一种新的基于GCS．SVM的网络流量预测模型

针对网络流量预测模型存在预测稳定性不好、精度较低等问题,提出一种改进布谷鸟搜索算法优化支持向量机的网络流量预测模型（GCS．SVM）。将网络流量时间序列进行重构,采用改进布谷鸟搜索算法优化支持向量机参数,使用这组最优参数建立网络流量预测模型。仿真结果表明,GCS—SVM模型对网络流量预测是有效可行的。     

融合多因素的专家组评分协同过滤推荐算法

针对传统协同过滤推荐算法的不足,提出一种新的推荐算法,该算法重新诠释专家与用户的关系。首先,结合全局专业指数和局部活跃指数定义专家的条件,再选取合适的比例组成专家组,然后按照专家的判断力以及与目标用户的相异度分配评分权重,最后定义预测评分选出最佳推荐,同时,专家组成员是动态变化的,其评分也各有权重,推荐的结果更贴近目标用户。因此,本算法推荐的信息利用率高,推荐的结果清晰明了,在公开数据集GroupLens和Netflix上的实验结果表明,本算法预测用户评分的准确率明显优于传统算法。     

基于蝙蝠优化算法的无线传感器网络节点定位研究

节点定位是无线传感器网络应用中的关键技术,Dv-Hop算法的定位精度不尽人意,因此将三方面改进的蝙蝠算法应用于Dv-Hop平均跳距的计算过程中,在Dv-Hop的第三阶段引入改进后的蝙蝠算法代替最小二乘法来计算未知节点的坐标,大大降低平均跳距导致的定位误差,提高定位精度;仿真结果表明,改进的BA算法优化的DV-hop定位算法在不同锚节点密度、不同通信半径、不同节点数量以及定位精确度等方面表现出良好的性能。     

基于目标问题导向教学模式的程序设计类课程思政教学探索

探讨公共基础课与思政结合的设计思路,针对程序设计类课程思政提出目标问题导向研讨式教学模式,阐述基于目标问题导向的计算机程序设计课程思政教学目标和课堂设计原则,介绍教学内容与思政元素融合的混合式课堂教学构建过程,给出考核方式并说明教学成效。     

基于部落结构的多种学习机制蝙蝠优化算法

蝙蝠算法(bat algorithm,BA)是受自然界中的蝙蝠通过回声定位进行搜寻、捕食行为的启发演变而来的一种新颖的群智能仿生优化算法。为了提高蝙蝠算法的收敛效率,把多种学习机制引入到蝙蝠优化算法中,通过将蝙蝠群体进行部落划分以及各部落间建立相互学习机制,使得内部局部搜索及全局最优信息能够在群体内传递。仿真结果表明,该算法切实提高了收敛效率。     

与专业应用案例结合的程序设计基础课

针对目前程序设计基础课程知识点分散,学生感觉枯燥和乏味,不知如何应用等问题,论述程序设计基础课程与专业结合教学的可能性,提出具体的案例教学设计和方法。     

基于层次化调度策略和动态数据复制的网格调度方法

针对在网格中如何有效地进行任务调度和数据复制, 以便减少任务执行时间等问题, 提出了任务调度算法（ISS）和优化动态数据复制算法（ODHRA）, 并构建一个方案将两种算法进行了有效结合。该方案采用ISS算法综合考虑任务等待队列的数量、任务需求数据的位置和站点的计算容量, 采用网络结构分级调度的方式, 配以适当的权重系数计算综合任务成本, 搜索出最佳计算节点区域; 采用ODHRA算法分析数据传输时间、存储访问延迟、等待在存储队列中的副本请求和节点间的距离, 在众多的副本中选取出最佳副本位置, 再结合副本放置和副本管理, 从而降低了文件访问时间。仿真结果表明, 提出的方案在平均任务执行时间方面, 与其他算法相比表现出了更好的性能。     

基于ACS优化BP神经网络的交通流量短时预测方法

交通流量预测是智能交通系统中非常重要的研究领域,因为交通流量的复杂性,传统的预测方法不能很好地预测。提出一种基于[t]分布自适应变异优化的布谷鸟算法,通过动态变异控制尺度和设置多个自由度来构造自适应变异算法,可以获得优于高斯变异和柯西变异的整体优化效果。在此基础上,提出改进布谷鸟搜索算法优化神经网络的交通流量预测模型（ACS-BPNN）,通过优化BP神经网络的初始权值和阈值参数,以提高短时交通流量预测精度。仿真结果表明,该方法取得比较好的预测结果。     

大学计算机基础课程与专业应用结合的教学研究

阐述大学计算机基础课程教学与专业结合教学的可能性和必要性,提出具体的研究方向和内容,结合广东石油化工学院的实际工作,说明这种结合教学的效果,介绍此方法为其他基础课程与专业结合教学研究提供的辐射、示范作用。