首页 | 官方网站   微博 | 高级检索  
文章检索
  按 检索   检索词:      
出版年份:   被引次数:   他引次数: 提示:输入*表示无穷大
  收费全文   92篇
  免费   0篇
  国内免费   1篇
工业技术   93篇
  2024年   1篇
  2020年   1篇
  2017年   3篇
  2014年   5篇
  2013年   14篇
  2012年   9篇
  2011年   4篇
  2010年   5篇
  2009年   5篇
  2008年   11篇
  2007年   4篇
  2006年   2篇
  2005年   6篇
  2004年   4篇
  2003年   1篇
  2002年   3篇
  2001年   4篇
  2000年   2篇
  1999年   2篇
  1998年   1篇
  1996年   1篇
  1995年   2篇
  1993年   1篇
  1992年   2篇
排序方式: 共有93条查询结果,搜索用时 625 毫秒
1.
Ninja 《电脑迷》2013,(2):51
自2010年人人字幕组开始翻译开放课程以来,开放课程在国内得到了广泛的传播,国内学习爱好者有幸目睹了国外一流大学精彩的上课内容。以网上"淘课"为标志的民间"充电"行动就此掀起,其影响力已辐射到世界各个角落。随着供应商和课程名目越来越多,想上大型网络公开课(MOOC)的人现在有了更多的选择,一批课程点评网站也应  相似文献   
2.
课程表问题是经典的组合优化问题,属于NP-hard问题.长期以来人们一直都在寻求快速高效的近似算法,以便在合理的计算时间内准确解决大规模课程安排问题,并提出许多有效且实用的启发式和元启发式算法.在此基础上提出了一种基于多个图染色启发式规则的模拟退火超启发式算法.在超启发式算法的框架中,用模拟退火算法作为高层搜索算法,多个图染色启发式规则为底层的构造算法.与现有的方法相比,该算法具有很好的通用性,可以很容易推广到考试时间表、会议安排.旅行商问题、背包问题等应用领域.实验表明,该算法是可行有效的,且无一例时间、空间冲突.  相似文献   
3.
混合算法在大学课程表问题中的应用研究   总被引:2,自引:0,他引:2  
大学课程袁问题是时间表问题之一,也是一个多因素的优化决策问题.文章提出的混合算法,基于动态规划的思想,对大学课程表问题进行分阶段求解,分别采用遗传算法分配时间,采用最佳适应算法分配场地.实验结果表明,这种方法既保证了课表的质量,又有利于工程上实现和扩展.  相似文献   
4.
课程表的自动生成是大学课程表编排中最复杂的一个环节,是一个典型的时间规划问题。针对这一问题。本文设计了一种全新的使用改进的D_时刻表的设计方法,提出一套大学课程表白动生成方法。该方法是以文献[5]中介绍的有效解决时间规划问题的D_时刻表算法为基础,并通过试验说明了该方法具有一定的可行性和有效性。  相似文献   
5.
Excel这款电子表格工具功能很强大,我们经常使用它来完成很多工作,做为教务工作者,经常需要编排课程表,手工制作,很多时候由于盯错科目、行列,导致编排出来的课程表错误百出,那何不使用Excel来帮自己完成呢!经试验发现只需简单的使用条件格式功能、COUNTIF函数等功能,就可以制作出具有自动统计课时数等功能的彩色课程表,让课程表中不同的学科  相似文献   
6.
分析大学课程时间表问题的特征,结合已有蚁群算法的求解策略,构建了新的问题求解模型,提出了一种基于蚁群算法和改进过程的求解算法,并在不同规模的问题实例上进行实验。结果表明,算法在目标函数解的质量上有明显改进。  相似文献   
7.
在移动互联网时代,有人在薄薄一张纸的课程表上激发出创业灵感,以大学里的课程表作为切入点,开发出一款基于"工具+社交"的移动互联网产品——"课程格子"。  相似文献   
8.
讲述Android手机应用开发实例.手机用户可通过查询,了解学校安排的课程信息,为师生提供了方便.  相似文献   
9.
喵喵 《电脑迷》2008,(8):16-17
笔者最近爱上了Vista华丽的外表和优秀的功能,尤其喜欢开机就能见到的Windows边栏。不过随着使用时间的增长,也发现了边栏的一些小缺点,比如天气预报基本上就不能显示天气,幻灯片放映也只能看到个不清不楚的小图……总之实用性大打折扣。可好好的边栏总不能放着不用吧,于是笔者花了几个晚上上网寻找,工夫不负有心人,终于觅得一系列专门用于Vista的边栏好工具,下面就让笔者一一道来。  相似文献   
10.
采用增强学习算法的排课模型   总被引:8,自引:0,他引:8  
时间表问题是典型的组合优化和不确定性调度问题。课表问题是时间表问题的一种形式,分析了排课问题的数学模型,并研究了用增强学习(Reinforcement Leaming)算法中的Q学习(Q-Leaming)算法和神经网络技术结合解决大学课表编排问题,给出了一个基于该算法的排课模型,并对其排课效果进行了分析和探讨。  相似文献   
设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司    京ICP备09084417号-23

京公网安备 11010802026262号