实验数据的最优解,可能的原因是该问题的搜索空间大小是520,相对于第一组数据的510,搜索空间扩大了很多,算法性能就相对变差,但是获得的云任务总执行时间要低于另外三种算法,性能略优于另外三种算法。
4结束语
利用动力学演化算法进行云任务和虚拟机分配问题求解,算法中设计了一维整数编码和二维01矩阵编码,并根据这两种编码设计了单点杂交、随机变异和倒位变异算子,实验结果表明演化算法获得的分配方案云任务总执行时间最短,但是从另一个方面说明演化算法的性能还有提升的空间。因此下一步的研究方向是重点研究当并发的云设计任务数在102至103这个数量级,以及虚拟机数在101至102这个数量级时演化算法的性能,并设计性能更好的杂交和变异等遗传算子。结合优化模型并综合考虑陶瓷产品云设计服务的一系列特点,设计一类改进演化算法并使其能够高效快速地为云设计用户分配合适的资源。
摘要：建立了云任务和虚拟机分配的数学模型,并将其转换成一个组合优化问题,利用改进的演化算法进行求解。算法中设计了两种编码方案,并根据这两种编码表示设计了杂交和变异算子,并引入了动力学选择机制让种群中的个体都有机会参与演化。采用了两组实验数据进行测试,并和随机分配算法、顺序分配算法以及贪心分配算法进行比较。实验结果表明该演化算法获得的结果最优。
关键词：演化算法,云计算,分配策略,动力学
参考文献
[1]李莉,廖剑伟,欧灵.云计算初探.计算机应用研究,2010;27(12):4419—4422,4426
[2]张建勋,古志民,郑超.云计算研究进展综述.计算机应用研究,2010;27(2):429—433
[3]华夏渝,郑骏,胡文心.基于云计算环境的蚁群优化计算资源分配算法.华东师范大学学报(自然科学版),2010;2010(1):127—134
[4]孙大为,常桂然,李凤云,等.一种基于免疫克隆的偏好多维QoS云资源调度优化算法.电子学报,2011;39(8):1824—1831
[5]李建锋,彭舰.云计算环境下基于改进遗传算法的任务调度算法.计算机应用,2011;31(1),184—186
[6] Li Y X,Zou X F,Kang L S,et al.A new dynamical evolutionary al-gorithm based on statistical mechanics.Journal of Computer Scienceand Technology,2003;18(3):361—368
[7] Cloud Computing and Distributed Systems(CLOUDS)Laboratory.Cloudsim.(2012—03—19).http://cloud bus.org/.[2012—07—18]
虚拟任务 篇4
1.1 以语意为核心,兼顾语言形式
任务教学法(Task-Based Language Teaching,TBLT)中的“任务”,不同于普通的课堂练习或传统的课堂活动,而是学习者运用目标语言完成交际目的,达成任务目标的过程。TBLT以语意为核心,学习者在仿真/ 真实的交际场景中使用目标语言进行语意协商或语意交换,并在此基础上兼顾语言形式。Long将其定义为“语意与形式兼顾(Focus On Form,Fon F)”的教学方式,以区别于传统语言教学“以语言形式为纲(Focus On Forms,Fon Fs)”的方法。任务教学法中的Fon F,既可以通过教师在不打断交际过程的情况下,进行纠错反馈(比如重述等方式)来实现,也可以通过设计特定的教学任务,导引学生注意语法、词汇的正确用法,从而提升语言的准确度。
1.2 任务类型多元化
由于TBLT要求学习者在交际场景中使用目标语言进行语意协商或语意交换,许多教师会自然而然地把“小组讨论”作为主要任务形式。然而,任务类型不应局限于小组讨论,而应选择多样化的认知任务类型,从而发挥不同认知任务的优势,提高学生的“工作记忆”,促成语言的吸收和习得。TBLT常用的任务类型包括:匹配(matching)、信息差(info-gap)、列举(listing)、排序(ordering and sorting)、对比(comparing)、解决问题(problem-solving)、分享个人经历(sharing personal experience)、项目及创造性任务(projects and creative tasks)。任务类型的多元化,必然对技能训练的复合程度提出要求,需要教师在任务设计过程中对于听、说、读、写各项技能既有侧重,又有整合。
1.3 任务评级与排序
TBLT教案的设计应当以单个教学任务为分析单位,从简单到复杂循序渐进,逐步贴近真实交际任务的需求。任务复杂度(Task complexity)是指任务构成(task structure)赋予语言学习者在注意记忆(attentional memory)、逻辑推理等信息加工方面的要求。它由任务设计本身的特质决定,是相对固定的属性。任务复杂度包含6 个要素(见表1),是教师对教学任务进行评级(grading)与排序(sequencing)的重要依据。
1.4 任务连贯性
迁移恰当加工理论(Transfer-Appropriate Processing,TAP)认为,为了语言学习者能有效地把一个场景中习得的语言能力应用到另一个场景中,场景之间必须具有相似度和连贯性,促使学习者在复习语言习得的同时有机会接触新的语言知识,从而提升语言流利程度。
2 TBLT在多用户虚拟环境下的应用
多用户虚拟环境(Multi-User Virtual Environments,MUVEs),是基于互联网建立的多用户虚拟社区,设有多样化的生活场景,用户之间可以使用互联网实时传递文字、语音、影像等,实现群组成员之间的交际互动。
在MUVEs中,教师可以实时监控各学习小组的任务执行状况,利用MUVEs提供的录像和录音功能对小组活动进行记录,为日后的教学研究和反思提供数据资料。MUVEs为TBLT提供更生动、更便捷的实施平台,并且不改变TBLT的实践规律和本质要求。以Second Life为例,网络社区的虚拟场景和任务本身是无序的,而在教学应用中为达到教学效果,教师仍然需要划分任务类型、评价任务复杂度,科学地选择使用,必要时进行专门的活动设计和规划,在教学中引导学生循序渐进。
本文以Second Life中主题为“The Spring Festival”的场景为例,运用现场的文字、音频和视像资料组织实施课堂任务。
Task 1:与春节相关的物品(Vocabulary for items——Individual Work)
学生拿到乱序的春节物品图片和英文单词卡(如对联、灯笼、鞭炮等),需完成匹配,并能准确读出物品英文名称。根据完成先后次序进行个人积分。
Task 2:春节习俗(Traditions——Pair Work)
两人一组(A、B)拿到以图形和表格来介绍春节习俗的阅读材料(例如:物品摆放的位置、使用的时间、代表的含义等);A、B拿到的阅读材料有不同程度的信息缺失,需要通过语音聊天,互助弥补信息差(此处所填信息均以数字或图形形式出现,不涉及英语单词和句子的书写)。按照补全信息的准确度将小组得分计入个人积分。
Task 3:春节禁忌(Taboos——Pair Work)
A、B分别观看视频片段,两段视频介绍了不同的春节习俗和禁忌,内容有重叠也有差异;A、B向对方分复述视频内容,比较相同和不同之处,共同记录内容要点;最后向全班进行口头报告。按照口头报告对要点覆盖的完整程度将小组得分计入个人积分。
Task 4: 情景剧场(Showtime—Group Work)
4 人一组(A、B、C、D),A、B扮演留学生,C、D扮演中国教师和家人;留学生春节期间拜访中国教师及家人,并向他们请教春节的风俗习惯,得到了耐心的解答;留学生在赠送礼物、言谈举止中不小心触犯了一些春节禁忌(比如赠送钟表、打碎玻璃杯等);中国教师和家人需解释与春节相关的文化禁忌,委婉地指出留学生的错误并提供建议。留学生所问问题和所犯禁忌的要点已给定,允许学生在演练中根据个人生活经历进行适度发挥和扩展。对表演进行录像,由学生投票决定最佳组合,对该组全体成员予以加分奖励。
Task 5:兼顾语言形式(Fon F—Group Work)
小组拿到对话文本,对话内容涉及春节习俗和禁忌,对话内容已打乱顺序,并留白一些重点句型和词汇搭配。首先成员之间通过语音对话,在Second Life提供的电子黑板上对句子进行排序,然后试着补充空缺信息,最后观看对话视频,依据视频内容补全空缺的重要语法和词汇信息。根据填写信息的准确程度进行积分。
3 教学任务的设计分析
总体来看,教师在各教学任务的设计中融入积分竞争机制,充分调动了学生的学习积极性和参与热情;综合运用虚拟场景中的各种资源(如图片、文字、音频、视频等),保障语言输入的多样性与真实性;两人小组活动和4 人小组活动的设计,为学生创造更多“意义磋商”的机会,有利于提高目标语使用的流利程度和完善交际策略选择;结尾任务Fon F,鼓励学生探讨语言点的使用,进行关于语法与词汇的“元谈话(meta talk)”, 有助于学生反思自己之前的语言偏误,提高习得的准确性。
以单个任务为分析单位,上述活动的设计、选择和编排均能体现TBLT的基本原则。
第一,每个任务均以语意为核心,有明确的交际目标,逐步贴近真实世界的交际任务。在每个教学步骤中,学习者必须通过语意协商,排除生词、语法和其他语言交际方面可能会制造的障碍,充分理解他人表达的意思,才能完成信息填写或情景剧等任务目标,并最终能在实际生活中使用英语介绍中国的春节风俗、解释文化禁忌,并提供建议。最后一项Fon F任务,虽然旨在让学生聚焦语法现象,但其过程的实施必须以重组对话、理解对话含义为前提,依然体现了语意的核心地位,和兼顾语言形式的原则。
第二,任务类型实现多元化,包括匹配、信息差、预测、列举、对比、解决问题与排序,即TBLT常见的大部分任务类型都在该教学设计中得以应用。多种形式的认知任务,可以充分调动学生有关认知、逻辑思维、信息处理的大脑机制,提升工作记忆水平,为语言习得提供立体化的认知平台和资源。同时,在任务设计中有机结合听、说、读、写的基本技能训练,并做到逐步扩展技能训练,循序渐进(见图2)。
第三,依据任务复杂度标准,对任务进行逐个评价,以由简入繁的次序组织课堂教学流程。Robinson提出的复杂度六大要素模型中,对于每项指标都应进行肯定回答(+)或者否定回答(-);“+”越多代表任务复杂度越低,“-”越多代表任务复杂度相对较高;据此,笔者设定“+”值为0,“-”值为1,以折线图的方式更加直观地展示各个教学任务的复杂度递进关系(见图3)。前4 个教学任务使学生在可接受的程度内经历逐步增强的认知负荷,在不断完成更复杂的交际任务的过程中,对目标语反复进行深度加工,促进语言输入(input)转化为语言摄入(intake),为目标语的习得提供优化的环境;最后一项Fon F任务在复杂度上略有降低,是为了适当减轻学生的工作记忆负荷,将注意力导向语言形式本身,提高使用目标语的准确性。
+=0,-=1
第四,任务的串联符合TAP理论所要求的连贯性原则。新旧任务之间具有极高的相似度,有利于学习者把之前习得的语言能力应用到新的任务场景中,并在新任务中适度引入新的语言表达和内容,确保学生在每个步骤中都能“温故知新”,从而逐步提升语言流利程度。(见图4)
4 结语
本文以任务教学法任务设计的基本原则为框架,选用Second Life网虚拟社区的特定教学场景为案例,对教学任务的设计思路进行分析评价。旨在与正在应用多用户虚拟环境和任务教学法的英语教师分享实践经验,为拓展可操作性更强的任务设计与处理方法提供借鉴。
参考文献
[1]J Willis.A Framework for Task-based Learning[M].Harlow,UK:Subject Centre for Languages,1996.
[2]MH Long.Focus on Form:A Design Feature in Language Teaching Methodology[C]//C Kramsch&R Ginsberg.Foreign Language Research in Cross Cultural Perspective.Amsterdam:John Benjamins,1991.
[3]DJ Willis.Varied Activities for Variable Language[J].Elt Journal,1987(1).
[4]D Willis,J Willis.Doing Task-based Teaching[M].New York:Oxford University Press,2007.
[5]MH Long.A Role for Instruction in Second Language Acquisition:Task-based Language Training[C]//Hyltenstam,K&Pienemann,M.Modelling and Assessing Second Language Acquisition.Clevedon,Avon:Multilingual Matters,1985.
[6]P Robinson.Task Complexity,Task Difficulty,and Task Production:Exploring Interactions in a Componential Framework[J].Applied Linguistics,2001(1).