最优化类应用题

最优化类应用题（共10篇）

最优化类应用题 篇1

一、引言

配送是物流系统中一个直接与消费者相连的重要环节, 优化配送网络, 进行合理的物流配送是实现运输规模经济、节省运输费用的重要手段。物流配送网络实际上由多个不同的网络组成, 每个网络都服务于特定的目标, 但每个网路又不是孤立进行运作的。确切地说, 在不同的运输网络之间存在极大的重叠和冗余。因此通过配送网络的优化, 消除这些冗余是降低配送成本的有效手段。聚类分析又称群分析, 它是研究 (样品或指标) 分类问题的一种统计分析方法。采用聚类分析的方法, 可极大地提高优化的性能, 增加所处理业务的规模。

二、聚类基本理论

“物以类聚, 人以群分”, 在自然科学和社会科学中, 存在着大量的分类问题。所谓类, 通俗地说, 就是指相似元素的集合。聚类分析起源于分类学, 随着人类科学技术的发展, 对分类的要求越来越高, 仅凭经验和专业知识难以确切地进行分类, 于是数学工具逐渐地被引用到了分类学中, 形成了数值分类学, 之后又将多元分析的技术引入到数值分类学形成了聚类分析。

假设一个要进行聚类分析的数据集包括n个对象, 这些对象可以是人、房屋、货物等。基于内存的聚类算法通常都采用差异矩阵[1]的数据结构。

差异矩阵是一个对象-对象结构。它存放所有n个对象彼此之间所形成的差异。它一般采用n×n矩阵表示, 如式 (1) 所示。

其中, d (i, j) 表示对象i和对象j之间的差异 (或不相似性程度) 。通常d (i, j) 为一个非负数, 当对象i和对象j非常相似或彼此“接近”时, 该值接近0, 该数值越大, 就表示对象i和对象j越不相似。由于有d (i, j) =d (j, i) 且d (i, i) =0, 因此就有式 (1) 所示的矩阵。

所采用的测量单位可能会对聚类分析产生影响。例如:将测量单位 (对于高度属性) 从英尺变为米, 或 (对于重量属性) 从英磅变为千克, 都会导致不同的聚类结果。通常采用一个较小的单位表示一个属性会使得属性的取值范围变大, 因此对聚类结构就有较大的影响。为帮助避免对属性测量单位的依赖, 就需对数据进行标准化。所谓标准化测量就是给所有属性相同的权值。这一做法在没有任何背景知识的情况下是非常有用的。而在一些应用中, 用户会有意识地赋予某些属性更大权值以突出其重要性。例如:在对货物进行聚类分析时, 可能就会给时间属性赋予更大的权值。

为了实现标准化测量, 一种方法就是将初始侧量值转换为单位变量。给定一个属性 (变量) f, 可以利用以下计算公式对其进行标准化:

(1) 计算绝对偏差均值S

其中, x1f, x2f, ……xnf是变量f的n个测量值, mf为变量f的均值, 也就是

(2) 计算标准化测量 (Z-分值)

其中, 绝对偏差均值sf要比标准差σf更为鲁棒 (对含有噪声数据而言) 。在计算绝对偏差均值时, 对均值的偏差|xnf-mf|没有进行平方运算, 因此异常数据作用被降低。

一种有效的聚类分析计算方法是基于密度的算法 (Densitybased Methods) , 它与其它方法的一个根本区别是:它基于密度而非基于各种各样的距离。这样就能克服基于距离的算法只能发现“类圆形”聚类的缺点。这个方法的指导思想就是:只要一个区域中点的密度大过某个阈值, 就把它加到与之相近的聚类中去。代表算法有:OBSCAN算法、OPTICS算法、OENCLUE算法等。

三、配送网络的优化

配送网络的底层结构由下述五个主要元素构成:

1. Facility (设施)

配送网络中的站点 (一般是物理的) 。在网络中, 站点代表了货物集中或分发的地点。例如, 在邮政配送网中, 它们可以是加工及分发站, 调度中心, 航空邮件中心和散件中心。

2. Delivery (一次投递的货物)

Facility之间配送的项目。在网络中, Delivery代表了在特定时间窗 (即, 从货物准备好到要求送达目的站之间的时间段) 之内、从起点到终点、有一定体积和重量、要运送的货物。不同类型的Delivery可能代表了, 从起点到终点、有不同的服务标准的货物 (例如, 从北京到上海的特快专递) 。

Delivery按是否可分开配送可以分成可分Delivery和不可分Delivery。可分的Delivery是可以被分成不同部分进行配送的。相反, 不可分Delivery不能分成不同部分进行配送。

3. Batch (班次)

配送网络中时间固定, 经过的站点固定的运送货物的路线。一个Batch的定义包括Batch的各个方面:运输工具的容量或载重能力, Batch的类型 (航空, 公路, 铁路等) , Batch的工作日 (一周里面哪天或哪些天有出发的安排) , 到达和离开每个中间站点的时间 (用时分秒表示, 不牵扯日期) , 签订一个班次的费用和提前解除班次合约的费用。

4. Leg (班次的一段)

Leg连接相邻的两个Facility, Batch由一系列Leg组成。Leg的定义包括:从属的Batch, Leg起点, Leg终点, 离开Leg起点和到达Leg终点的时刻 (用时分秒表示, 不牵扯日期) , Leg开始离Batch开始的天数, 容量或载重能力, 可变运输成本 (单位体积或重量的运输成本) 等属性。当然, 在一个Batch中, 前一个Leg的终点要和后一个Leg的起点相同。

5. TriP (行程)

真正意义上用于移动货物的途径 (路线) 。Trip的构成形式是多样的, 我们既可以把一个Batch看成是一个Trip来配送Delivery, 也可以取一个Batch的若干Leg作为配送Delivery的Trip, 还能使用多个Batch的Leg作为Trip, 只要它能在规定时间内把Delivery从起点运送到终点。Trip是为了方便建模而构建的一个虚拟的概念, 配送网络优化系统运行的时候, 先使用搜索技术把每个Delivery的所有可行配选Trip找出来, 再进行建模。

费用由Leg可变费用 (可变运输费用) , Trip迟到惩罚费用, Batch固定费用和Batch提前解约费用构成。优化的目标就是满足“指派约束”和“容量和载重能力约束”的情况下, 使总费用最小。

由于物流配送网络的Facility既能作为起点, 也能作为终点, 因此每个Facility可能既集中货物也分发货物。相应地, 一个Batch可能同时需要搜集和分发货物。假设将要优化的物流配送网络已经签订了一些班次。即优化的目标是判断哪些班次继续留用, 那些班次应该提前解除合同。

在模型优化之前, 必须把原始数据转化成标准的数据格式输入模型。这个步骤包含分析数据和清理数据;依照特定的内容、结构和格式的要求准备好输入数据文件。在预处理时, 对数据进行彻底的检查。数据的错误、矛盾之处都得到更正。预处理过程中, 最重要的一步就是进行聚类预处理。

在货物数量庞大的配送网络中, 如果把每单货物都看成一个Delivery (即把每单货物都当成一个Delivery变量加入模型中) , 模型的求解过程将耗费相当长的时间。所以在模型进行求解之前, 我们可以使用一些成熟的聚类分析方法, 把权重属性值比较接近的货物聚合成一个Delivery, 从而减少模型的计算复杂度。模型的解在接近最优解的情况下, 能极大地缩短计算时间。所谓权重属性, 就是用来权衡货物是否能合成一个Delivery所参考的重要的属性。

在实际中, 一种较好的方法是采用基于密度的D B S C A N (Density-based Spatial Clustering of Application with Noise) 聚类算法对货物进行聚类。该算法通过不断生长出足够高的密度区域来进行聚类, 它能从含有噪声的空间数据库中发现任意形状的聚类。

由于要把时间和类型都类似的货物进行聚类, 所以选用货物的类型、货物就绪时间和要求送达时间等属性为聚类的权重属性。属性和算法都确定好了之后, 可编写Java程序实现DBSCAN聚类算法。输入不同的货物数, 输出聚合好的Delivery。通过每个Delivery可以查询到每个原始的货物。见表1:

使用Java程序编制配送网络的优化系统, 系统主要由以下几个部分构成:搜索行程、构建CPLEX模型、使用CPLEX进行优化。将表1的数据输入该优化系统, 得到测试结果见表2:

在近似于实际问题规模 (120个站点, 300个班次, 502段, 10000个配送货单) 的时候, 可以看出, 优化系统还是可在一分钟左右完成计算。

四、结论

通过比较测试结果可以发现, 使用优化系统的总花费要比传统方法少20%, 极大地降低了配送的成本。证明通过聚类分析对配送货物进行预处理可有效提高配送网络的优化性能。

参考文献

[1]Ian.H.Wjtten, EibeFrank, Data Mining:Pratical Machine Learning Tools and Techniques.Seeond Edition[M].Elsevier Ine.2005

[2]韩家炜堪博著范明孟小峰译:数据挖掘:概念与技术 (原书第二版) [M].机械工业出版社.2007.03

[3]施建年:物流配送[M].北京:人民交通出版社, 2003

如何优化帮忙类广播节目 篇2

【关键词】民生新闻 帮忙类节目 优化

帮忙类节目是对民生节目的突围和创新，这类节目很容易形成本土特色，其最大的特色就是服务性。从资讯的提供、帮助弱势群体，到实地取证、监督维权等等，帮忙类节目很快在民生节目中顺利“突围”。

一、帮忙类节目的现状

广播帮忙类节目大都还是在民生新闻类节目中隐约占据一席之地，说隐约，是因为节目大都以热线的形式给听众一个求助的渠道，而独立僻出来的一档大时段的广播帮忙节目是屈指可数的。帮忙类节目比起民生新闻节目来说，更注重解决实际的问题。站在老百姓的立场，以普通人的心态，满腔热情地关注贫困学生、困难家庭、外来务工人员等弱势群体，真心解决他们的急事、难事、烦心事，充分体现了媒体的亲民意识和责任意识。

二、帮忙类节目存在的问题

广播类帮忙节目逐步占领了有限的城市广播市场份额，收听率和占有率逐步上升，帮忙类节目克服了以往民生节目只报道不解决的问题，直接以现实的真人真事入手，帮助听众解决实实在在的问题。但我们也该清醒地看到，帮忙类节目逐步暴露出一些缺陷和问题：

1、每期的节目，都会受过去节目的暗示、引导作用，后期跟进线索出现雷同现象。比如，今天的帮办和物业公司不作为有关，马上就会有一大批热线，是来反映物业公司的问题；今天有人打来热线反映地方乱收费，马上就会有很多热线打来反映同一问题，容易引起听众的审美疲劳和节目的重复感。留下的线索也会造成第二天帮办内容的重复。

2、由于注重对“帮忙过程”和“帮忙结果”的展示，受篇幅和节目要求的轻松伴随的内在节奏的影响，帮忙类节目的深度比起民生新闻节目是远远不够的。甚至有一种“点到为止”的无奈。因为一旦帮忙有结果，也就意味着帮办的结束，而在帮忙节目中大段插入评论和反思也是不合适的，会和一般民生节目混淆，背离了帮忙节目的宗旨。

3、广播帮忙类节目的灵魂是思维灵活的主持人，但是导播间和热线边庞大的帮忙团成员（编辑记者主持人）是非常关键的，但是受到广播节目成本和运作模式的限制，帮忙团成员数量和质量都显得很单薄，一般直播室2-3人，导播室2-3人，这些成员，其实也是身兼多职——接听热线、提供咨询、形成帮办、反馈热线等等。在这一点上，广播帮忙类节目和电视帮忙类节目的团队是无法比拟的，短期内也是无法完善的。

4、因为广播的传播速度快，很多求助信息无法核实真假，而记者帮办到一定程度会发现，隐情不少。比如，有听众反映卫生院不给补办出生证明，却隐瞒了孩子非计划类生育的事实；反映房产纠纷却隐瞒了自己并不是房产持有人的真相等等。另外，节目甚至会出现一批职业求助人，帮忙平台成了他们求助的专场。

5、求助内容的低俗化，难以脱离市井。求助内容里，经常会有几十年邻里纠纷、土地纠纷等等这样的求助出现，帮忙类节目很难挖掘前因后果，因此这类题材只能一带而过，无法有具体的解决实施办法。

三、如何做好帮忙类节目

安徽广播电视台安徽生活广播首档日播帮忙类节目《1055爱帮忙》，开播于2012年10月，每天下午4-6点播出，时长120分钟。以下以该节目为例，对帮忙类节目进行分析。

1、打造团队的鲜活形象

有力的帮办、互相协助的表现、轻松伴随又不失稳重的团队，在听众中能迅速享有号召力。主持人要各自保持鲜明的个性，有自己独特的看法和见解，并且要有丰富的阅历，在听众提问的第一环节，就能够给出解决办法，让人产生信任感。

《我们帮你办》环节由两位男女记者超级珊和无敌晏掌舵，负责采访、写稿和评论。独特的视角、鲜活有冲突的现场、面面俱到的帮忙，带给观众来自采访一线的真实感受。节目一直在创新改版，这个环节永远不变。甚至已经有听众打来求助电话，点名指姓要求帮办记者来帮忙。

后台强大的智囊团。为了在专业领域给听众更多专业的帮忙，《1055爱帮忙》成立了智囊团，成员包括律师、医生、教师、心理咨询师、收藏家、警察、各职能部门、机修师、旅行家等等，现有100余人。这些富有工作经验的专业人士，为现场帮忙、调解，后台帮办，提供了有力的专业的无私的保障，是帮忙节目巨大的后援队。

2、一帮到底的精神

帮忙必须有结果。安徽蚌埠怀远残疾丈夫为下肢残疾的妻子通不过教师资格证考试鸣不平，《1055爱帮忙》记者从蚌埠市教育局到老师的学校家庭调查了解，最后到省教育厅，一一深入帮办，锲而不舍，最终这位老师成功通过了体检，拿到了本该属于他的教师资格证；合肥车天下老板涉嫌携款跑路，记者帮忙受害车主一一维权，节目提供法律等帮助；一市民银行里的存款被法院强制划拨两年了却得不到任何解释，记者跟随市民从市支行到分行到法院，逐步帮忙取证和解决。

由于帮忙团成员的志愿服务精神，以及一帮到底的口号支持，节目曾经创下过高达15的占有率，获得过2013年度安徽广播奖栏目奖。

3、帮忙类节目活动的策划和创新

帮忙类节目的活动是非常好操作的，只要和听众有关的，能帮助听众解决现有问题的，都可以策划并实施，尤其是一些公益活动。如关爱空巢老人的大型系列公益活动——暖冬行动；3.15维权在行动系列；缘分的天空——单身派对系列活动（聚会、爬山、沙龙、自驾等等）；“我们的六一”安徽白血病儿童联谊会；安全知识公益小课堂等等；免费午餐；书法家进社区活动、影院观影团等等。很多活动已经渐渐形成了品牌并被其他媒体复制。

4、新媒体的大量运用

节目开通了新浪腾讯微博、微信、短信平台，吸引年轻观众、时尚人群，实现了注意力最大化。专人负责账号的维护，获取及时新闻线索。适时发布“节目预告”，并与听众开展互动。及时发布帮忙进展、帮忙结果。尤其是微信平台的运用，一些听众的语音求助，在节目中同步下载播出，更快、更新鲜，这是电视无法比拟的。

5、与全国同类节目和栏目的互动

互动更注重的是爱心的接力和帮忙的延续，如新疆乌鲁木齐疼痛病男孩合肥求医路，节目组帮助联络接送司机和医院等等。

6、听众的实时参与和互动

在开播将近两周年的时间里，累计接到听众热线10000多个，有大约40%的热线问题我们依靠听众的互帮互助，主要涉及美食、旅行、找工作、生活保健领域，在两个小时的节目里，如何快速、有效、高质量的处理听众热线是我们一直思考和努力的方向。□

（作者单位：安徽广播电视台生活廣播）

最优化类应用题 篇3

聚类分析方法被用作描述数据、衡量不同数据源间的相似性、将数据源划分为各类集合[1,2],被广泛应用于故障模式识别[3,4]。大部分故障聚类诊断方法通过描述故障特征间联系紧密程度的聚类变量来实现故障模式识别,聚类变量主要存在两种方式:一是采用描述故障特征之间的接近程度的指标,例如“距离”,“距离”越小的变量越具有相似性,传统的故障诊断聚类方法如K-均值聚类[6]、粒子群聚类[7]、灰色聚类[8]等的测量方式就归于此类;二是采用表示故障特征之间相似程度的指标,例如“相关系数”,“相关系数”越大的故障特征越具有相似性,社团聚类中的模块度就是典型的“相关系数”[5],不仅可以表示单个样本特征模块之间的相似性,而且能够描绘出大规模模块之间的相似程度。各种聚类诊断方法各有优劣,实际应用中各有适用性,如K-均值聚类需知故障类别等先验知识,粒子群聚类容易陷入局部最优,社团聚类虽无需故障类别数等先验知识,却容易多分类或少分类而导致误判。总而言之,单一聚类诊断方法通用性差,不具备全面的、良好的识别所有故障状态的能力。对聚类方法进行融合可提高故障诊断适用性,保证诊断精度。基于此,本文提出了一种聚类优化融合故障诊断方法,分别利用社团聚类、K-均值聚类及粒子群聚类三种方法进行故障识别,在此基础上构建初始权值矩阵,并通过遗传算法对初始判断矩阵及三种聚类方法进行优化,得到最优权值矩阵与优化的聚类模型,进行融合诊断。最后以轴承故障诊断实例验证了融合诊断的优越性。

1 聚类优化融合故障诊断方法

1.1 聚类优化融合诊断模型

融合诊断方法主要分为串行诊断融合与并行诊断融合,由于单一诊断方法的排列顺序对串行融合诊断的诊断结果影响过大,因而在本文中选取并行诊断融合。聚类优化融合的流程框图见图1。

聚类优化融合的步骤如下:

(1)故障信号集包含m类故障,共计b个故障样本,m类故障分别用G=(G1,G2,…,Gm)来表示,提取故障信号的N维特征向量,构成b×N特征样本矩阵Q,矩阵Q的每一行是一个故障样本特征向量。本文以经验模态分解(EMD)所得各阶能量值为特征向量[9]。

(2)采用选定的K种方法分别对矩阵Q进行聚类诊断,得到K种方法的诊断结果,矢量Pk=(P1k,P2k,…,Pmk)T表示第k(k=1,2,…,K)类方法对第m类故障的识别正确率,矢量R=(Rk1,Rk2,…,Rkm)表示第k类方法对样本Q(j)的判定结果(j=1,2,…,b),Rki为第k种诊断方法对应Gi类故障的诊断结果(i=1,2,…,m),且有

本文分别用社团聚类、K-均值聚类及粒子群聚类三种方法进行聚类诊断。

(3)对矢量P进行预加权调整,得到初始权值矩阵W:

其中,Wik表示第k种方法对Gi类故障判定时所占权值。

(4)由矢量R得到K种聚类诊断方法对所有单个故障样本Q(j)的初始判定矩阵R(j):

(5)用遗传算法优化融合权值矩阵,迭代结束后根据适应度函数得到优化后的权值矩阵W1;遗传算法在优化权值矩阵的同时,对三种聚类方法的错误诊断予以修正,优化聚类模型。

(6)故障样本Q(j)的最终诊断结果为Val(j),则有

当Vi=Vjmax时,取Val(j)=i,即判定故障样本Q(j)属于Gi类故障。

1.2 基于遗传算法的融合权值矩阵优化

从融合诊断模型中可以看出,权值矩阵W在很大程度上决定了最终诊断正确率,在本文中,采用遗传算法[10]对权值矩阵W进行优化。

本文中遗传算法的应用步骤如下:

(1)将初始权值矩阵W的权值因子作为初始种群个体进行编码。随机产生初始种群,个体数目一定,每个个体表示染色体的基因编码,由于二进制编码方法的编码、解码操作简单易行,且便于实现交叉、变异等遗传操作,因而在本文中选用二进制编码方法对融合权值矩阵进行编码,并设定好求解精度。图2所示为本文中权值矩阵串联编码组合而成的染色体。

(2)对个体适应度函数值进行计算。适应度函数在遗传算法中不仅表明了函数解的优劣,而且决定了个体的进化方向,当适应度函数增大到收敛时,训练样本的诊断正确率相应收敛到最大值。本文定义适应度函数Fit(Wc)[11]如下:

其中,Wc为每一次迭代过程中的权值矩阵输入值,当训练样本故障聚类诊断正确时,函数G(Wc)取值为1;反之,函数G(Wc)在0~1范围内取值,b1为训练样本总数。

每一次迭代过程中,首先计算出所有个体的适应度函数值,具体计算过程是以个体染色体解码后得到的权值矩阵Wc作为输入,按照式(4)、式(5)对所有训练样本依次进行诊断判定,再代入式(6)、式(7)求得个体的适应度函数值,其值越大,复制到下一代的概率越高,根据遗传算法的轮盘选择机制获取最优遗传个体,并判断最优个体是否符合优化准则,若符合,输出自家个体代表的最优解,并结束计算,否则继续进行步骤(3)。

(3)对权值矩阵进行优化。权值矩阵的优化具体体现为种群个体适应度函数值的提高,依据种群中个体适应度函数选择复制个体,适应度高的个体选择复制的概率高,适应度低的个体则可能被淘汰;对当次循环中最优个体返回的染色体进行解码,即可得到当次循环优化后的权值矩阵。

(4)交叉生成新个体。对于步骤(3)中适应度值低的个体,按照一定的交叉概率与交叉方法生成新的个体并添加到种群中,进行下一轮迭代;其中交叉方法选定为单点交叉,如图3所示。

(5)变异生成新个体。对于步骤(3)中适应度值低的个体,按照一定的变异概率与变异方法,生成新的个体添加到种群中,在种群个体数保持不变的情况下进行下一轮迭代,变异方法如图4所示。

(6)迭代求取最优权值矩阵。由交叉和变异产生新一代的种群,返回步骤(2),进行下一轮迭代;通过交叉操作和变异操作,调整适应度值低的个体权值矩阵编码,当训练样本故障分类判定错误时,在下一轮迭代中,正确判定故障分类的方法权值得到提高,并相应调低错误判定故障分类的方法权值,实现新生个体适应度函数值的增加;当达到设定的迭代最大次数时,迭代完成,此时若适应度函数并未收敛,则需增大迭代次数,直到满足优化准则中的一条,结束计算,并返回最优权值矩阵。

其中步骤(2)与步骤(6)的优化准则如下(设定满足其中一条即可):①种群中个体的平均适应度超过预先设定值,预先设定值由适应度值可能达到的最大值与求解精度决定;②适应度函数在达到种群世代数前收敛(运行到超过预先设定值,即迭代次数达到/超过最大值)。

权值矩阵优化流程图如图5所示。

2 应用实例

通过机械故障综合模拟实验台分别采集内圈故障、滚珠故障、正常状态和外圈故障4种单一模式下的轴承振动信号,每种故障状态分别对应一个模拟故障轴承,各轴承结构尺寸一致,分别进行振动测试,实验台工作转频为1797r/min,采样频率为12kHz。

随机选取轴承内圈故障、滚珠故障、正常状态和外圈故障样本各100个,共400个训练样本,用EMD方法提取每类状态的样本特征,取每组特征向量的前7维构成训练样本矩阵Q。分别采用社团聚类算法、K-均值聚类算法与粒子群聚类算法对轴承故障训练样本进行聚类诊断,每类算法取10次聚类诊断的平均结果作为最终诊断输出,结果见表1。则有

%

对P进行预加权调整,根据式(2)有

同理,可计算得到初始权值矩阵W:

采用遗传算法优化初始权值矩阵,过程原理如下。

假设某一训练样本j为轴承滚珠故障样本,用社团聚类、K-均值聚类和粒子群聚类3种诊断方法分别判定其为轴承内圈故障、轴承滚珠故障和正常状态,由式(3)得该训练样本的初始判断矩阵R(j):

其中,初始判断矩阵R(j)的4列分别对应4种轴承状态:内圈故障、滚珠故障、正常状态和外圈故障,3行分别对应3种诊断方法:社团聚类、K-均值聚类和粒子群聚类。

由式(8)可得

Vjmax=0.3659,最大值处于第1列,即融合诊断后判定训练样本j为内圈故障,判定错误,通过交叉操作和变异操作对初始权值矩阵W进行调整,使W11变小,W22变大,同时修正聚类模型。再对训练样本j进行判定,得

V′jmax=0.4217,最大值处于第2列,即融合诊断后判定训练样本j为滚珠故障,判定正确。以此不断修正错误权值与聚类模型的原则,在遗传算法迭代的过程中让权值矩阵与聚类模型不断进行合理变化。

本文将初始权值矩阵W按照图3的顺序编码成二进制数值串,遗传算法具体参数参照文献[11]设定,见表2。

图6所示为适应度函数值随着遗传代数的变化曲线,设定个体平均适应度阈值为1×10-6,可以发现在进行第11次迭代时适应度函数已经收敛,满足优化准则2,结束运算,得到优化后的权值矩阵W1:

得到最优权值矩阵W1并对聚类模型进行优化后,便可对样本进行聚类融合诊断。

随机选取轴承内圈故障、滚珠故障、正常状态和外圈故障样本各100个,对400个测试样本进行聚类融合诊断,诊断结果见表3。

%

对比表3与表1可知,聚类优化融合诊断整体识别率明显提高,滚动体故障与正常状态能够完全识别,内圈故障识别率提高到96%,外圈故障识别率提高到88%。这说明聚类优化融合诊断方法明显优于单一聚类诊断方法。

3 结语

本文提出了一种聚类优化融合故障诊断方法,通过单一聚类诊断获得初始权值矩阵,利用遗传算法优化判定权值与聚类模型,聚类融合诊断取长补短,消除了单一融合诊断方法的不确定性与片面性,以轴承故障诊断实例验证了该方法的优越性,本文研究结果有重要的应用参考价值。

摘要：针对单一聚类诊断方法难以准确、全面识别不同故障状态的问题,提出了一种聚类优化融合故障诊断方法。分别利用社团聚类、K-均值聚类及粒子群聚类三种方法对故障进行识别,得出三种聚类方法对应的故障识别准确率,在此基础上构建初始权值矩阵,并通过遗传算法对初始判断矩阵与三种聚类方法进行优化,得到最优权值矩阵与优化的聚类模型,用于融合诊断。轴承故障诊断实例结果表明,该聚类融合诊断方法能够有效提高故障识别准确率。

关键词：聚类分析,权值矩阵,融合诊断,遗传算法

参考文献

[1]Deng Zhaohong,Choi K S,Chung Fulai,et al.Enhanced Soft Subspace Clustering Integrating within Cluster and Between-cluster Information[J].Pattern Recognition,2010,43(3):767-781.

[2]Everitt B S,Landau S,Leese M,et al.Cluster Analysis[M].London:Wiley,2011.

[3]Park H S,Jun C H.A Simple and Fast Algorithm for K-medoids Clustering[J].Expert Systems with Applications,2009,36(2):3336-3341.

[4]陈安华,周博,张会福,等.基于改进人工鱼群算法的机械故障聚类诊断方法[J].振动与冲击,2012,31(17):145-148.Chen Anhua,Zhou Bo,Zhang Huifu,et al.A Clustering Method for Mechanical Fault Diagnosis Based on Improved Fish-swarm Algorithm[J].Journal of Vibration and Shock,2012,31(17):145-148.

[5]陈安华,潘阳,蒋玲莉.基于复杂网络社团聚类的故障模式识别方法研究[J].振动与冲击,2013,32(20):129-133.Chen Anhua,Pan Yang,Jiang Lingli.Fault Pattern Recognition Method Based on Complex Community Clustering[J].Journal of Vibration and Shock,2013,32(20):129-133.

[6]Richhariya V,Sharma N.Optimized Intrusion Detection by CACC Discretization via Naive Bayes and KMeans Clustering[J].International Journal of Computer Science&Network Security,2014,14(1):54-58.

[7]Runkler T A,Katz C.Fuzzy Clustering by Particle Swarm Optimization[C]//IEEE International Conference on Fuzzy Systems.Vancouver,2006:601-608.

[8]Liu Y C,Xu J X.Risk Evaluation of CCIT Model in Ant Colony Housing Supply Based on AHP-grey Clustering Method[J].Applied Mechanics and Materials,2013,380/384:2520-2523.

[9]蔡艳平,李艾华,石林锁,等.基于EMD与谱帩度的滚动轴承故障检测改进包络谱分析[J].振动与冲击,2011,30(2):167-172.Cai Yanping,Li Aihua,Shi Linsuo,et al.Roller Bearing Fault Detection Using Improved Envelope Spectrum Analysis Based on EMD and Spectrum Kurtosis[J].Journal of Vibration and Shock,2011,30(2):167-172.

[10]Holland J H.Adaptation in Natural and Artificial Systems:an Introductory Analysis with Applications to Biology,Control,and Artificial Intelligence[M].2nd ed.Cambridge:MIT Press,1992.

最优化类应用题 篇4

【中图分类号】G712  【文献标识码】B  【文章编号】1005-6009（2015）24-0078-02

一、传统中职电工技能教学中存在的问题

中职学校机电类专业的学生经过在校一年时间的文化课和专业理论课的学习之后，按照教学计划的安排都要参加一定时间的电工技能训练。传统电工技能教学的一般程序是：学生看教师示范，自己动手操作练习，教师巡回指导。这种教学方式通常存在以下问题：

（一）教师的个别化指导缺位。由于班级人数过多，在教师进行示范的时候，很多学生根本看不清，即使看到教师示范动作，往往很快就忘记了，教师示范的效果较差。

（二）技能教学方式单一僵化。教师对技能训练缺乏科学的设计，常采取机械式、单一化的训练方式。老师仅仅做简单化的巡回指导，学生的学习问题得不到及时跟进解决。另外，电工技能教学需要借助一定的仪器，传统的电工技能教学只能在实训室里进行，课前学生不能进行有效预习，课后也不能进行有效巩固，导致技能教学效率低下。有的教师在介绍电气元件时常遇到麻烦：如果借助实物讲，学生看不到仪器的内部结构，听不懂;如果在黑板上讲元器件的原理，学生不理解，训练时拿到元器件不知道怎样操作。

（三）技能训练的效率低下。由于每个学生的基础和动手能力不同，导致学生的训练进度不一样。技能指导教师一味采取师徒式、巡回指导，专业化、差异性的指导不到位，常常是指导老师累得够呛，学生技能掌握效果一般，专业技能教学进度很难按计划进行。

客观地说，中职机电类电工技能教学存在的不足，影响了电工技能教学的品质，因此主动改革电工技能教学的方式显得尤为迫切和必要。

二、巧用“微课”优化电工技能教学的品质

（一）创设电工技能教学的学习情境，激发学生进行技能训练的兴趣

借助“微课”引入新课，让学生了解所学知识的作用，激发学生的学习兴趣。学生由于所学知识的限制，往往不了解有些训练项目的作用，总觉得练不练无所谓，所以很多学生消极对待训练，训练的效果得不到保证。针对这一情况，我们不妨借助“微课”引入新课，介绍所学知识的重要作用，以激发学生的学习兴趣。例如“三相异步电动机正反转运行控制”是中职电工技能教学中的重点项目，难度很大，加之训练的课时也较长，所以到后期学生就没有耐心训练了，教学效果很差。如果在引入“三相异步电动机正反转运行控制项目”时，首先通过“微课”给学生展示在生产实践中用到电机正反转控制的场景，如铣床的主轴正反旋转、工作台的往返运动、起重机吊钩的上升与下降、电梯的上升与下降等，让学生认识到正反转控制在现实生活中确实很常见，这是一个非常实用的项目，以此激发学生学习三相异步电动机正反转运行控制的热情。

（二）丰富技能训练的视频样例，提供技能训练的动作示范视频

示范讲解在操作技能形成过程中是非常重要的，准确的示范与讲解有利于学生形成准确的定向印象，进而在实际操作活动中可以调节动作的执行。但是，在传统的电工技能教学过程中，由于人数多，学生很难看清楚教师的示范动作，或者看过以后很快就忘记了。如果把教师某些示范动作录制成“微课”，上传到班级QQ群中，供学生下载学习，学生就随时随地都能看到教师准确的示范。

（三）再现技能训练的真实场景，增强学生技能学习的现场感

将那些现实生活中很难见到的场景制成“微课”，让学生在“真实”的环境中体验。在学习“安全用电”知识时，传统的教学方式是采用讲授法，教师介绍哪些情况可能会发生触电事故，安全用电必须做到哪几点。学生用死记硬背的方法学习，但遇到实际问题不会处理。如果采用“微课”进行教学，效果就非常好。我们可以模拟出一些因违章用电而发生事故的场景，然后让学生分析并找出其中的违规动作，学生通过亲身体验的方式掌握安全用电的知识，记忆非常深刻。在讲授高压输电时，如果把学生带到现场很危险，不到现场又很难讲清楚。在这种情况下，我们也可以借助“微课”，让学生在教室里通过“微课”学习，学习效果好，也安全。

（四）突破专业技能学习的难点，增进技能学习的知识理解

将那些不能直接观察的部件、不容易理解的工作原理做成“微课”，帮助学生理解。“三相异步电动机正反转运行控制”的原理对中职学生来说比较难理解，仅看书本上的电路图，学生很难想象出当某个按钮按下以后，到底哪条线路有电，哪条线路断电，哪些元器件工作，哪些元器件不工作。如果改用“微课”教学就能避免这个问题。借助“微课”视频让学生清楚地看到按下按钮后电流的路径，可以看到哪些电器在工作，知道电机是正转还是反转;当按下另外的按钮后学生能看到电流的路径是怎样改变的，此时又有哪些电器得电工作，电机是正转还是反转。采用“微课”教学可以把静态的内容动态化，把复杂的内容简单化，降低学生的学习难度。

（五）指导学生借助丰富的“微课”资源进行自主学习

即使在同一节课中，教学的难点对于不同的学生来说也不尽相同，借助“微课”教学能真正实现因材施教，指导学生因人而异选用“微课”进行学习。因人而异选用“微课”最好的办法是教会学生上网搜索适合自己的“微课”，进行课外学习。现在网络上的“微课”资源非常丰富，如：网易公开课、腾讯课堂、YY教育、过来人公开课、中国大学慕课等网站。学生的接受能力存在差异，教师可以把学习的重点和难点录制成“微课”，提供给学生自主学习，学生可以根据自己的实际情况，因地制宜地选择学习的时间和方式。

三、“微课”辅助中职电工技能教学应注意的问题

（一）正确把握“微课”的教学定位，不过度过分。大量的实验证明，练习是不可缺少的关键环节，只有通过大量的不同形式的练习，才能使学生掌握某种技能。在练习过程中，练习的量与练习的方式不同，所形成的操作技能的水平也有所不同。“微课”是用来辅助学生练习的，千万不能用“微课”代替学生的操作练习，相反，必要时还要让学生适当地过度训练。

（二）严格遵守“微课”的制作规范，不失范、失真。“微课”的字体、字号要合理，确保容易被学生辨认;颜色要美观，给人美感;动静结合、图文并茂;“微课”视频时长一般不超过10分钟，视频画质清晰、图像稳定、声音清楚（无杂音）、声音与画面同步。

最优化类应用题 篇5

微分进化算法作为一种新兴的演化计算方法,它不依赖具体问题的领域,有很强的鲁棒性,是求解复杂系统优化问题的有效方法,因此在很多领域都得到了广泛的应用。微分进化算法虽然计算简单,但是易限入局部最优,存在早熟收敛现象。目前主要通过三个方面解决:一是调整控制参数改进算法;二是通过对搜索空间的改进提高算法性能;三是和其他算法结合产生新的混合算法。

本文主要对微分进化算法的收敛性及收敛速度进行深入分析,提出一种改进策略,提高算法的全局搜索能力和收敛速度,防止算法出现早熟的现象。并将改进的微分进化算法应用于聚类分析问题中,用于改善K⁃均值算法对初始聚类中心的敏感性。针对K⁃均值算法对噪声数据、孤立点、初始聚类中心的敏感性,利用基于PCADE算法对K⁃均值聚类算法进行改进,并利用典型的测试数据集IRIS进行验证,实验结果表明该改进算法在聚类结果的精度方面有所提高。

1 基于主成分的微分进化算法PCADE

1.1 算法介绍

在群体的进化过程中如果子代能够遗传到父代较多的优良信息,那么就越容易收敛到最优解,子代个体的产生只是从种群中随机挑选父代个体进行差分而得到的,而且并没有遗传到除了父代之外其他个体的任何信息。为了充分利用历史数据信息,将主成分分析的方法引入到微分进化算法中。

主成分分析方法可以将数据中彼此相关的变量经过线性变换转化为不相关的变量而且又能够反应原始数据的大部分特征。那么在微分进化算法的迭代过程中,利用主成分分析方法,将种群pop经过线性变换映射到主成分构成的种群空间pca_pop中。在主成分构成的种群pca_pop中各个体之间互不相关,而且前m个主成分就能代表原始数据中80%以上的信息量。那么种群的更新将在这两个空间中进行。

种群采取的进化策略如下:

假设迭代到第k代,种群pop(k)完成微分进化算法的交叉、变异,选择时不立即进行下一代的进化,而是首先将该种群pop(k)映射到其主成分空间得到主成分种群pca_pop(k),然后将前m个主成分作为下一代种群的前m个个体,即pca_pop(k)中前m个个体为pop(k+1)中前m个个体,种群pop(k+1)中剩余的N-m个个体从pca_pop(k),pop(k)中选出适应度值高的个体进入pop(k+1),直到种群个体数达到N。这样就得到了下一代的种群pop(k+1),然后继续进行下一步的迭代过程。

由于主成分构成的个体之间具有很小的相关性,当进化若干代之后,个体之间进行信息交流,提高种群多样性,避免种群趋于一致性,极大地搜索出新的解空间,利于找到全局最优解。

1.2 算法流程

Step1:初始化种群pop;

Step2:计算个体适应度值,得出种群中的最好个体,按如下公式进行变异操作:

Step3:按照如下公式进行交叉操作:

Step4:按照如下公式进行选择操作:

Step5:计算种群pop的协方差矩阵,求解协方差矩阵的特征值ai和特征向量λi,然后求主成分,得到一个由主成分构成的新的种群pca_pop;

Step6:种群pca_pop中主成分累积贡献度达到90%的前m个个体直接进入下一代,剩余N-m个个体从种群pca_pop,pop中选出适应度值较高的个体进入下一代,直到种群规模达到N;

Step7:判断是否满足迭代条件,若不满足则返回Step2。

算法流程图如图1所示。

2 微分进化算法在聚类分析中的应用

2.1 基于DE的K⁃均值聚类算法

K⁃均值算法对初始点的选取和样本中的孤立点是敏感的,而且易陷入局部极小值,导致算法的聚类结果稳定性较差。如果能采用一种快速有效的优化算法对聚类中心进行优化,找到质量较高的聚类中心,势必会大大提高聚类的质量。目前针对这些问题处理的方法有很多,很多学者用模拟退火,遗传算法,粒子群算法,蚁群算法等对K⁃均值算法进行改进,都取得了不错的效果,和其他优化算法相比,微分进化算法具有结构简单,参数少,易于实现的优良性能,因此将微分进化算法引入到K⁃均值算法中,将二者有机结合,弥补K⁃均值算法对孤立点的敏感性,发挥二者的优势,形成性能较优的混合算法。

聚类问题的核心是求解各个聚类中心,因此利用DE算法进行聚类选取的时候,一个重要的问题是对聚类中心编码。设在Rn空间中,给定数据集X=(X1,X2,⋯,Xn),该数据集共有n个样本,每个样本点包含p个属性,即Xi=(Xi1,Xi2,⋯,Xip)要将样本数据分成k类,在基于DE的聚类分析中,每个个体代表k个聚类的中心,因此个体实际上就是k×p维的向量。这样每个个体采用如下的编码结构:

算法流程图如图2所示。

2.2 基于PCADE的K⁃均值聚类算法

上述将微分进化算法引入到K⁃均值算法中,将二者有机结合,弥补K⁃均值算法对孤立点的敏感性,发挥二者的优势,形成性能较优的混合算法。但是微分进化算法本身容易陷入局部最优,尤其是算法进化后期收敛速度有所下降,因此将改进的微分进化算法PCADE与K⁃均值算法相结合,产生一种新的混合算法。

对于聚类中心的编码方式采用上述基于DE的聚类算法,收敛准则函数采用如下函数:

式中:Xi表示簇Ci中的样本;Zi表示簇Ci的聚类中心。

输入:聚类数目k,含有n个数据对象的数据集X,种群规模N,放缩系数F,交叉概率CR,最大迭代次数;

输出:最佳聚类结果。

算法流程图如图3所示。

3 实验结果及分析

为了验证上述基于主成分分析方法的微分进化算法PCADE能否得到好的效果,利用测试函数对该改进算法进行数值实验,并与原始微分进化算法(DE),粒子群算法(PSO)进行比较。首先DE算法中F=0.6,CR=0.5,最大迭代次数设置为1 000代;PSO算法c1=c2=2,惯性系数从0.9线性减少到0.1,最大迭代次数设置为1 000代;改进的微分进化算法PCADE中F=0.6,CR=0.5,主成分累积贡献度为90%,最大迭代次数设置为1 000代。以上三种算法种群个数N=40,维数D=30,连续运行10次。

为了对算法性能进行评估,采用如下的评估办法对测试函数1~4进行评价:

(1)适应度值平均值:由于多次独立运行结果存在数值上的差异,平均值表明其运行结果的平均性能;

(2)最佳适应度值,最差适应度值:考虑在运行过程中的随机性,增加10次运行结果的最佳适应度和最差适应度值;

(3)收敛曲线图:从收敛曲线图中可以直观看出算法的收敛速度和收敛的精度。

测试函数1:,x的取值范围为[-100,100],最优解为0;

测试函数2:,x的取值范围为[-10,10],最优解为0;

测试函数3:,x的取值范围为[-1.28,1.28],最优解为0;

测试函数4:,x的取值范围为[-5.12,5.12],最优解为0。

利用上述测试函数对三种算法进行数值实验,利用Matlab编程软件进行编程,得出结果如表1~表3所示。

图4~图7分别为DE算法、PSO算法、PCADE算法的收敛图。

从收敛图可以看出,PCADE算法收敛速度比DE,PSO要快很多,DE算法收敛速度从整体看来要比PSO快一些。不管是从收敛精度还是收敛速度来看,改进的微分进化算法PCADE的性能要比DE,PSO要好。因此该算法值得推广。

聚类算法仿真实验的环境为:仿真软件Matlab 7.0,采用的测试数据集为IRIS数据集。IRIS数据集被作为机器学习中分类问题的基准测试数据集,IRIS数据集一共包含150个样本,3类花型(setosa,versicolor,vinginica)4个特征属性(萼片长,萼片宽,花瓣长,花瓣宽),每类花一共有50个样本。在进行聚类分析时,由于样本数据受量纲和数量级的影响,因此在聚类分析处理过程中,应对原始数据矩阵进行变换处理,就是从数据矩阵的每个变量中找出其最大值和最小值,这两者之差称为极差,然后将每个原始数据减去该变量的最小值,再除以极差就得到规格化数据,进行规格化变化之后数据的特点是将数据转化到[0,1]之间。将规格化后的数据集用来测试K⁃均值算法,基于微分进化的K⁃均值算法以及提出的基于PCADE的K⁃均值算法,从聚类结果分析聚类的效果。本文中算法参数设置如下:种群规模N=20,放缩因子F=0.6,交叉概率CR=0.5,累积贡献度=90%,最大迭代次数50,独立运行10次,实验以10次运行结果取平均来分析聚类的好坏,如表4和图8所示。

%

从表4结果可以看出在独立运行10次之后,PCADE⁃Kmeans算法的正确识别率要高于其他两种算法,最优运行结果的正确率可以达到94.67%。从图8也可以看出PCADE⁃Kmeans算法将IRIS数据进行了很好的聚类。因此改进的算法性能较好。

4 结论

微分进化算法利用自然界优胜劣汰的思想和简单的差分操作使得其在一定程度上具有自组织、自适应、自学习的特征。但微分进化算法跟其他进化算法一样存在早熟收敛等问题,因此对微分进化算法进行改进,提高其全局搜索能力和收敛速度,使之能够适应各种复杂的工程问题,这是一个值得深入研究的领域。

本文通过研究国内外学者对微分进化算法的改进方法,提出了一种基于主成分的微分进化算法,该算法将种群空间映射到由主成分构成的种群空间,主成分空间中前m个主成分构成的个体可以直接进入下一代的进化,而其余的个体则从主成分空间和原始种群空间中挑选出适应度值高的进入下一代,这样的改进方法使得种群能够更多地获得父代的信息,增加了种群的多样性。通过数值实验证明该算法在收敛精度和收敛速度上都有很大的提高。该算法对聚类中心进行编码构成进化种群,利用PCADE算法更新种群,最终得到较好的聚类中心,然后根据聚类中心对样本进行聚类,利用IRIS数据集进行试验,结果表明基于PCADE的K⁃均值聚类算法在聚类问题中得到了较好的结果。

从上述两个方面来看,该改进的微分进化算法PCADE在性能方面有了很大的提升,值得进一步推广。

参考文献

[1]李士勇,陈永强,李研.蚁群算法及其应用[M].哈尔滨:哈尔滨工业大学出版社,2004.

[2]胡中波,熊盛武,胡付高.改进的差分演化算法及其在函数优化中的应用[J].武汉理工大学学报,2007,29(4):125-128.

[3]苏海军,杨煜普,王宇嘉.微分进化算法的研究综述[J].系统工程与电子技术,2008,30(9):1793-1797.

[4]欧陈委.K-均值聚类算法的研究与改进[D].长沙:长沙理工大学,2011.

[5]孟凡军,李天伟,徐冠雷,等.基于K-均值聚类算法的雾天识别方法研究[J].现代电子技术,2015,38(22):56-58.

[6]VOSS M S.Principal component particle swarm optimization[C]//Proceedings of 2005 IEEE Swarm Intelligence Symposium.[S.l.]:IEEE,2005:401-404.

[7]EBERHART R,SHI Y.Comparing inertia weights and constriction factors in particle swarm optimization[C]//Proceedings of2000 IEEE Congress on Evolutional Computation.La Jolla:IEEE,2000:84-88.

最优化类应用题 篇6

说话人识别[1]是根据人的声音来识别人的一种生物认证技术，凭借其独特的优势逐渐成为一种重要且普及的身份验证方式，具有非常好的应用前景。说话人识别系统的性能由预处理、特征提取和分类器三大部分综合决定[2]。其中，说话人特征提取是说话人识别中的一个重要环节，有效特征的好坏不仅影响识别的准确率，还直接影响到分类器训练和分类的开销，由此环节提取的说话人特征对说话人识别具有重要的影响。

说话人特征有基于声道特性的线性预测系数(LPC)、线性预测倒谱系数(LPCC)和基于人听觉特性的美尔倒谱系数(MF-CC)[3]。在大多数情况下，当阶数相等时，采用MFCC的系统识别率最高，采用LPC的系统识别率最低，采用LPCC的系统识别率居于二者之间;随着特征阶数的增加，采用三种特征的说话人识别系统的识别率也增加，可是当LPC的阶数大于16,LPCC的阶数大于18时，系统的识别率随阶数的增加而开始降低。在实际应用中，LPC很少会直接应用。在说话人识别系统中，MFCC比LPCC具有更加优越的性能。大多数说话人识别系统使用的说话人特征都是MFCC，但是仅仅只使用一种参数的识别效果还不太理想[4]。

随着说话人识别的广泛应用，出现了一些对常用说话人特征进行优化的算法，例如组合法、PCA变换法、加权系数法等。这些特征提取方法在特定情况下，能发挥较好的作用，在一定程度上提高了说话人识别系统的性能。但是，往往还达不到实用的要求，还需要继续寻找更优的说话人特征。本文在研究和比较常用说话人特征优化算法的基础上，提出了一种基于类内、类间距离的加权系数方法，并进行了实验验证。

1 常用说话人特征优化算法

1.1 基于组合的优化

一般来说，高维的说话人特征能更精确地表征说话人[5]。但是，在使用一种参量作为说话人特征时，当特征的维数增大到一定程度后，系统的识别率往往增加的并不明显，甚至由于参量的局限还会下降(如LPC参量)，这时可以引入另一种特征参量与原特征参量组合作为新的说话人特征。

1.2 基于PCA的优化

主成分分析法(PCA)可以在保证识别性能的同时，降低说话人特征的维数[6]。PCA是基于K-L变换的一种降维方法，又叫做主分量分析。

设y是一个M×1的随机向量，其均值可以通过K个样本向量估计。协方差矩阵Cy是一个M×M的实对称阵，其对角元素为各个随机变量的方差，非对角元素为协方差。

K-L变换公式为:

式中，矩阵D是一个线性变换，D的向量是Cy的特征向量，要求其行向量应按使其对应的特征值呈递减而排列。经变换后得到的新向量z为具有零均值的随机向量，其协方差矩阵Cz与y的Cy之间的关系为:

Cz的对角元素为其特征值λl。因为Cz的非对角元素都是0，所以z的各元素之间都是不相关的。说明线性变换D去掉了变量间的相关。此外，λl是第l个变换后的变量zl的方差。

由于Cy是实对称矩阵，可使A-1=AT，得K-L反变换公式。

在实际使用K-L变换时，可以通过略去较小特征值的一个或多个特征向量来给z降维。令A为B×M的矩阵(B<M)，是通过去掉A的底下M-B行，并假设均值等于0而构成的。这样变换向量就变小了(B×1)。

近似均方差为:

通常，特征值幅度差别很大，忽略其中的一些较小值不会引起很大的误差[7]。

1.3 基于加权系数的优化

特征向量的各个分量对于识别率的贡献是不同的，可通过对各分量加上一个适当的系数，使说话人识别的效果更好，这就是加权系数法[8]。一般采用升半正弦函数[9]计算:

式中，p为特征阶数;静态分量(0.5)用于保证系数不至于完全衰减。加权系数采用半升正弦函数计算基于两个原因:低微特征分量受噪声的影响较大;而高维特征分量值太小。

2 基于类内类间距离的加权系数说话人特征优化

用升半正弦函数求加权系数，是根据特征参量的统计特性得出来的，并没有考虑特征参量的具体情况，对于具体的说话人识别来说应该有更加适合的加权系数[10]。本文提出一种基于类内、类间距离的方法来求取加权系数对说话人特征进行优化。

已知一个说话人训练语音样本集，整个训练语音集共有n个说话人，第i个说话人共有ni个语音样本，xai为第i个说话人第a个语音样本所得到的特征参数，其第j阶分量为xiaj;μi是第i个说话人的各个语音样本的特征参数的平均值，其第j阶分量为μij。将从每个说话人的特征参数看成一类，可用向量S类内的模来衡量平均类内距离，向量S类内的模来衡量平均类间距离(为计算方便，用各类均值的平均距离表示)，向量S类内和S类间的第j阶分量的计算公式为:

p阶特征参量平均类内距离和平均类间距离分别为:

为了便于进行说话人识别，希望不同说话人的特征参量分布相对分散，而同一说话人的特征参量分布相对集中，即平均类间距离相对较大，平均类内距离相对较小。

(1)类间加权系数的求取

由式(13)可知，求使平均类间距离最大的加权系数α1可以转化为如下的优化问题。

显然，式(14)的最优解是将对S类间贡献最大的某阶分量乘以1，其余各阶分量乘以0。因为该最优解只保留了特征参数的某一阶分量用于识别，所以不能满足要求，需要尝试寻找其他解。

要使平均类间距离较大，希望对平均类间距离贡献大的分量乘以的加权系数较大，对平均类间距离贡献小的分量乘以的加权系数较小。可以使用式(15)计算α1，能够很好地满足要求。

(2)类内加权系数的求取

由式(12)可知，求使平均类内距离最小的加权系数α2可以转化为如下的优化问题。

式(16)的最优解是对贡献最小的分量乘以1，其余各阶分量乘以0。该最优解同样也不能满足要求。为了使平均类内距离较小，希望对平均类内距离贡献小的分量乘以的加权系数较大，对平均类内距离贡献大的分量乘以的加权系数较小，应用式(17)计算α2。

(3)总的加权系数

利用对应阶的类内加权系数与类间加权系数的乘积作为总的加权系数α，为了使各阶总的加权系数的和为1，α应用式(18)计算。

3 实验结果与分析

分别对上述各种说话人特征优化算法进行实验。选用14个说话人(6男，8女)，每人5段4 s的语音用于训练，5段4 s的语音用于测试，进行闭集识别实验。

3.1 特征组合法实验

提取12阶LPC(识别率95.71%)、12阶LPCC(95.71%)和6阶MFCC(98.57%)分别进行特征组合，得到的识别率如表1所示。

从表1可以看出，采用特征组合算法可以有效地提高说话人的识别率。但在提高系统识别率的同时，也增大了特征的维数。增加特征向量的维数会带来一些问题，例如，使用高维特征的分类器需要更多的参数来刻画说话人模型，这将不可避免地增加后续计算的复杂度和时间。

3.2 PCA变换法实验

采用全部说话人的训练语音求PCA变换矩阵，分别以对应的PCA变换矩阵对6阶MFCC、12阶LPC和12阶LPCC进行PCA变换，采用PCA变换后的参数作为说话人特征进行识别，所得结果如表2-表4所示。

由表2-表4结果可见，识别率并不是简单地随PCA变换维数的降低而降低。降维时，因为一些噪声成分被去除，从而改善了性能，适当的选取PCA变换的维数，甚至可以提高说话人的识别率。但是，当维数降低到一定程度时，识别率还是会剧烈的下降，说明PCA只能在一定程度上降低特征的维数。

3.3 加权系数法实验

分别用基于类内、类间距离求得的加权系数α和升半正弦函数求得的加权系数r对说话人特征加权，以加权后的6阶MFCC、12阶LPC和12阶LPCC参数作为特征进行说话人识别，所得识别结果如表5所示。

从实验结果表5可以看出，基于类内、类间距离求得的加权系数α比升半正弦函数求得的加权系数r对说话人特征的优化结果更好。

4 结语

说话人识别系统作为一个整体，分为预处理、特征提取、分类器三大部分。为了比较不同的说话人特征优化方法，在相同的预处理、分类器及评价标准的基础上对说话人特征进行研究。分别采用了组合法、PCA变换法和加权系数法对说话人特征进行优化。用组合法对说话人特征进行优化可以有效地提高识别率，但会增加后续计算的复杂度和时间。而采用PCA变换法可以有效地降低说话人特征的维数，并且选取适当变换后的维数，甚至可以提高说话人的识别率。加权系数法可以大大提高说话人的识别率，一般采用升半正弦函数来计算加权系数，但是没有考虑特征参量的具体情况，为了克服此缺点，本文提出了一种基于类内、类间距离的加权系数求解方法。此算法对于具体的说话人识别选择更加适合的加权系数，所求得的加权系数比用升半正弦函数方法更加有效，对于6阶MFCC和12阶LPCC参数作为特征加权后，说话人的识别率可以达到非常满意的效果。

参考文献

[1]Stolcke A,Kajarekar S,Ferrer L,et al.Speaker recognition with session variability normalization based on MLLR adaptation transforms[J].IEEE Trans.On Audio,Speech,and Laguage Processing,2007,15(7):1987-1998.

[2]钱海军.用于说话人识别支持向量机模型的核函数选择[J].计算机应用与软件,2013,30(4):258-260.

[3]尹许梅.基于MFCC和矢量量化的说话人识别算法研究[D].长沙:湖南大学,2011.

[4]曹洁,余丽珍.基于MFCC和运动强度聚类初始化的多说话人识别[J].计算机应用研究,2012,29(9):3295-3298.

[5]Qin Jin.Robust Speaker Recognition[D].USA:Language Technology Institute School of Computer Science,Carnegie Mellon University,Ph.D theses,2007.

[6]储雯,李银国,徐洋,等.基于段级特征主成分分析的说话人识别算法[J].计算机应用,2013,33(7):1935-1937.

[7]徐丽敏.鲁棒性说话人识别技术[M].南京大学出版社,2011.

[8]刘宏,刘立群.改进的美尔倒谱系数用于说话人识别研究[J].计算机工程与应用,2012,48(8):155-157.

[9]丁辉.自动说话人识别方法与新技术[M].北京:电子工业出版社,2012.

薄壁类零件车削加工的优化设计 篇7

1 薄壁零件加工分析

车削薄壁零件的主要问题是壁薄和易变形, 而产生变形的主要因素是切削力、夹紧力、切削热和残余应力。主要体现在以下几个方面。

(1) 切削过程中受车削挤压与牵引导致工件变形。

(2) 由于薄壁零件刚性低, 在切削过程中易产生振动和变形。

(3) 薄壁类零件体积小, 总的热容量小, 温度容易升高和变形。

(4) 当每切除一层金属层时, 由于应力释放, 而引起变形。

(5) 装夹时由于径向夹紧力的作用, 从而引起变形。

(6) 相对位置调整不准, 产生壁厚不均, 引起工件几何形状变化或变形。

(7) 刀具选用不当影响零件的精度和表面粗糙度, 造成零件变形。

(8) 其他因素引起变形, 如机床振动等。

2 解决方法或技巧

薄壁零件在车削加工过程中, 主要是受到切削力、夹紧力、切削热和残余应力等因素影响而极易产生变形, 所以其难点就是如何防止和减小工件的变形, 可以通过以下几种方法有效改善加工变形。

2.1 优化装夹方案

薄壁工件在装夹中的位置受夹紧力的影响会使工件相对于刀具的位置发生改变。如用普通三爪自定心卡盘装夹时, 由于夹紧力的作用零件会发生变形 (变成三角形) , 导致内孔加工余量出现不均匀;当内孔加工完成后, 松开卡盘, 零件由于弹性恢复, 恢复为圆柱形, 而已加工的圆形内孔会变成弧形或三角形, 从而产生很大的变形而无法保证加工精度。如图1所示。

据了解, 25%~50%的加工误差是由装夹引起的, 因此通过优化装夹方案来减小装夹引起的弹性变形是提高加工精度和生产效率的重要途径。

(1) 采用扇形软卡爪装夹。

采用扇形软卡爪装夹薄壁工件, 可以增大装夹时夹持接触面积, 使夹紧力均匀分布在工件夹紧面上, 有效减少薄壁套夹紧变形。

(2) 采用芯轴装夹。

芯轴装夹是将工件变形的轴向夹紧力改为径向夹紧力, 且径向夹紧力由内向外分布, 防止装夹变形。

(3) 采用开口套装夹。

用开口套将三爪卡盘的三点夹紧改变为整圆抱紧, 三爪卡盘夹持开口套使其变形并均匀地抱紧薄壁工件后再车削内孔。夹持开口夹套时要使开口在两夹爪的中间位置。

(4) 采用真空吸附夹具。

薄壁零件有些壁厚很薄, 用卡爪夹持的方法, 不能控制其变形, 这个时候可以采用真空吸附夹具来进行夹持, 不过要求薄壁零件本身没有通孔。

2.2 选择合理的刀具几何参数, 减小工件变形

刀具不管是钝还是锋利, 都会造成工作变形。减小切削时的吃刀力将大大减少工件变形, 而采用较大的主偏角、稍大的前角、较小刀尖圆弧半径的锋利车刀, 则吃刀力较小。实践证明, 最合理的刀具角度是:采用R型圈屑槽, 主前角为了250~300, 主后角为60~100, 主偏角为910~930, 副偏角为60~80, 刃倾角为00~30。

2.3 选择合理的切削方向, 减小工件变形

刀具横向夹紧在刀架上, 刀尖去除毛刺即可, 刀具由中心向外切削。此种切削方向比较合理, 会减小工件变形。

2.4 选择合理的切削用量, 有效避免薄壁工件变形

粗加工时, 背吃刀量和进给量可以大些;精车时, 切削速度为65 m/min以下, 走刀量为0.05~0.07 mm/r, 背吃刀量为0.05 5~0.0 7 5 mm, 这样能消除切削过程中刀具引起的振动, 有效地避免薄壁工件变形。

2.5 释放变形应力, 保证工件质量

薄壁零件的车削一般应把粗车和精车加工分开进行。粗车过后, 增加半精车, 并在半精车后加热进行退火处理, 可减小其内应力, 并释放内力, 减小工件变形, 保证工件质量。在精车前松动一次夹紧, 或调整一下工件位置后再夹紧, 可以减小外应力, 改善薄壁工件变形, 从而保证工件质量。

2.6 选择合理的切削液, 防止工件变形

选择比热容大、黏度小、流动性好的切削液, 如选择柴油为冷却润滑液, 既能降低工件的表面粗糙度, 同时又能吸收大量的热量, 降低切削温度, 防止工件变形。

2.7 合理选择刀具, 提高工件质量

精车薄壁零件孔时, 刀具刃口要锋利刀杆的刚度要高, 修光刃不宜过长, 否则会影响工件表面粗糙度。车削高强度材料的薄壁时, 一定要注意刀具逐渐磨损而使工件孔径出现锥度, 影响工件精度。

2.8 改进机床, 减小夹紧力, 减少工件变形

利用变频器对机床电路进行改进, 使机床实现慢启动, 这样薄壁零件可在很小的夹紧力下夹持, 防止薄壁零件在加工过程中变形。

3 结语

薄壁类零件在机电类产品中应用越来越多, 对产品的质量要求也越来越高, 通过对上面的方法分析和技巧讨论, 保证了工件的尺寸及加工精度, 同时降低生产成本, 提高生产效率, 解决了行业中的棘手问题。

参考文献

[1]王建中, 陈陆帮.薄壁类零件车削加工工艺方法[J].新技术新工艺, 2010 (11) :26-27.

[2]雷奋红.浅析薄壁零件加工装夹方法及车削加工技巧[J].万方数据.

[3]实用车削操作技巧450[M].化学工业出版社.

[4]吕凤环.薄壁零件的车削加工[J].现代制造技术与装备.2012 (2) 36-38.

[5]袁哲俊.金属切削刀具[M].上海科学出版社.

测控类专业教师梯队的优化培育 篇8

在我国高等教育大发展时期，教师成为高校的第一资源。各高校纷纷出台各种人才引进政策以吸引高层人才。经过一段时间的努力，各高校的教师数量与结构方面的矛盾关系已得到缓解，但核心的问题并没有完全得到很好解决，即师资队伍的学科方向优化问题。通常，一线教学单位是以专业划分的，专业教师梯队的人数多少和学历高低仅是一个充分条件，必要条件是这些人能否形成一个完整的群体团队，这个团队在教学、科研、学科和专业建设等方面都具备可持续发展的特征，更为重要的是所培养出来的学生的质量也能得到社会的认同。高等教育是一项长期的事业，引进人才只是师资队伍建设中的一个环节，想通过引进人才的方式从根本上解决各专业教师队伍的问题恐难达到预期效果，主要是因为通过引进专业带头人所形成的是“尖峰形”的人才能力结构，而真正发展专业要的是“高台形”的人才能力结构。也就是说，仅凭短期努力能否解决长期的需求是一个非常值得所有处于发展中专业的成员研究与思考的课题。另外，地方高校对高端人才的吸引力也存在问题，相比之下，自我培养人才的任务要比引进人才艰巨得多。教育部在推进“卓越工程师”培养计划，各专业在试点工作中也会遇到工程型师资队伍的问题，原则上是聘请有关企业的工程技术人员来担任部分教学任务。试想，如果自身层面高度不够，如何能聘请到符合要求的企业高端技术人员，以及如何能与大型骨干企业合作?因此，高校自身的实力应具有一定的高度，否则，“卓越工程师”的培养就存在很大的盲目性。针对这一问题，作者结合长期在地方高校基层教学单位工作的研究与实践基础，进行探索，重点探索了地方高校二级教学单位对专业教师梯队建设的可行做法[1]。

二、教学团队的规划设计

通过顶层设计可以对发展规划进行准确地设计。不妨假设这样的案例：某专业有良好的办学基础，专业具有明显的行业特色，入选为省级重点专业。因此，就业率可保持较高水平。但学校规划该专业要在5年内达到同类专业前1/4水平。专业负责人认为，目前该专业无论教学还是科研等各方面都不够突出，应如何进行规划?本文应用反推方法预估近期(3—5年)的工作指标。

（一）专业教师人数的规划设计

在专业发展的人、财和物等诸要素中，人员的需求应摆在首要位置。相对来说这个问题也较容易解决，可用近似公式估算专业教师人数。

式中：n1为根据本专业本科生生师比确定的教师数;n2为培养硕士生所需增加的教师数，粗略的计算是以硕士生数乘以2再应用本科生的生师比计算所需教师的数量;n3为科研工作量的增加所引起的教师增量，可根据本专业年科研经费数额以每百万1人计算。如作者所在专业有在校本科生720人、硕士生150人，年科研经费1000万元。按教育部规定的生师比18:1，其中本科生的专业外与专业授课比例按3:5、研究生按2:3，可计算出：

最后可求得所需要的专业教师数为n=47人。

（二）骨干教师及学术带头人的培养规划

1. 骨干教师的培养规划。

骨干教师是教师队伍的核心。从科研角度看，凡申请到省级及以上课题的教师都可列入骨干教师层。对骨干教师要采取支持与扶持的措施，以避免其流动所引起的教学质量波动。当然，骨干教师的比例越高越好，但从稳定性的角度来看，控制在70%以内较为合适。同理，即使某位教师具有高级职称，但持续申请不到科研经费，可采取给出包容期(如5年)、鼓励流动到其他教学单位的方法对教师梯队进行层次比例优化。

2. 专业负责人的培养规划。

对专业负责人进行培养可能是一个新提法，实际上，只是对专业负责人的能力和素质提出要求。通常，专业负责人需要具备以下能力和素质：(1)在国内同领域学者中具有一定的知名度和影响力;(2)具有良好的组织协调能力;(3)办事公正、有充分的威信;(4)具有选择和强化科研方向的能力;(5)具有良好的教学科研综合素质。可根据上述要求进行专业负责人的选拔和培养。

3. 学术负责人的规划。

对学术负责人的要求：(1)能组织5人左右的教学科研团队;(2)听从并落实专业负责人的决策;(3)甘于承担公益性的工作。

学术带头人的数量可以适当多些，但一般不应少于3个。

（三）专业教师综合能力的规划

在规划前，要对现状进行准确的评价，以使规划更具有科学性和可行性。评价的指标则可以自我设计。

1. 专业教师综合能力的自我评价指标。

评价可以大体上按教学、科研、专业建设、学术声望及社会影响力等方面进行。教学可分为讲课效果、教学研究和教材编写等几个方面。科研可分为平台、项目、成果、经费、知识产权和论著等几个方面。专业建设主要指在国家和省级的质量工程项目中的贡献。社会影响力则指教师获得省级以上荣誉及人才称号，或在国家级学会任常务理事以上职务及省级学会任副理事长以上称号等方面的情况。

2. 影响因素权重系数的设定。

由于属于自评性质，所以，权重系数不一定设得非常精确，但要求能达到与重点大学(如211高校)同类专业之间具有可比性的效果。对教学、科研、专业建设、学术声望及社会影响力的权重系数可大体上按表1给出，得分可根据与国内教学研究型大学(如211大学)的相同或相近专业的平均状况进行比较后给出[2]。

通过自我评价可以找出本专业近期的努力方向和重点工作目标。如作者所在专业的综合得分大概为不到重点大学70%的程度。

3. 培养规划。

根据表1中的项目可以进行自我评价。对于未达标的项目可进行重点规划，特别是教学和科研方面的项目与成果以及社会影响力。

三、专业教师引进的尺度及聘任后的合理培养

（一）正确把握引进教师的尺度

在引进人才时，一定注意把握对人才素质能力的判断尺度，尺度过高会造成找不到合适的人才，尺度过低带来的危害更大，主要是因为目前高校的教师淘汰机制还不够健全，比如，没有真正的试用期。再者，不合适的人员引进后会给人事管理带来很大压力。地方高校的专业知名度往往并不高，被引进者对该专业的有限了解及该专业所在学校的排名等基本就是构成他决策是否加盟该专业的主要依据。根据多年师资建设的经验，虽不乏比较积极的、也符合专业期望的求职人选，但不太符合要求者仍占有很大的比例。因此，在补充教师队伍时，985大学的中等水平的博士学位获得者将是引进的目标人群的主体。

从心理学的角度出发，这一点也很容易得到证实。一般取得博士学位的人员，在选择单位时首先关注的通常不是教学状态，而是这个单位的科研实力。对于一个教学单位，科研实力与其吸引人才的吸引力存在正相关性。因此，对于一个专业来说，盲目追求高层次人才是不现实的。在单位与人才之间双向选择的过程中，双方是对等的，用人单位并不存在着明显的优势[3]。

（二）对新教师进行研究方向管理

针对博士学位教师群体中重科研、轻教学这一普遍性现象，采取研究方向集中管理就可以把这个倾向变为可以合理利用的积极因素。其实，这个提法并非限制教师的科学研究自由，而是把有限的力量集中或聚焦到少量的目标上，以利于在较短时间内集中优势人力资源，形成明显的研究高度，这是团队强化建设的一个方法。通常需要做两方面工作：一是所谓的“断奶”方法，另一个是鼓励吸引新教师加入到现有研究团队中，借助科研工作融入群体和研究团队中。

一般来说，博士群体来校后非常急于检验自己学术水平的高度，这往往是以能否申请到高级别课题为标志。目前，国家和省部级基金类项目中标的概率都不会超过25%，竞争程度之激烈可想而知。新教师大多认为自己科研优势仅在于刚刚完成的博士论文课题，而不一定与新到的单位研究方向吻合。引发的问题是：拟申请的课题都是原来学校导师或导师组的研究课题，这就存在着同原来学校及导师之间的协调与竞争的问题。另外，即使获得导师同意，且申请到课题，除非是新型分支方向，否则，很难在短期内形成学术高峰，研究的可持续发展就更谈不上。因此，一般不鼓励新教师在原来学校的研究方向后面跟随，鼓励他们在本专业和本学科的研究方向上进行选题，并在实验室及设备投入方面给予倾斜与支持。这样的“断奶”做法收到了预想的效果，大部分博士教师通过3—5年的积累，均获得了国家或省级的基金或科技计划项目。研究方向管理所收到的效果，是有利于科研、教学团队的自然组建和成长，同时，也增强了科研和教学团队的凝聚力。

（三）合理设计科学及工程能力的提高锻炼环节

专业要有计划地对新教师进行专业特色方面的培训。科学能力的培训应重点到国家级科研院所进行进修，工程能力的培训则应到大型骨干企业进行锻炼。以作者所在专业为例，专业特色在计量测试等方面为补充新教师在这方面的欠缺，一方面选送他们到国内外计量技术机构进行短期实习培训，掌握并跟踪所研究领域的最新动态，有利于科研方向的把握;另一方面，把他们派到本地区的相关企业进行工程能力的再培训，有利于工程能力的提高及地方政府资助项目的申请。

引进人才的主要目的是缓解当前教学科研上的压力，而不断送教师出去培训是否做了无用功?这个问题，几乎成为所有专业负责人要面对又难以解决的问题。从专业的可持续发展角度看，这样做还是非常值得的[4]。

四、科研及教学梯队的组建

（一）对专业科研及教学梯队的认识

一支优秀的科研及教学梯队的组建，是专业教师队伍建设的核心目标。但是，一定不要把梯队总人数理解为教师的人数之和，和谐性和合作性是检验梯队组建是否成功的一个重要标志，也可以作为考量一个专业现状与近期发展前景的标准之一。

和谐性的主导力来自于专业负责人。除学术影响力之外，专业负责人的人品、公正性、外部资源拓展能力等人文素质对专业发展的决策与规划实施将产生重大影响。

在和谐的教学和科研氛围中，成员应表现出工作的有序性和进取心。也就是要追求所谓的一切行动听指挥的“人气”，创造“人欢马跃”的局面。

（二）科研团队的组建

对于工科专业，个人行为式的科研选题，也存在一些问题。要么选题比较困难，要么成果周期长，效益不显著。因此，要说服教师组成团队承担课题。只有这样，课题才能越做越大，成果显示度才能更显著。为将组建科研团队的任务落实，专业领导人可以提出在资源方面予以倾斜的政策。如“三优先”(引进成员优先、固定资产等资源配置优先、申请课题及经费配套优先)就是一个可行的办法。

初期的科研团队一般由3—5人组成，再配备若干硕士生就可以承担科研项目。人员方面鼓励自愿结合，实在无法结合时就由专业负责人根据自己的经验进行协调组织，并组织申请课题，由选定的若干人来承担，通过课题更容易组成团队。

由于科研业绩与每个教师的职称和津贴都密切相关，因此，教师参加科研团队的积极性非常高。相对而言，科研团队的组建并不困难[5]。

（三）教学团队的组建

同科研团队的组建相比，教学团队的组建要困难得多。由于教学团队是以教学改革和教育研究为主，所以，教学团队“公益性”的特点非常鲜明。为落实这项工作，必须制定切实可行的措施。例如：1.行政手段推进方式：必要时，可由二级教学单位的主管领导领衔担任团队负责人;2.奖励方式：在职称晋升、岗位等级和津贴分配方面给予制度上的倾斜;3.列入教师教学业绩考核体系：在教师教学业绩考核中给予较高的权重值。

通过教学和科研团队的组建可以实现教师队伍的合理分流和提高教学能效，教师可以按照自己的特长去选择工作重点方向，以避免教师个体陷入“麻雀虽小、五脏俱全”的繁杂事务当中而影响其特长的有效发挥[6]。

五、正面效应原理在师资队伍培育中的合理应用

教师队伍与其他行业人才队伍的最大区别在于这支队伍是用来培养国家的建设者，其任何一个个体对被教育者的人格都具有重要的影响作用，因此，若当一个专业还处于初级发展阶段，就不允许把任何微小的负面效应传递到被教育者。由此可见，除了正常的思想品德等教育之外，还要注重将正面效应原理应用到教师的培育过程中去。

作者认为，所谓正面效应原理包括：1.在进行重大问题决策时要考虑正面影响，不为一些负面的细枝末节所迷惑;2.在学生面前要树立与保持正面形象，行为举止规范，为学生树立榜样;3.言谈话语要突出正面观点，不把自己一些生活中的不如意带入教学环节[7];4.在社会面前要展现正面观点。例如，向考生推荐自己所在的专业，特别是当亲戚朋友在咨询考学专业时要积极推荐本专业，不对本专业进行负面宣传，甚至要把符合分数段要求的教师子女有意识地录取到自己所在的专业，为社会做一个表率。试想，连自己都信不过的专业又怎能让社会相信呢?5.对发现不符合正面效应的现象要及时给予处理，坚决予以控制，防止扩大化。

长期的正面培育不仅能树立良好的群体形象，还有利于增强凝聚力，显著效果是把微弱的群体优势转化为强劲的竞争优势。

参考文献

[1]教育部启动实施“卓越工程师教育培养计划”[J]中国大学教学, 2010, (7) .

[2]胡小唐.测控技术与仪器专业发展报告[R]//教育部高等学校仪器科学与技术教学研讨会论文集, 2009.

[3]李东升, 陶容.地方高校学科专业优化发展路径的探索[J].黑龙江高教研究, 2008, (9) .

[4]郭天太, 李东升, 谢代梁等.国家特色专业建设点——测控技术与仪器专业的特色建设及凝练[J].化工高等教育, 2008, (6) .

[5]张代治, 杨义波.地方普通高校专业特色建设的探索与思考[J].长春大学学报, 2008, (5) .

[6]易荣华, 潘岚.特色专业建设的理念与实践——以中国计量学院为例[J].中国大学教学, 2007, (10) .

[7]李东升, 李文军等.地方高校特色专业培育方法研究——以测控技术与仪器专业为例[J].中国大学教学, 2010, (10) .

最优化类应用题 篇9

关键词：管理类专业；可持续发展；教学资源；网络平台

中图分类号：G642.3 文献标识码：A 文章编号：1002-4107（2012）09-0028-02

随着网络通信的普及、教育改革的逐步深化，省内外一些高校充分利用校园网环境，将共享型专业特别是管理类专业的教学资源进行整合构建，进而实现优质教学资源共建共享，提高优质教学资源的使用效率和受益面，满足学生自主学习的需要，拓展高等教育服务社会的功能。

一、陕西理工学院管理类专业分布情况

目前，陕西理工学院是汉中师范学院与陕西工学院合并而成，所以管理类专业分布在计算机科学与技术系、管理系、经济贸易系、经济与法学学院和历史系等5 个不同的教学单位，涉及管理科学与工程、工商管理和图书档案3个大类，共11个本科专业（如表1）[1]，管理类专业分布比较散，这样会导致师资及实验设备的重复构建，造成一定的浪费，例如，经济学、管理学、市场营销等专业基础课是每个专业的必修课程，这些课程实验室的构建如果按照每个院系自行构建会造成一定的浪费，还有教师的辅导答疑同样也会造成重复浪费问题，这些问题都可以通过网络平台得以解决。

表1 管理类专业分布现状

二、陕西理工学院管理类专业网络学习平台的构建

陕西理工学院管理类专业分散在不同院系，虽然各院系依托优势学科开发了基于网络的教育教学资源库、素材库、网络课程和教学课件等教育资源库[2]，在一定程度上实现了特定范围内的资源共享。但是，这些资源库零散分布在不同部门、不同系统中，普遍存在投入成本高而应用范围小，低层次开发、缺乏标准化、重复构建等问题，不仅资源得不到统一、系统的管理，而且也不利于资源的有效利用和长期保存。因此，构建管理类专业网络学习平台是必要的。管理类专业网络学习平台的构建主要包括：使用帮助、理论教学、实践教学、论坛及相关资料等几个部分。

（一）使用帮助

使用帮助和其他系统的使用帮助功能基本相同，主要是让学生了解怎么利用本网络平台进行学习，这一部分从学生注册到每个模块的使用都有详尽的说明，目的是让学生学会使用本平台，一些常见的问题都可以通过使用帮助来解决。

（二）理论教学

对于大多数学生来说，首先是理论学习，这一部分包括：教学大纲、教学课件、教案、教学视频和试题库及试题答案。教学计划设置的每一门课程，都应有相应的教学大纲。教学大纲是根据学科内容及其体系和教学计划要求编写的教学指导文件，它以纲要的形式规定课程的教学目的、任务；知识、技能的范围、深度与体系结构；教学进度和教学法的基本要求。教学课件是教师根据教学大纲利用办公自动化编写的课件，通过课件的学习学生基本掌握课堂的重点内容，有利于学生掌握要学习的重点内容。教学视频是教师在教授本课程过程中的录像，传至网上供学生根据自己的时间自由学习本课程。试题库是教师根据大纲及教材编写要求学生掌握的学习重点内容，此部分是检测学生的学习情况，看学生是否掌握学习的知识。总的来说，理论教学部分是构建的重点，这一部分几个模块是相辅相成的，能让学生较好地掌握所学习的内容。

（三）实践教学

学生的学习，仅仅掌握理论知识是不够的，在掌握理论知识的基础上，还需要把理论应用于实践，看理论和实践到底有何差距，特别对于管理大类的学生，实践也是非常重要的。这一部分主要包括实验大纲、实习大纲、实验和实习指导三个部分。

实践大纲要明确实践的目的、要求等，主要是通过本实践要求学生掌握技能，这在指导中有详细说明。只有学生把所学知识应用于实践，将来才会在工作中游刃有余。

（四）学习论坛

学生在学习的过程中肯定会有很多疑问：所学的理论与实践有所脱节；所学的市场营销知识与现实不太一样。这就需要通过学习论坛来解决这些疑问，通过教师的解答、学生思想火花的碰撞能带来意想不到的效果，关键是要通过论坛来鼓励学生说出自己的想法。我国学生一个普遍的问题就是在课堂上不敢说自己的想法，在论坛上谁也不认识谁，对于学习的课程有什么想法可以大胆交流，只有这样才能让学生很好地掌握所学知识，将来应用到工作中去。

（五）相关资料

管理类学生将来主要面对的是人际沟通，不同的人有不同的价值观、不同的爱好，将来在工作中怎样做好沟通也是非常重要的问题。这就需要为学生提供一些内容广泛前沿的学习资料，也包括一些网络资源。例如，管理哲理故事、企业管理案例、管理实务、数字化管理、农产品经营管理、电器经营管理等，总的来说，这一部分内容主要是让学生拓宽知识面，尽量多掌握一些与管理相关的一些知识，能在以后的工作中奠定基础。

三、管理类专业教学资源网络平台构建要注意的问题

（一）师资力量是教学资源网络平台构建的重要问题

网络平台的构建是开放性的，因此，网络平台的构建必须要有优秀的教学团队，因此，根据陕西理工学院管理类各个专业的具体情况，以学院、教研室、实验中心、教学基地、实训基地等为建设单位，以系列课程或专业为建设平台，打造一个具有明确的发展目标、良好的合作精神和梯队结构，老中青搭配、职称和知识结构合理的优秀教学团队，从教材到大纲仔细打磨，每一步做到细致。构建好陕西理工学院管理类专业教学资料平台，为学校的可持续发展贡献力量。

（二）网络平台构建与实际教学相结合

在实际教学中，有很多教师都有自己的教学成果，这些优秀的教学成果不仅可以应用在日常教学中，也可以应用在教学资料网络平台的构建中。学生通过网络平台的学习也可以为教师的日常教学提供一些信息。例如，通过论坛的讨论，可以发现学生在日常教学中难以掌握的难点，这些难点到底怎么处理，也可以在论坛中讨论，到课程验证。总的来说，网络平台的构建和实际教学要有机结合，这两种方式相辅相成，一定会给管理类教学带来很大的益处。

（三）网络平台的构建要以学生为中心

网络平台的构建目的是为了学生的学习，学生通过网络平台提供的各种信息，经过积极的思考，提炼成自己的思想，进而获得知识。教师在构建平台的过程中只是搭台的，而学生通过这个平台来获取知识。在构建网络教学资源平台时，必须坚持以学生为中心。目前的课堂教学模式是以教师为中心的教学模式，学生一直处于被动学习状态，这样学习效果相对较差。网络教学资源的建设要以学生为中心，引导学生积极探索学习。例如，房价的讨论问题，从房价的现状逐步引导学生深入讨论国家的政策等。鼓励学生自主去学习，去查阅资料。网络教学资源的核心功能是有效“帮助”学生自主学习。因此，网络平台的构建应该坚持以学生为中心[3]，调动学生的主观能动性，充分发挥学生的创造性和主动性，培养学生的创新能力和文化素养。

陕西理工学院管理专业分散在几个不同的学院，在教学过程中资源构建有一定的重复，通过对陕西理工学院管理类专业资源的整合，构建管理类专业教学资源网络平台，顺应信息化时代教育教学改革的基本要求，扩大教育覆盖地理和时空范围的有效手段，为陕西理工学院依托网络整合教育教学资源提供思路。网络平台的构建，进一步提高管理类专业学生的专业技能，使学生在就业和工作岗位上有明显优势。本网络平台的实施使学生在线理论学习、完成实践环节、辅导答疑、作业批改，实现教师和学生的有效互动，促进整体教学质量的提高，使教师有更多精力投入到学生专业知识和技能的培养方面，提高自身业务能力，有利于教师根据学生的特点进行有针对性的培养[4]，有利于充分发挥学生的主动性和创造性。网络学习平台是对理论教学和实验教学必要的补充，对整体教学质量的提高有重要的辅助作用。

参考文献：

[1]薛小荣.立足学科布局，优化专业结构——陕西理工学院管理类专业资源整合初探[J].商场现代化，2008，（9）.

[2]李京秀.基于信息技术精品课程网络平台构建研究[D].西安：西安建筑科技大学，2007.

[3]朱七光.电子商务实践教学探讨[J].管理观察，2008，（11）.

两类分布式优化问题关系初探 篇10

1 预备知识

在本节中, 我们介绍凸优化和拉格朗日对偶优化的相关知识。

1.1 凸优化

集合C是凸集, 如果x, y∈C, αx+ (1-α) y∈C, α∈[0, 1], 亦即, 以C中任意两点为端点的线段也在C中。函数f是凸函数, 如果它的定义域D是凸集, 并且满足如下条件:

每个凸函数在它定义域的内部都是连续函数。

一个优化问题是凸优化问题, 如果它的目标函数和约束集合都是凸的, 亦即有如下问题:

该问题是凸优化问题, 如果f (x) 是凸函数, 并且x是凸集合。

当优化问题表示为如下形式时:

它是一个凸优化问题, 如果fi (x) (i=0, 1, …, m) 是凸函数而且hj (x) (j=1, …, p) 是线性函数。

1.2 对偶优化问题

在这一部分, 我们介绍如何得到凸优化问题 (1) 的对偶问题。

首先, 问题 (1) 的拉格朗日函数为:

对该拉格朗日函数取关于x的最小值, 我们得到问题 (1) 的拉格朗日对偶函数:

其中, D为fi (x) (i=0, 1, …, m) 和hj (x) (j=1, …, p) 的公共定义域;g (λ, v) 为关于 (λ, v) 的凹函数。

那么, 优化问题 (1) 的拉格朗日对偶问题如下:

对于拉格朗日对偶问题 (2) , 我们有如下引理:

引理1:拉格朗日对偶问题 (2) 是一个凸优化问题。

令p*为原优化问题 (1) 的最优值, d*为对偶问题 (2) 的最优值。则弱对偶d*≤p*始终成立。而强对偶d*=p*在一定条件下成立。对于强对偶, 我们有如下引理:

引理2 (Slater’s Condition) :如果存在点x使得下式成立:

则当优化问题 (1) 是凸优化问题时, 强对偶d*=p*成立。

2 分布式优化

本节中, 我们介绍两类分布式优化问题。首先我们介绍Ⅰ类分布式优化问题。

2.1 Ⅰ类分布式优化问题

在该类问题中, 每个智能体都有自己的目标函数和约束集合, 但是所有的智能体共享公共的优化变量。在数学上, 该类问题可以表示如下:

其中, fi (i=1, …, n) 为每个智能体自己的目标函数;Xi (i=1, …, n) 为每个智能体自己的约束集合;全局约束集合X为所有Xi (i=1, …, n) 的交集。在Ⅰ类分布式优化问题 (3) 中, 所有智能体共享公共的优化变量x。

2.2 Ⅱ类分布式优化问题

在该类问题中, 每个智能体都有自己的目标函数和优化变量, 但是不同智能体的约束集合却是相互影响的。在本文中, 我们只讨论带有线性等式和线性不等式约束的Ⅱ类分布式优化问题。其在数学上可以表示为:

其中, fi (i=1, …, n) 为每个智能体自己的目标函数;xi (i=1, …, n) 为每个智能体自己的优化变量;x= (x1, …, xn) 为所有智能体优化变量。我们看到, 在Ⅱ类分布式优化问题 (4) 中, 不同智能体之间的约束是以加法的形式相互影响的。

3 两类分布式优化问题的关系

在本节, 我们通过拉格朗日对偶优化原理, 得出Ⅱ类分布式优化问题 (4) 可以通过拉格朗日对偶方法转化为Ⅰ类分布式优化问题 (1) 。

首先, Ⅱ类分布式优化问题 (4) 的拉格朗日函数为:

其中v, λ均为问题 (4) 的对偶变量;上标T为转置。

为对该拉格朗日含对求关于xi的最小值, 我们令:

如果是可逆的, 我们记Di为其反函数, 亦即, 那么我们可以得出:

那么将xi代入上面的拉格朗日函数, 我们得到:

则问题 (4) 的对偶问题为:

我们得到Ⅱ类分布式优化问题 (4) 的对偶问题为:

我们看到, 问题 (5) 实际上是Ⅰ类分布式优化问题 (3) 的一个特殊形式。当Ⅱ类分布式优化问题 (4) 满足引理2中的Slater’s Condition时, 强对偶成立。这是我们可以从问题 (5) 的最优解得到问题 (4) 的最优解。所以, 我们可以通过拉格朗日对偶方法, 将Ⅱ类分布式优化问题 (4) 转化为其拉格朗日对偶问题来解, 而问题 (4) 的拉格朗日对偶问题恰好是Ⅰ类分布式优化问题 (3) 的一种特殊形式。

4 结语

我们探讨了两类重要的分布式优化问题的关系。我们利用拉格朗日对偶优化原理, 得出Ⅱ类分布式优化问题可以通过对偶原理转化为Ⅰ类分布式优化问题。

摘要：讨论了两类重要的分布式优化问题之间的关系, 给出了这两类分布式优化问题的数学表达, 并利用拉格朗日对偶原理得出了它们的关系, 即一类问题可以表示为另一类问题的对偶问题。

关键词：凸优化,分布式,对偶优化

参考文献

[1]J.Mota, J.Xavier, P.Aguiar, et al.Distributed optimization with local domains:Applications in mpc and network flows[J].Automatic Control, 2015, 60 (7) :2004-2009.