计算机动态语言

2024-11-04

计算机动态语言（共7篇）

计算机动态语言篇1

摘要：随着我国经济水平和科学技术的不断产生和发展, 我国出现了一系列以互联网为主要的高新技术手段。其中物联网的产生是建立在互联网的基础上而产生的, 其主要是对于互联网艺术的创新和发展, 把计算机主体位置展现到实际的事物表象中的体现, 利于人类和事物建立紧密的联系性, 利于促进社会的发展, 和增加整个社会的联系性。文章主要就物联网中计算机动态语言的应用展开分析和讨论。

关键词：物联网,计算机动态语言,应用

0 引言

物联网的产生是高新技术不断发展的产物, 企业是对于传统技术的创新和发展。物联网理念, 是依据于建立在世界身体的联系性为基础, 增加的传统互联网的联系主体和运作范围, 也是互联网更智能化的体现。随着物联网的不断发展和深入, 其与计算机动态语言的结合和应用, 极大的方便了企业和群众的生产生活, 也增加了社会各个领域和事物主体的联系, 是构建智能型社会的重要推动力。

1 物联网的主要内涵

对于物联网的理解主要是依据于互联网技术的基础上, 对其进行创新和补充而产生的物联网体系。物联网, 从表面上字意, 我们就可以看出, 是在运用花联网人与物的基础上, 增加到建立物体与物体之间的联系性、个体和个体之间的关联等等。由此可见物联网具有加大的联系性和整合性。利用运作的传播设备来和事物建立联系性, 其次物联网对于个体和个体之间的关联性, 与事物和个体的关联方式具有相同性。而不是传统的计算机设备和个体之间的联系。物联网主要是意义是, 物联网可以建立事物和信息设备的紧密联系性, 利用高新技术装置和移动设备, 把所有存在的事物和个体进行紧密的联系, 利于其在进行良好的整合发展, 获取不同主体和事物之间的准确信息, 良好的进行交流和整合。整合是物联网的主要运作目标和宗旨, 包括对于事物和事物之间信息的整合、个体和个体之间的信息整合、个体和事物之间的整合等等活动。从另一方面来看, 物联网也利于各个设备之间、各个平台之间、各个网络体系之间的整合发展。在对以上各个环节和部分进行合理化整合之后, 进而产生的统一的运作平台。这一运作平台的产生, 利于不同主体之间、不同业务之间进行一致性的认定和管理。

2 物联网的主要技术构建

2.1 物联网的主要技术构建

物联网的主要技术构建主要涵盖感应发展中的网络体系、当下的网络体系、具体事务网络体系构建。其中对于发展中的感应发展中体系主要是, 建立在事物和事物、个体和事物之间的感应和发展体系。感应发展中的体系, 主要是包括感应设备和网络组成体系、传播设备、近距离的移动体系等等。当下发展中的网络体制, 主要是物联网发展的主要出发点。其主要是对于不同的数据和资源进行输送, 涵盖网络的进入患者和重心体系。对于断下网络发展体系, 要依据感应发展网络体系的基础上, 完善网络的弊端, 增加事物和事物之间的联系性, 事物与个体之间的联系性、个体和个体之间的联系性, 在此基础上, 构建一个设备到设备之间的总体网络环境, 进行有效的交流和信息的传送和存储。具体事务的网络体系是建立在, 任务和实际应用相结合基础上的。其具有广泛的利用特性, 可以满足不同的应用部分和主体, 完成数据资源的传播和记忆, 进行资源的深入探究、和运作的评判等等。这一环节涉及的技术种类较为复杂, 需求技术形式较多[1]。

2.2 物联网的不同部分构建的网络体系

不同的设备主体在物联网里都具有紧密的联系性。其中包括不同环节的构成网络设备主体。例如, 感应网络体系、区域网络体系、个体网络体系等等重要组成部门, 多样的网络组成群体进行紧密的联系, 进而构建一个不同层的网络体系。物联网体系的重心部分, 可以利用NGN和MS的有效结合, 在联系的部分进行多层次的购建和发展。但是因为不同部分的网络体系建立的网络都是个体管理, 进而会造成相应的影响, 面对这种形式, 要对不同的环节和事务进行整合, 建立以IP为主要技术的整合网络体系, 增加物联网的整体性能[2]。

2.3 物联网的感应环节和设备的主体

感应环节利于对事物和个体的资源的整合, 也利于对信息进行更深入的研究和分析, 进而建立完整的物联网体系。其中高新技术的产生和发展, 极大的推动了物联网感应环节的构建。其中感应环节的技术主要涵盖, 感应环节的重要决策技术、感应环节的优化设置和资本支出最小化、感应环节和各个支点联系的构建关系等等。FRID是物联网的主要感应环节, 它结合了计算机技术、网络设备体系和视频的联系性等等高新技术群体, 由此可见其技术组成的高能性。其次, 它也是由不同的阅读装置和不同的芯片和元素构成, 经由阅读设备的统一运作, 向不同的主体和设备, 进行资源和信息的传送。物联网的发展和组成, 需要不同的终端体系, 包括不同形式、不同结构、不同功能的装置等等。其中对于物联网的事物和设备之间的标识的建立, 和设备环境的构建位置可以利用EPC来完成[3]。

2.4 物联网的广泛传播网络

物联网的广泛传播网络体系的设备, 主要是利用重要技术组成来进行的。物联网的广泛传播网络在在建立不同的传播环节和组成的基础上, 利用扩散式的线路而自主形成的网络体系[4]。其主要作用是利用对不同天气、温热度、承载力等等为主要系数, 为事物和事物、个体和个体、个体和事物之间提高紧密的联系性。其中物联网的广泛传播网络主要涵盖几个方面。利用和运作方面, 下一代体系、传播感应体系。物联网的广泛传播网络的主要作用是, 对于教育、医院、监测、军事等等部门进行运作。

3 物联网中计算机动态语言的应用重要性和未来展望

物联网的产生是我国科学技术和经济不断发展的产物, 它继承了互联网发展的主要优势, 有对传统网络形式进行补充和创新, 因此具有时代性的特点。物联网的产生和发展, 将会带来一阵新型科技发展的狂潮, 用另一句话来说, 物联网促进你了我国科技的再发展, 将带领我国整体走向智能化的网络环境中[5]。物联网的产生极大的增加了事物和事物、事物和个体、个体和个体之间的紧密联系性, 增加了不同资源和信息的整合, 促进了世界万物之间的紧密联系性。但是由于我国的物联网发展还处于初期阶段, 我国的物联网发展还具有较大的发展空间和提升空间, 因此对于后续的物联网发展高中, 要依据当下物联网发展的情况, 建立完善的物联网发展规划, 完善物联网的主要通讯技术手段, 增加技术设备的心梗, 建立完善的资源储存体系, 搭建良好的物联网的不同部分的网络紧密联系性, 促进物联网的整体发展和运作, 为社会和人民带来高智能的服务和享受。由此可见, 我国物联网的发展是具有很大前景和空间[6]。

4 结语

物联网的产生和发展, 是我国科学技术不断发展的产物。但是当下的技术能力, 我国的物联网发展具有相应的局限性。因此, 要不断完善物联网的构建体系, 增加对物联网的技术投入, 完善不同层次的物联网构建体系, 构建完善的物联网信息储存和保密体系的搭建, 增加物联网的智能设备的投入。物联网的有效发展, 将会为人民和社会带来极大方便, 因此物联网的发展具有重要意义。

参考文献

[1]孙彬, 王东.计算机动态语言在物联网中的应用[J].煤炭技术, 2012 (1) :226-227.

[2]顾敏, 李龙康, 任佳.GIS技术在物联网中应用实例的研究[J].计算机光盘软件与应用, 2012 (23) :131-132.

[3]陈海明, 崔莉, 谢开斌.物联网体系结构与实现方法的比较研究[J].计算机学报, 2013 (1) :168-188.

[4]魏强, 金芝, 李戈, 李力行.物联网服务发现初探:传统SOA的可行性和局限性[J].计算机科学与探索, 2013 (2) :97-113.

[5]徐杨, 王晓峰, 何清漪.物联网环境下多智能体决策信息支持技术[J].软件学报, 2014 (10) :2325-2345.

[6]赵志军, 沈强, 唐晖, 方旭明.物联网架构和智能信息处理理论与关键技术[J].计算机科学, 2011 (8) :1-8.

计算机动态语言篇2

动态危急交通情景的构建虽然已经取得了一定的成果,但实际应用于汽车驾驶模拟器的还是较少,应用的范围也比较窄,效果不理想[3]。目前动态情景建模与仿真中存在的问题主要有以下两点:1)动态情景的建模:对于典型的危险情景的建模分析,国内外均局限于一两种典型的情景,对动态情景高层次的抽象建模研究得还比较少;2)可扩展性:现有的一些动态危险场景的模拟,都是针对单一的具体的危险场景模型,不能根据不同实验的需要实时配置多种情景。

针对以上问题,本文提出了相应的解决办法:对常见的动态情景进行抽象,建立了动态交通情景的模型,然后利用动态言语来对模型进行表达,实现了对多种情景的灵活配置。同时,将动态语言承载的动态交通情景模型应用于驾驶模拟器进行仿真验证,实验证明该模型能模拟出交通环境中常见的突发情景,效果较好。

1 动态交通情景模型

交通环境包括静态和动态两种交通场景,静态场景是指环境中静止的物体,静态交通场景和该场景中物体的运动即构成了动态的交通情景[4]。动态情景的设计主要包括:对象、对象运动的触发条件、对象的运动轨迹和对象的运动方式等[5]。

通过对近年来发生的典型交通事故进行分析,总结出容易发生事故的动态情景有:

1)行人违规过马路:某一时刻,行人在道路的某一处,从路的一端向另一端运动;

2)交叉口闯红灯:某一交叉口处,当行驶方向的交通灯状态为红灯时,一车辆闯红灯行驶;

3)后方车辆超车:在道路上的某一位置时,后方车辆突然加速超车;

4)前方车辆紧急刹车:在道路上的某一位置时,前方的车辆紧急刹车。

为了便于分析归纳上述情景的共性,找出其共有的模式,这里提炼出情景的主要要素后采用形式化的方法对情景进行转换表达。

情景1用五元组表述为:S1=

用相同的方法对情景2分析,得到五元组:S2=

情景3的四元组为:S3=

情景4的四元组为:S4=

其中o表示情景中对象(人、车);p表示位置(道路中的位置);v表示速度,a表示加速度;t表示对象出现的时间,d为车的行驶方向,l为该方向交叉口交通灯的状态。

对上述四个n元组观察归纳,可以看出:虽然n元组的元素的个数不同,但n元组中均有表示对象的元素o,表示对象运动的速度v以及对象的位置p。

考察其他几个不同的元素:S1中的时间t可以归结为物体出现的初始条件之一;S2中的d,l两个元素也都是该动态情景发生的初始条件;S3,S4中的a主要是描述物体的运动情况,可以作为和速度相关的参数。所以,4个情景用一种更抽象的模式可以表示为如下所示的一个三元组:

其中,object表示动态情景中的运动对象,trigger表示对象的出现或者对象的运动需满足的初始条件即触发条件,action表示情景中对象的运动。

这三个元素又有其各自的参数集合,每个元素的可选参数见表1。

情景中这三类元素的按照一定的规则作用就形成了完整的动态情景,通过对上述四个n元组和它们表示的情景的观察分析,得出情景元素作用示意图如图1所示。

如图1所示,在情景中定义一至多个对象,对象中预定义一系列操作。当模拟器中发生被监听的事件时(即对象触发条件满足时),经过事件响应函数的处理,相应的创建对象或者执行对象中预定义动作的操作便被执行。

2 模型的动态语言表达

动态语言也称为脚本语言,是介于标签语言和静态语言之间的语言。动态语言的特点有:语法简单、易懂,易于学习;可扩展性强,可以非常容易的C、C++、Java等语言整合;解释性,即无需编译而是由解释器动态解释执行,避免了开发过程中多次编译而获得快速的交互[6]。

动态情景建模后,需要把模型转化为计算机能识别的语言,以便于在模拟器软件中使用。本文为了最大化动态情景模型应用的可扩展性,采用动态语言来承载模型,形成动态语言模型文件,供模拟器软件读取。

为了体现模型中元素的作用过程,本文采用特定的脚本语言Lua来实现模型的完整描述。根据它的特点,对动态情景模型进行描述的具体过程如下:

1)对象:由于对象初始条件较多,不同对象的条件也不同,所以采用Lua中提供的table数据类型来表示对象和对象的初始参数[7]。在table中定义变量o,其值对应于具体的情景对象。对象的参数将以table成员的形式存在于table中。这些参数用于记录情景对象的初始位置、运动速度等属性。汽车驾驶模拟器中通过对table中key的遍历即可获取情景对象的属性值。

2)触发器:触发器机制的建立相对比较复杂。其工作大致应包括两部分内容:一是设定触发条件的阈值,如对象在情景中的位置,对象和主车的距离等。阈值的设定可以在trigger table中设置相应的key。再就是制定验证给定条件是否满足的判断逻辑和事件被触发后的执行逻辑,这两种逻辑可以统称为响应逻辑。这一过程需要从模拟器软件中实时获取所需参数值,因此需要模拟器实现相应的脚本系统数据交换功能。响应逻辑则需要在脚本中以函数的形式来实现。

3)运动:对象的运动涉及到逻辑和具体的环境,所以对象的运动也需由专门的函数来表达。运动函数用来控制对象的运行,其中也包含了事件的监听和触发条件的验证,当事件触发或条件满足时,即让对象按照参数设定的速度和轨迹开始运动,与此同时实时获取周围环境信息,按照避让规则,通过调整速度和运行轨迹实施避让动作。

以行人过马路为例,将此情景利用Lua语言进行表述,示例如表2。

表2中的脚本中使用了模拟器提供的接口,主要有主车类和行人类。主车类中使用了主车的位置变量,行人类中使用了行人构造器、行人的位置、行人行走的距离、行人运动方法以及停止运动的方法。

由于脚本中可以方便的使用模拟器中的提供的类,变量和方法等接口,所以在脚本中定义的动态情景可以达到在模拟器中定义的动态情景相同的效果。而脚本语言的特性,使得脚本能同时配置多种复杂的情景以及灵活的设计运动时的逻辑。

因此,只要模拟器中提供相应的接口,然后按照上面的脚本模式就可以描述任意复杂的动态情景。脚本描述动态情景模型不仅限于模拟器中,只要仿真软件中可以提供内部对象的相关接口,就可以使用该方式来配置多种情景和设计逻辑。

3 仿真示例

动态情景模型的验证是在汽车驾驶模拟器软件系统上进行的,脚本和模拟器软件的交互过程如图2所示。

为验证动态场景模型和进行场景的仿真,在模拟器现有框架基础上增加了用于脚本解析的脚本引擎及用于动态场景构造的场景管理器。脚本通过引擎的解析,在动态场景管理器的调度下与模拟器进行信息的交互。整个交互过程分为3个阶段:首先加载脚本,动态场景管理器从引擎获取场景、对象的定义,然后模拟器核心模块中根据管理器获取的信息,定义部分场景;接着是触发器设定阶段,场景管理器将从引擎获取的触发函数向模拟器模块注册,模拟器调用该函数,设定触发器;最后是监听和事件响应阶段,模拟器模块每帧对触发器设定的事件进行监听,当事件发生时,通过与管理器交互进行事件的响应,即执行引擎解析到的创建对象逻辑或运动函数。

在模拟器软件中,载入表2定义的行人脚本,行人过马路的动态情景仿真示例如图3所示。

图3仿真了行人过马路的动态情景:a)图中行人的运动条件已满足,行人正在过马路,b)图中为行人过马路时的规避动作即车距离人足够近时,行人停止过马路在路中等候。当车辆从行人旁边驶过后,行人继续过马路。用户可以根据该情景的模拟结果,调整自己的参数来进行进一步试验,得到各种参数下的驾驶员反应,以及会导致交通事故的参数值域,为验证危险场景模型提供数据支撑。

4 结论

本文对常见动态交通情景进行了抽象建模,并利用动态语言进行模型的表达。在模拟器平台下,使用lua脚本描述具体动态情景,通过仿真实例来验证建模的可行性。可以看出,使用动态语言相比于其他方式能更加方便地构造动态情景和设定情景中的运动逻辑。情景仿真所获取的数据能够为研究易发生交通事故的危险场景提供准确的数据支持,使得此类研究工作的基础更为坚实。在后续的工作中,将进一步研究动态情景模型的可扩展性和模型用于危险场景研究的效能提升。

参考文献

[1]梁坤.驾驶模拟器危险视景研究[D].昆明:昆明理工大学,2005.

[2]周欢.道路交通安全致因分析虚拟场景设计与实现[D].武汉理工大学,2008(5).

[3]Ying Wang,Wei Zhang,Su Wu,etc.Simulators for Driving Safety Study–A Literature Review[A].Lecture Notes in Computer Science[C].Heidelberg:Springer berlin,2007:584-593.

[4]高嵩,张晖,周欢,等.基于LandXML数据可视化技术的道路交通仿真三维场景快速生成方法[J].交通与计算机,2008,(4).

[5]谢春荣,万华森,熊坚.基于汽车驾驶模拟器的危险场景设计研究[J].交通与计算机,2008,3(26):133-135.

[6]刘睿.动态语言面面观[J].软件世界,2007,(5).

计算机动态语言篇3

关键词：音节重量,评估模式,动、静范畴

1 莫拉理论与节律重音指派规则

上世纪70年代, 随着节律音系学的问世, “莫拉理论”应运而生。“莫拉理论”的主要内容, 是“重音指派规则”;其要点是, 通过对“音节重度值”的评估, 区分词中的轻重音节;而评估的根据, 是音节“韵部 (核音+尾音) ”的“莫拉”数量。其具体方法是, 如果音节的韵部中只有一个短元音, 则界定为1莫拉的“轻音节”。如果音节的韵部是长元音或双元音, 或者是一个短元音加一个辅音节尾音 (VC) , 即“ (C) VC”结构;则看作2莫拉音节, 界定为重音节。

不难看出, 莫拉理论关于韵律重音7的指派规则的要旨是:“节律重音必须加在重音节之上” (简称“重上加重”) 。该项规则, 受到印欧语的多项语感实验数据和言语错误研究成果的支持。因而, 诸多学者认为, 该规则在世界语言中具有普遍适用性。

2 挑战:日语的节律重音指派

然而, 当摸拉理论面对声调型语言的时候, 却显得力不从心。其中, 最纠结的对象, 要数日语——日语节律中的音节重度特征, 似乎在向莫拉理论的“重音指派规则”全面叫板。

日语普通音节表 (《五十音图》) 中的所有音节, 基本由“一个辅音+一个元音 (“C+V”) ”的方式构成, 其音位特征, 似乎与英语中的轻音节相同——依据“莫拉理论“的评估, 其音节重度值是1莫拉, 属于“轻音节”;并且, 不能负载音步重音, 无法组织音步。然而, 事实是, 日语普通音节一般都可以组织音步, 负载音步重音。于是, “重上加重”的原则, 在日语中被改变为“轻上加重”。

于是, 日语韵律重音的指派事实, 使“重音指派规则”的普遍适用性面临严峻挑战。迄今为止, 美国学者没有找到有效的方法和完善的解释模式。

3 基于认知科学领域新理念的“动态测重法”

有没有设立这样一种规则, 能够直接评估音节的重度值, 明确区分“重音节”和“轻音节”;并且, 其评估范围, 覆盖人类所有语言——包括重音型语言与声调型语言?

从传统的音节配置角度来看, 这简直是一个“不可能完成的任务”。

然而, 自上世纪80年代以来, 在认知语言学领域, 关于语用、语法之间的源流-体用关系的认识, 已经发生了颠倒乾坤式的逆转:“语用"语法”的新理念后来居上, “语法"语用”的传统理念黯然淡出。新理念的要点是:“语用是实体, 语法则是语用演化的结果”;并且, “语用"语法”的新理念, 得到了神经-认知科学的支持。 (沈家煊, 2004)

根据“语用"语法”的新理念, 笔者对学界普遍认同的“重上加重, 轻上不加重”的语言韵律重音指派规律进行“体用颠覆”式的反向更新, 从而, 生成如下的“动态评估规则”:

动态评估规则:能够在言语韵律系统中负载音步重音的音节, 属于“重音节”。

不能在言语韵律系统中负载音步重音的音节, 属于“轻音节”

4 关于“动态测重模式”测重结果的检验

笔者以当代语言类型的两大典型代表——英语和汉语为代表, 对动态测重模式所提出的规则进行检验。

首先, 笔者以重音型语言的代表——英语为例, 对该规则进行检验。根据“能够负载音步重音”, 英语音节可分为两类, 第一类是“CVV”、“CVC”音节, 它们能够在动态的言语范畴中负载音步重音;同时, 在静态的语法范畴中, 它们都被认定为“重音节”。第二类是“CV”音节, 它不能在动态的言语范畴中负载音步重音;同时, 在静态的语法范畴中, 它被界定为“轻音节”。

然后, 笔者以声调型语言的代表——汉语为例, 对该规则进行检验。根据“是否能够负载音步重音”, 汉语音节同样可分为两类, 第一类是汉语中的“满调音节”, 它们能在动态的言语范畴中负载音步重音;同时, 学界也一致认为它们是重音节。第二类是汉语中的“轻声音节”, 它们不能在动态的言语范畴中负载音步重音;同时, 学界也一致认为它们是轻音节。值得注意的是, 在汉语中, “满调音节”占音节总数的95%以上, “轻声音节”的比例极低, 且不稳定。也就是说, 汉语音节基本是“满调音节”。因而, 可以把“满调音节”称为“基本音节”。

可见, 该规则同时适用于声调型语言和声调型语言。因而, 可以初步认定, 该规则具有普遍适用性。

于是, 笔者应用该规则对日语音节进行评估。

日语中的音节, 与汉语相似, 也可分为两类, 一类是日语中的普通音节 (“CV”音节) , 属于自主音节;另一类是特殊音节 (如“拨音”、“促音”和“长音 (后部) ”等) , 只能跟在普通音节的后面。

评估:日语中的普通音节, 能够在动态范畴中负载音步重音;因而, 应该属于重音节。日语中的特殊音节, 不能在动态范畴中负载音步重音, 应该属于“轻音节”。

评估结果:日语中的普通音节属于“重音节”, 重量为2莫拉;日语中的特殊音节属于“轻音节”, 重量为1莫拉。

评估结果完全符合“重音节吸引重音, 轻音节不吸引重音”这一“语言的普遍规律。” (王洪君, 1999)

5 结论

关于“动态测重模式”对不同类型语言中的音节的测重结果, 说明高模式既适应声调型语言, 也适应重音型语言。也就是说, 它符合韵律系统中人类音节重量总规律, 因而, “动态测重模式”应该作为人类语言音节重量的普遍评估规则。

参考文献

[1]Lieberman M&A.Prince.1977.On stress and linguistic rhythm, In Linguistic Inquiry, 8:249-336.

[2]Hayes, Bruce.1989..Compensatory lengthening in moraic phonology.Linguistic Inquiry 20.253-306.

[3]沈家煊2004人工智能中的联结主义和语法理论, 外国语 (3)

计算机动态语言篇4

关键词：动态网页,脚本语言,精品课程

1、精品课程建设概述

课程是向学生传授知识、实现人才培养目标的主要途径, 是构成人才培养方案和教学计划的核心与基本单元, 也是高校品牌创建的一个重要资源。课程建设是高等教育一项重要的基础建设, 是专业建设的重要内容和支撑, 是实现教育教学目标和人才培养的基本保证。

精品课程建设是具有基础性、全局性、引导性的项目, 具有影响面大、受益面广、辐射能力强、师范带动作用明显的功能, 是提高质量的基础性工程, 也是提升我国高等教育的质量和整体实力的基础性工程。因此, 我校在推进教改工程中把精品课程建设作为提高教学质量的基础性工程放在了更加突出的位置。

《动态网页与脚本语言》是计算机应用技术专业的核心专业课程之一, 但学生普遍感觉要学习的内容很多, 尤其是对用C#编程语言编写的类代码, 总感觉编程起来比较枯燥。且由于同学们之前没有接触过动态网站整体构建, 要求他们构建一个实际运行的动态网站具有一定难度, 部分同学产生“畏难”情绪, 甚至对该课程丧失兴趣。因此, 必须加强本学科精品课程的建设, 以提高该学科教学质量。如何进行教学内容改革、教学方法与手段改革、师资培养改革等则成为该学科精品课程建设过程中的关键。

2、《动态网页与脚本语言》精品课程建设途径

2.1 在教学内容上

结合高职院校人才培养目标的职业需求, 课题组确定的本学科教学内容具有如下特征:

1) 以.NET为平台, 介绍动态网页设计的思路和方法。

2) 在操作软件层面, 选用VS.NET2010和SQL SERVER2008两个软件作为操作软件进行教学。这两款软件是动态网页设计的最新版本, 目的在于保证课程的先进性。

3) 采取基于工作过程的任务单元化教学, 按照动态网页设计制作流程来安排教学内容, 采取模块化教学。

4) 以实际项目作为课程设计, 增加学生的实际项目开发经验。

2.2 在师资队伍上

从某种意义上来说, 教师的质量就是教育的质量, 教育的差距归根结底是教师的差距[1]。因此, 有无优秀的师资队伍也就成为评定精品课程建设成果的重要标准之一。本课题组主要通过以下教师培养措施, 使得该教学团队师资水平有了显著提高:

1) 重视师德教育, 积极探索并建立教师评价考核体系。

2) 通过引进高学历、专业对口人才来提升层次。

3) 建立“青年教师导师制”, 加强青年教师的岗前岗中培训。

4) 充分利用学院的丰富资源, 为教师们开展有关前沿知识的学习讲座。

5) 轮流到实验室指导学生实践, 不仅有助于教师及时了解学生的学习难处, 还可以丰富教师的实践教学经验。

2.3 在教学方法和手段上

2.3.1 教学模式的设计与创新

我们主要通过以下途径进行教学模式的设计与创新:

1) 课程内容任务引领化, 化解教学难点, 循序渐进。

2) 精心准备实际项目, 从宏观上进行教学设计。

3) 采用“四阶段教学法”, 从微观上进行教学设计。“四阶段教学法”指明确任务、教师示范、学生设计、展示评价。

4) 注重师生互动, 师生角色互换, 营造课堂气氛, 提高学生学习兴趣。

5) 充分利用现代化教学手段, 提高教学效果。

6) 举办学生作品大赛, 促进学生学习交流。

2.3.2 多种教学方法的运用

1) 项目驱动任务引领教学方法。在教学过程中, 从始至终都是在完成同一个动态网站项目的设计, 而这个项目开发过程又按照工作流程划分为一个一个具体的任务, 每个任务按照任务引领的方式组织教学。

2) 打造优质的实践教学环境, 实践教学对高职院校学生掌握所学课程的内容以及灵活运用所学知识解决实际问题的能力培养至关重要。

3) “理论+实践”教学方法。该教学模式以培养能力为中心, 理论与实践同时进行, 让实践始终贯穿在整个教学过程中, 达到最优的教学目的。

4) 分组教学法。在实践环节, 把学生分为若干小组实现分组设计, 增加了他们团队协作开发项目的能力。

2.3.3 现代教学技术手段的应用

1) 利用现代化多媒体教学手段, 提高教学效率。

教师积极学习制作多媒体课件, 采用多媒体教学手段, 给学生提供更多的图片、资料, 增大课堂的信息量, 尤其是其中的动画演示部分, 将整个操作过程通过动画形象地展示出来。这样有助于激发学生的学习兴趣, 调动学生的学习积极性, 从而提高教学效率。

2) 积极拓展第二课堂, 培养学生研究性和创造性的学习能力。

积极引导学生通过各种方法获取完成任务所需的知识, 如上网查询、图书馆查询等。将生产与科研中的实例引入课堂, 以增强学生对理论知识的理解与记忆。对于学习兴趣高、成绩良好的同学, 教师应鼓励他们备战各类技能大赛, 以提高培养学生创新能力。

2.4 在教学条件上

1) 在选用优秀教材的同时, 本课题组积极编写《动态网页与脚本语言》相关教材。

2) 提供有效的资料清单, 为学生的研究性学习和自主学习的开展提供有效的支持。

3) 随着多媒体技术的发展, 把虚拟实验室和网络技术引入到教学当中。

4) 开设本课程的全部基本实验及创新性实验并向学生开放。

3、《动态网页与脚本语言》精品课程建设规划

3.1 建设目标

《动态网页与脚本语言》课程将继续深化基于工作过程的“项目驱动任务引领”的教学模式改革, 进一步合理设计课程的项目与任务, 增强课程内涵建设。在培养学生自主学习能力方面加大改革力度, 使学生不仅有胜任岗位的能力, 而且具备可持续发展的能力。在与企业共建实训基地建设上, 注重实训基地的内涵建设, 力争把基地建成实现学生教、学、做一体的实践教学场所, 提高学生实训水平。

3.2 建设步骤

1) 教学团队建设, 力求两年内具有中级职称教师比例达到50%。

2) 大力加强实验室建设, 切实改善学生们的实训条件。

3) 加强校企合作, 强化实训基地建设。

4) 教材和教案建设。课题组成员之间要多进行沟通和交流, 互相学习借鉴, 取长补短。

5) 教学手段建设。鼓励学生讲课, 老师点评, 大力调动学生学习的积极性, 切实提高教学效果。

6) 学术研究建设。计划在精品课程建设期间, 课题组的每位主讲教师都至少公开发表学术或教学论文1篇。

7) 网络资源建设。计划随着精品课程建设的推进, 逐步实现教学内容的网络化, 教学大纲、授课计划、电子课件和思考题目等都将放在精品课程网站上, 方便学生学习。

8) 试题库建设。目标是建立该门学科的试题库, 实现教与考的分离。

4、结束语

精品是一种意识, 精品是一种精神, 精品是一种追求, 精品是一种境界, 一种精益求精的境界。精品也是一种责任, 一种教书育人的责任, 一种引领潮流的责任, 一种模范示范的责任[2]。精品课程建设需要广大教师投入大量的时间、精力, 不断探索, 不断创新, 是一个永无止境的工作[3]。民办高校更需要付出更多的努力, 用辛勤的汗水建设更多、更好的精品课程, 为学生服务。

学校采取切实措施, 鼓励教师、教学管理人员和学生积极参加精品课程建设, 对精品课程参与人员给予相应的奖励, 建立切实可行的激励机制, 以提高教师建设精品课程的积极性。

参考文献

[1]孟继续申, 于维纳, 张兆刚, 等.师资队伍建设与教材建设的探讨—精品课程建设思考之一[J].辽宁高职学报, 2004, 6 (6) :87-88, 93

[2]秦宗会, 胡武洪, 徐建华.高校精品课程建设研究探索[J].中国西部科技 (学术版) , 2007 (2) :66-67.

计算机动态语言篇5

关键词：动态联盟,多粒度语言,优化,正态分布,ET-COWGA

0 引言

虚拟企业是一种崭新的企业组织形式,是21世纪企业进行生产经营活动和参与市场竞争的主要模式。面对某一市场机遇时,最先抓住机遇并掌握一定核心能力的企业首先要对自身核心资源进行分析,判断实现市场机遇所需的核心资源与自身资源是否匹配。如果两者匹配,则核心企业通过自身努力来抓住市场机遇,反之,核心企业则根据具体情况通过组建虚拟企业或者并购外部资源来抓住市场机遇。如果选择组建虚拟企业,则该核心企业称为盟主。对盟主而言,在确定新产品开发目标后,首先进行项目分解,将总项目分解成若干个可由单独企业承担的子项目,为每个子项目设计招标书,然后通过公共信息网络进行招标。在同一时间内有众多的企业投标,如何从这些投标企业中选择最佳的合作伙伴,是组建虚拟企业过程中最为关键的一步。文献[1]提出了基于层次分析法的合作伙伴选择方法,文献[2]提出了基于层次分析法和数据包络分析的合作伙伴选择方法,文献[3]提出了基于改进型灰色评价的虚拟企业合作伙伴选择方法。这些文献中的判断矩阵或效用值及其评价指标的权重都是用一个精确数表示的。

然而在实际决策中,由于客观事物的复杂性及人类认识的局限性,往往很难确定一个精确数,即使给定一个精确数,也是比较主观的,不一定能反映实际情况。文献[4,5]提出基于模糊层次分析法的合作伙伴选择方法,首先给出语言判断矩阵,然后给出语言偏好信息的隶属函数,例如“高”、“很高”等语言的隶属函数分别用三角模糊数[0.7,0.9,1.0]和[0.9,1.0,1.0]表示,而事实上隶属函数在实践中并不是总能获得,因而该方法在实际应用中仍存在一定的困难。文献[6]提出的基于证据推理的合作伙伴选择方法,虽不需要将语言评价转为精确数或模糊数,但需要事先给每个语言评价的确定置信度,这显然也比较主观。由Herrera等[7]提出的二元语义可直接对语言评价信息进行计算,但目前还没见到基于二元语义信息的合作伙伴选择方法。文献[8]提出了一种基于二元语义信息处理的群体决策方法,该文中有两个问题值得商榷:①由于对属性的认识程度不同,故不同的决策者可能依据不同粒度语言评价集给出语言评价值;②属性的权重一般很难精确得到,尤其当决策问题比较复杂时。虚拟企业合作伙伴选择过程中,由于涉及因素多,且有很多抽象因素无法用数值精确描述,故用诸如“好”、“较好”来描述,更符合人们的思维习惯。本文提出一种在部分权重的情况下基于多粒度语言评价值的动态联盟中的合作伙伴选择方法。

1 不同粒度语言评价值的一致化

关于二元语义的基本概念可参考文献[9,10]。

定义1 设β∈[0,T]为语言评价集S经某种集结方式得到的一个实数值,则β可由函数Δ表示为二元语义:

Δ:[0,T]→S×[-0.5,0.5)

Δ(β)=(sk,ak) k=round(β)

式中,sk为语言评价集S中第k+1个语言评价值;ak为sk的符号平移,ak=β-k;round(*)为四舍五入取整算子。

定义2 设(sk,ak)是一个二元语义,则存在一个逆函数Δ-1,使其转换成相应的数值β∈[0,T]:

Δ-1:S×[-0.5,0.5) →[0,T]

Δ-1(sk,ak)=k+ak=β

决策者对不同属性的认识程度不同,不同决策者对同一属性的认识程度也不同。对某一属性越熟悉,语言变量不确定性粒度增大,语言变量的表示趋向精确。事先假设一组不同粒度语言评估标度S(T)[0,1,…,T-1]={s(T)0,s(T)1,…,s(T)T-1}。T一般为奇数(3、5、7等),表示语言评价集的粒度,即语言评价集中短语的个数。若T=3,则S(3)[0,1,2]={s(3)0,s(3)1,s(3)2}={很差,一般,很好};若T=5,则S(5)[0,1,2,3,4]={s(5)0,s(5)1,s(5)2,s(5)3,s(5)4}={很差,较差,一般,较好,很好};若T=7,则S(7)[0,1,2,3,4,5,6]={s(7)0,s(7)1,s(7)2,s(7)3,s(7)4,s(7)5,s(7)6}={很差,差,较差,一般,较好,好,很好}。语言评估标度要满足以下2个条件:(1)有序性。当i<j时,有s(T)i<s(T)j,即表示s(T)i劣于s(T)j。(2)存在逆运算“neg”。neg(s(T)i)=s(T)j,j=T-1-i。

基于多粒度语言评价信息的群决策问题首先将不同语言评价集一致化为标准语言评价集。文献[11]基于模糊理论中的扩展原理,采用最大最小隶属度原则,将不同粒度语言评价信息转化为定义在基本语言评价集上的模糊数。文献[12]通过插值方法将不同粒度语言评价信息一致化为基本语言评价信息。文献[11,12]使用三角模糊数来表达语言评价集中短语所对应的语义,计算过程比较繁琐,而且只能从粒度低的评语集向粒度高的评语集转化。

定义3 设S(T)[0,1,…,T-1]和S(G)[0,1,…,G-1]为两种不同粒度的语言标度,定义S(T)[0,1,…,T-1]为标准语言评价集,则S(G)[0,1,…,G-1]中的语言评估值(s(G)k,ak)转换到S(T)[0,1,…,T-1]中的语言评估值为

$(s_{k^{'}}^{(Τ)}, a_{k^{'}}) = Δ (β^{'}) = Δ (\frac{Τ - 1}{G - 1} Δ^{- 1} (s_{k}^{(G)}, a_{k})) (1)$

从式(1)可以看出,一种语言中的任一标度在另一种粒度语言中都有唯一的标度与之对应,因此具有函数的双射和满射的特征,所以这种转换不会丢失任何信息。特别地,若k=0,ak=0,则(s(T)k′,ak′)=(s(T)0,0);若k=(G-1)/2,ak=0,则(s(T)k′,ak′)=(s(T)(T-1)/2,0);若k=G-1,ak=0,则(s(T)k′,ak′)=(s(T)T-1,0)。上述三式说明,一种粒度语言中的最小标度、中等标度、最大标度转换成另一种粒度语言时,仍旧是最小标度、中等标度、最大标度。

2 二元语义集结算子

假设有限备选方案集X={x1,x2,…,xm},属性集U={u1,u2,…,un},属性权重向量 $\tilde{ω} = (\tilde{ω}_{1}, \tilde{ω}_{2}, \dots, \tilde{ω}_{n})$ (其中的每一个元素都为区间数),决策群体集D={d1,d2,…,dp}。 $\tilde{ω}_{j} = [ω_{j L}, ω_{j U}] (j \geq 2), ω_{j L}$ 、ωjU分别为区间数的下界和上界。A(t)=(a(t)ij)m×n(i≥2,t≥2)为决策者dt的语言评价矩阵,a(t)ij为决策者dt对方案xi关于属性uj的语言评价值。R(t)=(r(t)ij)m×n为决策者dt的语言评价矩阵转化为标准语言评价集后的语言评价矩阵,r(t)ij为不同粒度语言评价值转化为标准语言评价集后的语言评价值。R=(rij)m×n为群体综合评价矩阵。

定义4[13] 设{(s1,a1),(s2,a2),…,(sn,an)}为一组二元语义信息,且设数据自身的权重向量ω=(ω1,ω2,…,ωn),ωj∈[0,1]且 $\sum_{j = 1}^{n} ω_{j} = 1$ ,则扩展的二元语义加权几何平均(ET-WGA)算子φ定义为

$\begin{array}{l} (s_{k}, a_{k}) = φ ((s_{1}, a_{1}), (s_{2}, a_{2}), \dots, \\ (s_{n}, a_{n})) = Δ {\prod_{j = 1}^{n} [Δ^{- 1} (s_{j}, a_{j})]^{ω_{j}}} (2) \end{array}$

定义5[13] 设{(s1,a1),(s2,a2),…,(sn,an)}为一组二元语义信息,位置权重向量v=(v1,v2,…,vn)是与扩展的二元语义有序加权几何平均(ET-OWGA)算子g相关联的加权向量(位置权重向量),vj∈(0,1)且 $\sum_{j = 1}^{n} v_{j} = 1$ ,则g定义为

$\begin{array}{l} (s_{k}, a_{k}) = g ((s_{1}, a_{1}), (s_{2}, a_{2}), \dots, \\ (s_{n}, a_{n})) = Δ {\prod_{j = 1}^{n} [Δ^{- 1} (s_{π (j)}, a_{π (j)}]^{v_{j}}} (3) \end{array}$

其中,π(j)(j=1,2,…,n)是1,2,…,n中的一个置换。对任意j=2,3,…,n有(sπ(j-1),aπ(j-1))≥(sπ(j),aπ(j))。

ET-OWGA算子只考虑了数据位置的重要程度,即只根据某个数据在整个数据列当中的相对大小赋予不同的权重,而没有考虑数据自身的重要程度,即在多属性决策中没有考虑不同的属性具有不同的权重。参考文献[14],本文提出扩展的组合加权几何平均算子(ET-COWGA)。

定义6 设{(s1,a1),(s2,a2),…,(sn,an)}为一组二元语义信息,由于每个数据自身的重要程度不同,且设数据自身的权重向量为ω,位置权重向量v是与扩展的二元语义有序组合加权几何平均(ET-COWGA)算子φ相关联的加权向量,则φ定义为

$(s_{k}, a_{k}) = φ ((s_{1}, a_{1}), (s_{2}, a_{2}), \dots, (s_{n}, a_{n})) = Δ (\prod_{j = 1}^{n} b_{π (j)}^{v_{j}}) (4)$

对任意j=2,3,…,n有bπ(j-1)≥bπ(j),其中,bj=(Δ-1(sj,aj))nωj,n为平衡因子。显然当ω=(1/n,1/n,…,1/n)时, $(s_{k}, a_{k}) = Δ {\prod_{j = 1}^{n} [Δ^{- 1} (s_{π (j)}, a_{π (j)})]^{v_{j}}}$ ,则ET-COWGA算子退化为ET-OWGA算子;当v=(1/n,1/n,…,1/n)时, $(s_{k}, a_{k}) = Δ {\prod_{j = 1}^{n} [Δ^{- 1} (s_{j}, a_{j})]^{ω_{j}}}$ ,则ET-COWGA算子退化为加权几何平均(ET-WGA)算子。可见,ET-COWGA算子不仅考虑了数据自身的重要程度,也考虑了数据位置的重要程度。

应用OWG算子的关键是确定位置权向量v,确定位置权向量的方法主要有模糊量化方法、最大熵规划模型、最小方差规划模型、极大极小离差规划模型[15],但这些方法要么是物理含义不够清楚,要么是计算过程比较复杂。在数据列当中,出现在平均值附近的数据比较合理,应该赋予较大的位置权重,远离平均值的数据则说明该数据不尽合理,应该赋予较小的权重,以弱化不合理数据对数据集结结果的影响。基于此,笔者提出基于正态分布的方法来确定OWG算子中的位置权向量:

$t_{j} = \frac{1}{\sqrt{2 π} σ_{n}} e^{- (j - u_{n})^{2} / (2 σ_{n}^{2})} j = 1, 2, \dots, n (5)$

$u_{n} = \frac{1 + n}{2} σ_{n} = \sqrt{\frac{1}{n} \sum_{j = 1}^{n} (j - u_{n})^{2}}$

由于vj∈[0,1]且 $\sum_{j = 1}^{n} v_{j} = 1$ ,所以将tj归一化得到vj

$v_{j} = e^{- (j - u_{n})^{2} / (2 σ_{n}^{2})} / \sum_{j = 1}^{n} e^{- (j - u_{n})^{2} / (2 σ_{n}^{2})} j = 1, 2, \dots, n (6)$

3 基于两阶段优化确定属性权重向量

由于客观事物的复杂性和人们认识的局限性,专家往往很难准确给出某属性的权重,而只是给出一个权重范围,即属性权重可能部分确知,而属性权重的不确定会引起决策方案排序的不确定。为此,本文首先从局部考虑,求解使得方案xi的综合评价值最大时,其所对应的理想属性权重ω(i)j。ω(i)j为相对于第i个方案综合属性值最大时,求得的第j个属性值局部权重值。从而建立下列线性规划模型:

$\begin{array}{l} m a x z^{(i)} = \sum_{j = 1}^{n} ω_{j}^{(i)} Δ^{- 1} (r_{i j}) \\ s . t . \sum_{j = 1}^{n} ω_{j}^{(i)} = 1, ω_{j L}^{(i)} \leq ω_{j}^{(i)} \leq ω_{j U}^{(i)} \end{array}} (7)$

采用单纯形法或直接利用MATLAB软件的linprog函数求解此模型,将得到对应方案xi的最优权重向量ω(i)=(ω(i)1,ω(i)2,…,ω(i)n)及其局部最优综合评价值z(i)。其次,从全局考虑,各决策方案之间应是公平竞争的,必须采用统一权重,才能进行综合评判,进而选取最佳方案。为此,需寻找最佳的综合权重。显然,希望各方案的综合属性值与其局部最优综合属性值的离差和最小,为此可建立下列二次规划模型:

$\begin{array}{l} \min ε = \sum_{i = 1}^{m} \sum_{j = 1}^{n} (ω_{j}^{(i)} Δ^{- 1} (r_{i j}) - ω_{j} Δ^{- 1} (r_{i j}))^{2} \\ s . t . \sum_{j = 1}^{n} ω_{j} = 1, ω_{j L} \leq ω_{j} \leq ω_{j U} \end{array}} (8)$

利用MATLAB软件中的fmincon函数求解此模型,将得到最终精确权重向量ω。

4 虚拟企业合作伙伴决策

虚拟企业合作伙伴选择的框架主要分为4个阶段(图1)[16,17]:第一个阶段为市场机遇实现模式的选择,即通过分析确定是采用并购模式还是组建虚拟企业或者放弃市场机遇。第二阶段为评价指标的确定,评价指标的确定主要是在参考虚拟企业指标库的基础上,根据任务分解确定评价指标[18]。第三阶段为筛选,确定必须要满足要求的硬指标,若任何一项硬指标不满足要求,则淘汰该方案。第四阶段为合作伙伴综合评价,即在满足硬指标要求的有限个合作伙伴中选择最佳的合作伙伴。一个产品的制造过程大体上可分为产品设计、零部件制造、总装、销售等4个业务过程,如果盟主主要具有产品设计能力,则盟主要为其他3个业务过程寻找最理想的合作伙伴。现假设盟主为产品的销售寻找普通型的紧密型合作伙伴。评价指标确定为企业绩效u1、企业先进程度u2、企业产品质量u3、企业环境u4,相应的权重分别为 $\tilde{ω}_{1} = [0.3 ‚ 0.5], \tilde{ω}_{2} = [0.2, 0.3], \tilde{ω}_{3} = [0.1, 0.2], \tilde{ω}_{4} = [0.15 ‚ 0.35]$ ,现假设请了3个专家d1、d2、d3进行评判,经过筛选后有3家合作伙伴x1、x2、x3,要经过综合评价才能确定谁是最佳合作伙伴。假设3个专家给出的语言评价值a(t)ij如表1所示。一般地讲,若专家对某种评价指标或者对某一候选企业比较熟悉,则给出的较大粒度的语言评价值,反之则给出较小粒度的语言评价值,图1描述了其详细的决策过程。

4.1 语言评价值一致化

假设以7粒度语言评价集为标准语言评价集,按照定义3(式(1))将3粒度语言和5粒度语言都统一转换为7粒度语言评价集中的语言评价:

R(1)=(r(1)ij)3×4=

$[\begin{matrix} (s_{1}^{(7)}, 0.4) & (s_{5}^{(7)}, - 0.333) & (s_{2}^{(7)}, 0) & (s_{5}^{(7)}, - 0.333) \\ (s_{1}^{(7)}, 0.4) & (s_{2}^{(7)}, 0.333) & (s_{4}^{(7)}, 0) & (s_{2}^{(7)}, 0.333) \\ (s_{4}^{(7)}, 0.2) & (s_{5}^{(7)}, - 0.333) & (s_{3}^{(7)}, 0) & (s_{2}^{(7)}, 0.333) \end{matrix}]$

R(2)=(r(2)ij)3×4=

$[\begin{matrix} (s_{2}^{(7)}, 0) & (s_{6}^{(7)}, - 0.4) & (s_{3}^{(7)}, - 0.2) & (s_{3}^{(7)}, - 0.2) \\ (s_{1}^{(7)}, 0) & (s_{3}^{(7)}, - 0.2) & (s_{1}^{(7)}, 0.4) & (s_{6}^{(7)}, - 0.4) \\ (s_{4}^{(7)}, 0) & (s_{4}^{(7)}, 0.2) & (s_{3}^{(7)}, - 0.2) & (s_{4}^{(7)}, 0.2) \end{matrix}]$

R(3)=(r(3)ij)3×4=

$[\begin{matrix} (s_{1}^{(7)}, 0) & (s_{4}^{(7)}, 0.2) & (s_{5}^{(7)}, - 0.333) & (s_{2}^{(7)}, 0) \\ (s_{2}^{(7)}, 0) & (s_{4}^{(7)}, 0.2) & (s_{5}^{(7)}, - 0.333) & (s_{4}^{(7)}, 0) \\ (s_{4}^{(7)}, 0) & (s_{3}^{(7)}, - 0.2) & (s_{2}^{(7)}, 0.333) & (s_{3}^{(7)}, 0) \end{matrix}]$

4.2 集结专家语言评价值

专家权重采用7粒度语言评价集,且设专家1、2、3重要性的语言评价值的二元语义分别为h1=(s(7)5,0),h2=(s(7)4,0),h3=(s(7)6,0),则专家1的权重 $λ_{1} = \frac{Δ^{- 1} (h_{1})}{Δ^{- 1} (h_{1}) + Δ^{- 1} (h_{2}) + Δ^{- 1} (h_{3})} = 0.333$ ,同理可计算出专家2、专家3的权重分别为λ2=0.267,λ2=0.4。根据式(6)可计算出位置权重向量v=(0.2945,0.4110,0.2945)。利用定义6中式(4)计算出的群体综合评价矩阵为

R=(rij)3×4=

$[\begin{matrix} (s_{1}^{(7)}, 0.3521) & (s_{5}^{(7)}, - 0.3070) & (s_{3}^{(7)}, - 0.0337) & (s_{3}^{(7)}, - 0.1765) \\ (s_{1}^{(7)}, 0.4668) & (s_{3}^{(7)}, - 0.0022) & (s_{3}^{(7)}, 0.2969) & (s_{4}^{(7)}, - 0.3075) \\ (s_{4}^{(7)}, - 0.2003) & (s_{4}^{(7)}, - 0.3323) & (s_{3}^{(7)}, - 0.3251) & (s_{3}^{(7)}, 0.0342) \end{matrix}]$

4.3 求出精确权重向量

4.3.1 求出局部优化权重向量

例如以合作伙伴x1的综合属性值为最优,根据式(7)建立如下最优化模型

max z(1)=1.3521ω(1)1+4.6930ω(1)2+

2.9663ω(1)3+2.8235ω(1)4

s.t. ω(1)1+ω(1)2+ω(1)3+ω(1)4=1,

0.3≤ω(1)1≤0.5,0.2≤ω(1)2≤0.3,

0.1≤ω(1)3≤0.2,0.15≤ω(1)4≤0.35

采用单纯形法或直接利用MATLAB 软件中的linprog函数求解此模型,将得到对应方案x1的最优权重向量ω(1)=(ω(1)1,ω(1)2,ω(1)3,ω(1)4)=(0.3,0.3,0.2,0.2),同理也可得到对应于x2、x3的最优权重向量ω(2)=(0.3,0.2,0.15,0.35),ω(3)=(0.5,0.25,0.1,0.15)。

4.3.2 求出精确权重向量根据式(8)建立如下最优化模型

minε=[1.3521(0.3-ω1)]2+[4.6930(0.3-ω2)]2+

[2.9663(0.2-ω3)]2+[2.8235(0.2-ω4)]2+

[1.4668(0.3-ω1)]2+[2.9978(0.2-ω2)]2+

[3.2969(0.15-ω3)]2+[3.6925(0.35-ω4)]2+

[3.7997(0.5-ω1)])2+[3.6677(0.25-ω2)]2+

[2.6749(0.1-ω3)]2+[3.0342(0.15-ω4)]2

s.t. ω1+ω2+ω3+ω4=1,

0.3≤ω1≤0.5,0.2≤ω2≤0.3,

0.1≤ω3≤0.2,0.15≤ω4≤0.35

利用MATLAB 软件中的fmincon函数求解此模型,可得到精确权重向量ω=(0.4101,0.2453,0.1210,0.2235)。

4.4 求合作伙伴综合评价值

利用定义4(式(2))计算出x1的综合评价值值。

z1=(sk,ak)=φ((s(7)1,0.3521),(s(7)5,-0.3070),

(s(7)3,-0.0337),(s(7)3,-0.1765))=(s(7)2,0.3786)

同理可计算出合作伙伴x2、x3的综合属性值z2=(s(7)2,0.3696),z3=(s(7)3,0.4327)。由计算结果可知,x3优于x2和x1,而x1又优于x2,所以x3是企业盟主欲选择的最佳合作伙伴。

5 结论

(1)在专家语言评价值集成的过程中采用ET-COWGA算子,既考虑了数据自身的重要性,又考虑了数据位置的重要性,减小了过高或过低评价的不合理影响,提高了评价结果的准确性。

(2)采用基于正态分布的办法求位置权重向量,该方法相对于目前常用的方法具有物理含义明确、易于理解、计算简单等优点。

(3)直接利用语言评价,无需给出偏好信息的隶属函数,方便了专家评价。根据评价矩阵采用二阶段优化的办法求出精确的属性权重。模糊性与精确性结合,进一步提高了评判结果的准确性。

(4)为了提高评价数据的准确性,可构造层次结构的评价指标体系,例如可将企业绩效细分为企业发展前景、企业信誉水平、产品市场占有率及新产品开发成功率等,这时就构成了一个多层次的模糊多属性决策问题,求解方法与本文类似,只是在每一层次重复利用本文的方法。

计算机动态语言篇6

数学源于生活, 又服务于生活.它是一门研究现实世界中的数量关系与空间形式的学科.当今社会, 随着物质水平的不断提高, 生活需求的不断扩大, 自然资源的不断开发利用.像天然气管道铺设问题, 厂区布局问题, 旅行费用最小问题等都已成为我们平时经济生活中的普遍问题.它们其实都可以化归为最短路线问题, 而最短路问题实质上是一个组合优化问题[1]。

动态规划方法主要是研究与解决多阶段决策过程的最优化问题, 它将求解分成多阶段进行, 不但求出了全过程的解, 还能求出后部子过程的一组解, 在求解一些生活实际问题时, 更显其优越性。为了快速、简单的计算最短路径, 节约运输时间与成本, 该文利用动态规划的思想编写了C语言程序, 解决物流运输过程中多地点的最短路径的选择问题。

2 最短路径问题

2.1 最短路径问题算法的基本思想

在求解网络图上节点间最短路径的方法中, 目前国内外一致公认的较好算法有迪杰斯特拉 (Dijkstra) 及弗罗伊德 (Floyd) 算法。这两种算法中, 网络被抽象为一个图论中定义的有向或无向图, 并利用图的节点邻接矩阵记录点间的关联信息。在进行图的遍历以搜索最短路径时, 以该矩阵为基础不断进行目标值的最小性判别, 直到获得最后的优化路径[2]。

Dijkstra算法是图论中确定最短路的基本方法, 也是其它算法的基础。为了求出赋权图中任意两结点之间的最短路径, 通常采用两种方法。一种方法是每次以一个结点为源点, 重复执行Dijkstra算法n次。另一种方法是由Floyd于1962年提出的Floyd算法, 其时间复杂度为O (n3) , 虽然与重复执行Dijkstra算法n次的时间复杂度相同, 但其形式上略为简单, 且实际运算效果要好于前者。

2.2 最短路径问题算法的基本步骤[3]

(1) Dijkstra算法基本步骤

这样经过有限次迭代则可以求出v1到vn的最短路线。

(2) Floyd算法的基本步骤

如果一个矩阵D=[dij]其中dij>0表示i与j间的距离, 若i与j间无路可通, 则dij为无穷大。i与j间的最短距离存在经过i与j间的k和不经过k两种情况, 所以可以令k=1, 2, 3, ⋯, n, n (n为节点数) 。检查dij与dik+dkj的值, 在此, dik与dkj分别为目前所知的i到k与k到j的最短距离, 因此, dik+dkj就是i到j经过k的最短距离。所以, 若有dij>dik+dkj, 就表示从i出发经k再到j的距离要比原来的i到j距离短, 自然把i到j的dij重写成dik+dkj。每当一个k搜索完, dij就是目前i到j的最短距离。重复这一过程, 最后当查完所有k时, dij就为i到j的最短距离。

(3) 动态规划算法基本步骤

我们将具有明显的阶段划分和状态转移方程的规划称为动态规划[1]。在解决多个阶段决策问题时采用动态规划法是一个很有效的措施, 同时易于实现。

根据动态规划的基本概念, 可以得到动态规划的基本步骤:1) 确定问题的决策对象。2) 对决策过程划分阶段。3) 对各阶段确定状态变量。4) 根据状态变量确定费用函数和目标函数。5) 建立各阶段状态变量的转移过程, 确定状态转移方程。

根据动态规划的基本模型, 确定用动态规划方法解题的基本思路, 是将一个n阶段决策问题转化为一次求解n个具有递推关系的单阶段的决策问题, 以此来简化计算过程.其一般步骤如下:

用于衡量所选决策优劣的函数称为指标函数.指标函数有有阶段的指标函数和过程的指标函数之分.阶段的指标函数是对应某一阶段状态和从该状态出发的一个阶段的某种效益度量, 用vk (xk, uk) 表示。在本文里用dk (xk, uk) 来表示某一阶段的决策的最短路径。过程的指标函数是指从状态xn (k=1, 2, ..., n) 出发至过程最终, 当采取某种子策略时, 按预定的标准得到的效益值。这个值既与xk本身的状态值有关, 又与xk以后所选取的策略有关, 它是两者的函数值, 记作dk, n (xk, uk, xk+1, uk+1, ⋯xn, un) 。过程的指标函数又是它所包含的各阶段指标函数的函数。本文研究的过程的的指标函数是其各阶段指标函数的和的形式.当xk的值确定后, 指标函数的值就只同k阶段起的子策略有关。对应于从状态xk出发的最优子策略的效益值记作fk (xk) , 于是在最短路问题中, 有fk (xk) =mindk, n。动态规划求解最短路径程序流程图如图2所示。

3 最短路径态规划实际应用举例

设某物流配送网络图由12个配送点组成, 点1为配送中心起点, 12为终点, 试求自终点到图中任何配送点的最短距离。图中相邻两点的连线上标有两点间的距离[4]。

首先用动态规划法来讨论图3的最短路径, 由图可知:

1) 集合ξ4中有点9、10、11, 它们在一步之内可到达点12;

2) 集合ξ3中有点6, 7, 8, 它们不超过两步就可达到点12;

3) 集合ξ2中包括点2、3、4、5, 不超过三步就可到达点12;

4) 集合ξ1中包括点1, 不超过四步可到达点12;

按照动态规划法类推, 得到最优路径长为16, 径路通过点为1, 2, 7, 10, 12和1, 3, 6, 10, 12。

根据动态规划算法编写C语言计算程序[5,6], 计算得到实验结果如下图4所示:

由图4可以看出程序得到的结果与本文推出的结果一样。证明了本文编写的C语言程序是正确的。

4 结束语

综上所述, 用动态规划解决多阶段决策问题效率高, 而且思路清晰简便, 同时易于实现.我们可以看到, 动态规划方法的应用很广泛, 已成功解决了许多实际问题, 具有一定的实用性。此种算法我们用动态规划思想来编程, 并解决相应的问题, 其在VC环境下实现, 能方便快速的计算出到达目的地的最短距离及路径, 节省更多的运输时间与成本。不过, 该文只考虑了动态规划算法在生活中的简单运用, 在实际生活中可能存在多个目的地或者更复杂的情况.因此我们可以考虑将其进行改进或者结合启发式算法, 使之更好的运用在实际生活中, 这有待于以后的继续研究。

参考文献

[1]杜彦娟.利用动态规划数学模型求解最短路径[J].煤炭技术, 2005 (1) :94-95.

[2]蒋琦玮, 陈治亚.物流配送最短径路的动态规划方法研究[J].系统工程, 2007 (25) :27-29.

计算机动态语言篇7

Proteus ISIS是英国Labcenter公司开发的电路分析与实物仿真软件。它可以仿真、分析各种模拟器件和集成电路,该软件的特点是:a.实现了单片机仿真和SPICE电路仿真相结合。具有模拟电路、数字电路仿真、单片机及其外围电路的仿真、各种虚拟仪器,如示波器等功能。b.支持主流单片机系统的仿真。c.提供软件调试功能。在硬件仿真系统中具有全速、单步、设置断点等调试功能;同时支持第三方的软件编译和调试环境,如Keil C51 uVision2等软件。d.具有强大的原理图绘制功能。Proteus软件的使用彻底改变了传统单片机学习和开发方式,初学者可以在没有实验硬件条件下进行仿真实验,开发者可以直接用Proteus进行电路设计和仿真运行程序,运行成功后再制作产品,缩短开发周期,节约开发成本。汉字点阵显示电路设计时,显示部分应用16×16点阵字模提取软件,提取"广东工贸"显示汉字的字模数据,通过查表取出字模数据送输出动态显示。

1 汉字显示电路设计

汉字点阵的控制电路采用AT89C51单片机,硬件电路由单片机接口电路、LED显示屏行列驱动电路、LED点阵显示屏三部分组成,如图1所示,电路用Proteus软件画出,具体画法参见文献[1]。

一般情况下要完全显示出常用汉字至少需要16×16点阵,但由于Proteus元件库中没有16×16LED模块,为了达到显示要求,每个汉字可由四块8×8 LED模块组成。组合方式为先对每个8×8模块行列引脚连接好总线,然后四个单色模块组合紧密。

驱动电路采用动态扫描驱动方式,设计中行驱动信号采用了16个同向驱动器7407,并在每根信号线上接上拉电阻;列驱动信号先接一4-16译码器74HC154,然后十六个列驱动信号接16个反向驱动器7406,并每根信号线接上拉电阻。

单片机上电复位后,当按列扫描时,四个汉字的第一个字由P1口输出列信号,首先第1列输出"1",第1列字模数据由16行输出(P0、P2口);然后延时一定时间后,第2列输出"1",第2列字模数据再由16行输出;……;如此循环,直至第16列;16列扫描完成后,再进行下一次循环扫描。所以在某一时刻,只有一行或一列LED被对应的字模数据驱动点亮。只要扫描间隔时间合适,利用人眼的视觉暂留特性,看上去整个字符就显示在LED点阵显示器上。

2 汉字显示程序设计

根据以上硬件电路和单片机控制原理,编程思路如图2所示。

图2汉字点阵动态显示程序流程图(参见下页)

完整的程序代码如下:

3 仿真及结果

仿真方法是:

(1)在Keil C51仿真软件下创建项目,并把上述源程序添加到项目中,通过编译产生一个".hex"为后缀的文件,此文件就是用于烧写到Proteus软件中AT89C51芯片的文件[2]。

(2)把生成的".hex"为后缀的文件添加到Proteus软件中绘制的AT89C51芯片中作为控制程序。方法参见文献[3]。

(3)在Proteus软件仿真电路图中点击左下角的运行按钮,则可在LED显示点阵中看到"广东工贸"四个汉字轮流显示的结果。

从仿真图中可以看到"东"字在LED显示点阵中显示出来,设定每个字显示1秒,下秒将显示"工"字,"广东工贸"四个字循环显示。四个字显示出来如图3所示。

摘要：Proteus软件经常用于单片机仿真,本文用Proteus软件设计汉字LED点阵动态显示,给出了完整设计电路和仿真程序源代码,通过仿真运行,在LED点阵中动态显示出"广东工贸"四个汉字。仿真结果表明Proteus软件在单片机应用设计中具有重要的使用价值,能极大缩短产品开发周期,节约开发成本。

关键词：Proteus,仿真,单片机,汉字动态显示,LED点阵