精华内容
下载资源
问答
  • 每节课教学目标的准确表述,可以充分发挥教学目标在教学活动中的指向、评估和激励作用。表述教学目标时一般要慎重考虑以下四个因素。 1.行为主体。根据新课程的有关理念,在编写教学目标时,无论是一般的行为目标...

     教学目标应规定学生在教学活动结束后能表现出什么样的学业行为,并限定学生学习过程中知识、技能的获得和情感态度发展的层次、范围、方式及变化效果的量度。对每节课教学目标的准确表述,可以充分发挥教学目标在教学活动中的指向、评估和激励作用。表述教学目标时一般要慎重考虑以下四个因素。

        1.行为主体。根据新课程的有关理念,在编写教学目标时,无论是一般的行为目标或是具体的行为目标,在描写时都应写成学生的学习行为而不是教师的教学行为,一般不用来描述教师的教学程序或活动的安排,如“使学生……”“让学生……”“提高学生……”及“培养学生……”等描述,而用“能认出……”“能解释……”“能设计……”“能写出……”“对……作出评价”或“根据……对……进行分析”等描述,要清楚地表明达成目标的行为主体是学生。

      2.行为动词。根据《生物课程标准》的要求,教学具体目标应采用可观察、可操作、可检验的行为动词来描述。而传统应用的“了解”“掌握”“知道”“熟悉”等几个笼统、含糊的,难以观察到的,仅表示内部心理过程的动词,往往难以测量,无法检验。而“认出”“说出”“描述”“解释”“说明”“分析”“评价”“模仿”“参与”“讨论”“交流”“认同”“拒绝”等词则是意义明确、易于观察、便于检验的行为动词。《生物课程标准》第44页在“学习目标的说明”中列出了一些常用的知识性目标动词、技能性目标动词及情感性目标动词,可作为生物教师备课时的参考。

     3.行为条件。有时需要表明学生在什么情况下或什么范围内完成指定的学习活动,如“用所给的材料探究……”“通过合作学习小组的讨论,制定……”“通过自行设计小实验,体验……”等。

      4.表现程度。指学生对目标所达到的表现水准,用以测量学生学习的结果所达到的程度。如“能准确无误地说出……”“详细地写出……”“客观正确地评价……”等表述中的状语部分,便是限定了目标水平的表现程度,以便检测。

    上述教学目标表述包括的“四要素”是由行为观的代表马杰(R.F.Mager)提出的“三要素”发展来的,又称为ABCD表述法。它们的含义是:A即“行为主体”(audience),意为学习者,就是目标表述句中的主语。B即“行为”(behaviour),即学习者应做什么,目标表述句中的谓语和宾语。C即“条件”(conditions),意为上述行为在什么条件下产生。D即“程度”(degree),即上述行为的标准。例如,一个运用ABCD方法表述的教学目标例句:“通过学习昆虫的形态特点后,学生能以90%的准确度,从书上的图中辨认出哪些是昆虫。”其中,行为主体是“学生”,行为是“辨认昆虫”,条件是“在本课课本的图中”,标准是“达到90%的准确度”。

     
     
    关于《怎样用ABCD法编写教学目标?》材料
     

    怎样用ABCD法编写教学目标?
    这种方法包含了四个要素:教学对象、行为、条件和标准。
    ⑴ 教学对象
    学习目标是针对学生的行为而写的,所以描述学习目标时应指明特定的教学对象。有时候如果教学对象已经明确了,就可以从目标中省去这个要素。
    ⑵ 行为
    行为是学习目标中必不可少的要素,它表明学生经过学习以后能做什么和应该达到的能力水平,这样教师才能从学生的行为变化中了解到学习目标是否已经实现了。一般情况下,我们使用一个动宾结构的短语来描述行为,其中动词是一个行为动词,它表明了学习的类型,而宾语则说明某一学科的具体学习内容。
    针对不同的学习领域及不同层次的学习目标,有一些可供教师参考选用的动词。比如,在编写认知学习领域的目标时,可以选用下面的动词:
    ① 知识:说出……名称、列举、选择、背诵、辩认、回忆、描述、指出、说明等;
    ② 领会:分类、叙述、解释、选择、区别、归纳、举例说明、改写等;
    ③ 应用:运用、计算、改变、解释、解答、说明、证明、利用、列举等;
    ④ 分析:分类、比较、对照、区别、检查、指出、评论、猜测、举例说明、图示、计算等;
    ⑤ 综合:编写、设计、提出、排列、组合、建立、形成、重写、归纳、总结等;
    ⑥ 评价:鉴别、讨论、选择、对比、比较、评价、判断、总结、证明等。
    而在编写情感学习领域的目标时,则可以选用下面这些动词:
    ① 注意:知道、看出、注意、选择、接受等;
    ② 反应:陈述、回答、完成、选择、列举、遵守、称赞、表现、帮助等;
    ③ 价值判断:接受、承认、参加、完成、决定、影响、区别、解释、评价等;
    ④ 组织:讨论、组织、判断、确定、选择、比较、定义、权衡、系统阐述、决定等;
    ⑤ 价值体系个性化:改变、接受、判断、拒绝、相信、解决、要求、抵制等。
    编写行为的具体方法是:首先根据前面讲过的学习目标分类方法,结合学科内容分成不同类别的学习目标,然后从上面提供的动词中选择出合适的行为动词,最后再把学科内容作为动宾结构中的宾语就可以了。例如:
    学习内容是“解释物体的热胀冷缩现象”,要求学生能够举出一两个例子,说明人们在生活中怎样预防热胀冷缩现象带来的损害。这是一个认知学习领域的目标,其目标层次是应用,所以应该从“应用”一行中查找动词,比如使用“列举”这个词,这样“行为”就可以被描写成“列举生活中的一至两个例子,说明人们怎样预防热胀冷缩现象带来的损害。”
    ⑶ 条件
    这个要素说明了上述行为是在什么样的条件下产生的,所以在评价学生的学习结果时,也应以这个条件来衡量。
    条件一般包括下列因素:环境、设备、时间、信息以及同学或老师等有关人的因素。比如,“在30秒内完成10个仰卧起坐。”就规定了完成仰卧起坐的具体时间;再比如,“查字典,翻译下面的英语短文。”就考虑了信息方面的因素。
    ⑷ 标准
    这个要素表明了行为合格的最低要求,教师可以用它不定期衡量学生的行为是否合格,学生也能够以此来检查自己的行为与学习目标之间是否还有差距。
    “在20分钟内,完成一篇看图写话练习。”这个标准表明了行为的速度;
    “在吹奏竖笛的考试中,如果出现两处以上的错误,就为不合格。”这个标准规定了行为的准确性。
    以上两个标准都采用了定量表示法,在这种方法中除了可以使用数字外,也可以采用百分比来表示。除此之外,标准还可以用定性的方法,或定量与定性相结合的方法来表示。
    标准是对每一个学生的行为质量的最起码的要求,它也从一个侧面反映了教师所要达到的教学效果。但是在编写学习目标时,一定要从学生的行为出发,而不能以教师的教学行为为标准。
    当我们把四个要素综合在一起的时候,就可以写出一个完整的学习目标了:
    “初中二年级上学期的学生(教学对象),能在5分钟内(条件),完成10道因式分解题(行为),准确率达95%(标准)。”
    其实采用ABCD法,并不意味着四个要素必须一应俱全。其中只有行为要素不能省略,而其他三个要素都可以根据具体情况适当省略。
    有时学习目标中的条件与标准是很难区分的,如上例中的“在5分钟内”既可以看成是表明时间限制的条件,又可以理解为表明行为速度的标准。遇到这种情况,我们可以不去细分它到底是条件还是标准,而是应该考虑学习目标是否能够用来指导教学及其评价。
       (附)怎样用内外结合的表述方法编写教学目标
        如果学生经过学习后能力的改变能反映到学生的行为中来,我们就可以观察到,用ABCD法描述是非常适合的;但有些变化却不能反映到行为中来,对于这一部分变化可以采用内外结合的表述方法来描述。

        用这种方法陈述的学习目标由两部分构成:

        第一部分为一般学习目标,用一个动词描述学生通过教学所产生的内部变化,如记忆、知觉、理解、创造、欣赏等;

        第二部分为具体学习目标,列出具体行为样例,即学生通过教学所产生的能反映内在心理变化的外显行为。

        例如,学习目标是培养学生关心班集体的态度。态度本身是无法观察的,但是通过列举一些学生的具体行为变化术可以反映出他们的态度是否已经改变,学习结果也就能够观察出来了。上面这个学习目标可以这样来描述:

        内部心理描述:

        具有关心班集体的态度。

        行为样例:

        认真做值日;

        主动做对班集体有益的事情;

        积极参加班集体组织的各项活动;

        在年级或全校的各项比赛中,积极为自己的班级争取好成绩。

        又如,学习目标是理解议论文写作中的类比法。就可以这样描述:

        内部心理描述:

        理解议论文写作中的类比法。

        行为样例:

        用自己的话解释运用类比的条件;

        在课文中找出运用类比法阐明论点的句子;

        对提供的含有类比法和喻证法的课文,能指出包含了类比法的句子

    转载于:https://www.cnblogs.com/realkate1/p/4912429.html

    展开全文
  • 论文研读-基于决策变量分析的大规模多目标进化算法 Multiobjective Evolutionary Algorithm Based on Decision Variable Analyses for Multiobjective Optimization Problems With Large-Scale Variables 觉得有用的...

    论文研读-基于决策变量分析的大规模多目标进化算法

    Multiobjective Evolutionary Algorithm Based on Decision Variable Analyses for Multiobjective Optimization Problems With Large-Scale Variables

    觉得有用的话,欢迎一起讨论相互学习~

    我的微博我的github我的B站

    论文研读系列文章

    论文研读-多目标自适应memetic算法

    论文研读-基于决策变量分析的大规模多目标进化算法

    论文研读-多目标优化中的多源选择迁移框架

    论文研读-基于决策变量聚类的大规模多目标优化进化算法

    论文研读-基于变量分类的动态多目标优化算法

    • 此篇文章为 X. Ma et al., "A Multiobjective Evolutionary Algorithm Based on Decision Variable Analyses for Multiobjective Optimization Problems With Large-Scale Variables," in IEEE Transactions on Evolutionary Computation, vol. 20, no. 2, pp. 275-298, April 2016, doi: 10.1109/TEVC.2015.2455812. 的论文学习笔记,只供学习使用,不作商业用途,侵权删除。并且本人学术功底有限如果有思路不正确的地方欢迎批评指正!

    Abstract

    • 最新的多目标进化算法(MOEA)将所有决策变量作为一个整体来处理(即所有决策变量不做区别,或者同时对所有维度的决策变量进行优化)以优化性能。受单目标优化领域中协作协同进化和链接学习方法的启发,将一个困难的高维问题分解为一组更易于解决的较简单和低维的子问题十分具有意义。但是,由于没有关于目标函数的先验知识,因此不清楚如何分解目标函数。此外,使用这样的分解方法来解决多目标优化问题(MOP)十分困难,因为它们的目标函数通常相互冲突。也就是说,仅仅改变决策变量将产生非支配的解决方案。本文提出了相互依赖变量分析和控制变量分析,以解决上述两个困难。因此,本文提出了一种基于决策变量分析(DVA)的MOEA。并使用控制变量分析用于识别目标函数之间的冲突。更具体地说,哪些变量影响生成的解的多样性,哪些变量在总体收敛中起重要作用。基于链接学习的方法,相互依赖变量分析将决策变量分解为一组低维子组件。实证研究表明,DVA可以提高大多数困难MOP的解决方案质量。

    关键词

    • Cooperative coevolution, decision variable analysis (DVA), interacting variables, multiobjective optimization, problem decomposition. 合作协同进化,决策变量分析 (DVA),交叉变量,多目标优化,问题分解。

    Introduction

    • 具有一次运行即可生成许多代表性近似解的优势,进化算法(EA)已广泛用于多目标优化问题(MOP)[1]。当前,最先进的多目标EA(MOEA)[2]-[4]更加注意保持目标空间中获得的解决方案的多样性,并将所有决策变量作为一个整体(即所有决策变量不做区别,或者同时对所有维度的决策变量进行优化)进行优化。由于MOP的复杂性和难度,简化一个较为困难的MOP的方法很有研究价值。影响优化问题复杂性和难度的主要因素是决策变量的数量[5]。受协作协同进化[6] – [9]和链接学习方法[10],[11]的启发,一种理想的方式是将具有高维变量的MOP的每个目标函数分解为许多更简单和低维的子函数。如果存在这种分解,则优化原始函数等于分别解决每个子函数。上述“分而治之”策略的主要困难是如何选择良好的分解方法,以使不同子函数之间的相互依赖性保持最小。尽管分解对协作协同进化和链接学习算法的性能具有重要影响,但是通常对于给定问题的隐藏结构了解不足,无法帮助算法设计者发现合适的分解。因此,有必要设计一种算法,该算法可以检测决策变量之间的相互作用以划分决策变量。为此,开发了相互依赖变量分析。
    • 使用在单目标优化问题(SOP)中提出的分而治之策略用于解决MOP并非易事,因为MOP的目标函数相互冲突。 目标函数之间的冲突在这里指的是通过更改决策变量来生成的无法比较的解决方案。 冲突意味着MOP的目标是找到一组Pareto最优解,而不是像SOP中那样找到单个最优解。 由于位置变量和混合变量[12]对生成的解的传播有影响,因此两种变量都被视为目标函数之间冲突的根源。
    • 基于上述决策变量的控制分析和两个变量之间的相互依赖分析,我们提出了基于决策变量分析的MOEA(MOEA / DVA)。 基于决策变量的控制分析,MOEA / DVA将复杂的MOP分解为一组更简单的子MOP。 基于两个变量之间的相互依赖性分析,决策变量被分解为几个低维子组件。 每个子MOP都会一个一个地独立优化子组件。 因此,与大多数优化了所有决策变量的MOEA相比,MOEA / DVA有望具有优势。
    • 论文主要贡献如下所示:
    1. 为了帮助读者理解变量相互依赖的概念,提供了两个必要条件。
    2. 为了学习目标函数之间的冲突,使用了位置变量和混合变量[12]的概念。 此外,基于位置变量和混合变量而不是权重向量,本文提供了一种新的分解方案,可将困难的MOP转换为一组更简单的子MOP。
    3. 在具有良好的相互作用变量理论基础的情况下,本文尝试将具有高维变量的困难MOP分解为一组具有低维子组件的简单子MOP。
    4. 本文证明了连续ZDT和DTLZ问题的目标函数是可分离的函数。对于2009年IEEE进化计算大会(CEC)竞赛的无约束多目标目标函数(UF)问题[13]证明了其两个决策变量之间的相互作用是稀疏的,并且集中在混合变量上。
    • 本文的其余部分安排如下。 第二部分介绍了有关多目标优化的定义和表示,变量链接,决策变量的控制属性,决策变量的链接学习技术以及基于学习链接的变量划分技术的几种相关背景。 第三节介绍了DVA和提出的算法MOEA / DVA。 第四节说明并分析了实验结果。 第五节总结了本文。

    相关工作

    • 本节介绍相关研究背景的两个方面。 一个是SOP(单目标优化问题)。 SOP的相关研究背景包括决策变量的可分离性和不可分离性,各种链接学习方法以及基于学习链接的决策变量的不同划分方法。 另一个是MOP(多目标优化问题)。 MOP的相关研究背景包括MOP的定义和符号,连续MOP的规律性[14]以及决策变量的控制性。

    可分离和不可分离决策变量

    • f(x)只有当每一个决策变量都能够被单独地进行优化才叫做可分离函数。

    • 定义1 表示可以通过逐一优化变量来解决可分离函数。 可分离性意味着每个变量都独立于任何其他变量。 关于可分离函数和不可分离函数的其他定义可以在[7]和[12]中找到。 球面函数sphere function,广义Rastrigin函数,广义Griewank函数和Ackley函数[15],[16]是可分离函数的代表。 基本上,可分离性函数意味着可以独立于任何其他变量来优化问题中涉及的决策变量,而不可分离性函数意味着至少两个决策变量之间存在相互作用interactions。

    • 变量依赖性是问题的重要方面,它们描述了问题的结构。如果预先知道问题的变量依赖性,则很容易将决策变量划分为几个子组件。因此,通过分别优化具有低维子组件的几个较简单的子问题来解决高维变量的难题是十分有益的。但是,问题的变量依赖性通常是事先未知的。此外,“相互依存变量”的定义不是唯一的。 Yu等[17]提出,当且仅当没有两个决策变量所携带的信息,关联子问题不能被优化时,两个决策变量相互作用。 Weise等[5]提出,如果改变一个决策变量对适应度的影响依赖于另一个决策变量的值,则两个决策变量会相互影响。与以上两个定性定义不同,本文使用以下相互依赖变量的定量定义。

    • 定义2 :

    • 定义2可以从Yang等人[7]提出的不可分函数的定义中得出。在这些“相互依赖变量”的不同定义中,我们选择“定义2”作为相互依赖变量的定义 因为该定义是 定量的 且易于使用。

    • 对于一个不可分的函数f(x),如果 任意两个不同的决策变量xi,xj相互作用,则称这个函数是完全不可分的 Schwefel’s function 2.22, generalized Griewank function, and Ackley’s function [15], [16] 是完全不可分的函数 这里我有一点不懂,上一段中说广义Griewank函数和Ackley函数是可分离的函数呀,为什么这里又表述为完全不可分的呢? . 在完全可分和完全不可分的函数之间,存在大量的部分可分函数[16],[19]. 如果最多k个决策变量x不独立,就说一个函数是k-不可分的。 通常,不可分程度越大,函数求解越难[5]。 实际的优化问题很可能由几个独立的模块组成[16],[19]。 这些问题大多都是部分可分离函数。 对于此类问题,有趣的一点是,具有高维决策变量的困难函数可以分解为具有低维子组件的几个简单子函数。 因此,部分可分离的函数在优化[20]和进化计算[16],[21]领域引起了很多关注。

    决策变量的内部依赖检测技术

    • 对于具有模块化特征的问题,如果算法能够学习问题结构并相应地分解函数,则解决问题的难度将迅速降低[22]。 因此,降低问题难度的关键问题是检测变量交叉。根据Yu[17]和Omidvar[21]等人的建议,链接检测技术分为四大类:1)扰动; 2)交互适应; 3)建立模型; 和4)随机。
    1. 扰动:
    • 这些方法通过扰动决策变量来检测交互,并研究由于这种扰动而导致的适应性变化。 典型的扰动方法包括以下两个步骤。 第一步是扰动决策变量并检测决策变量之间的交互。 第二步是将具有高度相互依赖性的决策变量组合到同一子组件中以进行优化。 这类方法的示例包括:通过非线性检查(LINC)进行链接识别[23],通过对实值遗传算法(LINC-R)进行非线性检查进行链接识别[24],自适应协进化优化[25]以及与 变量交互学习[18]。 我们提出的相互依赖变量分析可以被认为是一种扰动方法。
    1. 交互适应:
    • 这些方法将相互依赖检测技术融入到单个编码中,同时解决了问题。 个体之间相互依赖的变量越紧密,其重组概率就越高。 典型的例子有连锁学习遗传算法[26]和连锁进化遗传算子[27]。
    1. 建模:
    • 模型构建方法的经典框架包括五个步骤:a)随机初始化进化种群; b)选择一些有希望的解决方案; c)基于那些选定的有希望的解建立模型; d)从学习模型中采样新的试用解; e)重复步骤b)-e),直到满足停止标准为止。 典型代表包括分布算法(EDA)的估计[28],紧凑型遗传算法[29],贝叶斯优化算法(BOA)[30]和依赖结构矩阵(DSM)驱动的遗传算法[17]。
    1. 随机方法:
    • 与上述三种方法不同,这些方法没有使用智能过程来检测决策变量之间的交互性[7],[21]。 他们随机排列变量以提高将相交互的变量放入相同子组件的可能性[7]。

    基于学习链接的分类技术

    • 注意:这是背景介绍,但不全是本文提出的工作
    • 在本节中,我们介绍两种决策变量的划分方法。 第一个是将具有交互作用的决策变量划分为相同的子组件[21]。 这种划分技术对于模块化的问题是有效的。 然而,这种划分技术对于重叠和层次结构问题可能不是最好的[17]。 第二个是基于DSM聚类技术[17]划分变量。 DSM是由两个决策变量之间的相互作用构建的矩阵。 DSM聚类技术在产品设计和开发的体系结构改进中很流行。DSM聚类的目标是在同一簇内保持最大的交互,而簇间保持最小的交互。
      图2给出了DSM聚类的实例。

    • 为了在聚类布置的准确性和复杂性之间做出权衡,Yu等人。 [31]提出了一种基于最小描述长度(MDL)的度量,描述为

    多目标优化

    连续多目标优化的规律性

    • 对于大部分ZDT[34],DTLZ[35],UF[13]多目标优化测试集来说, PS分布的维度是(M-1)维,其中M是目标数量
    • 举个例子,对于一个双目标的50维度的问题来说,大多数情况下,第一维控制分布,而后49维都会控制收敛,最优种群中的后49维的每一个维度的最优值都只有一个,每个个体的后49维的每个维度都会收敛到各自定义的一个特定的最优点上,而第一维则会按照分布要求分散开来。–如果实在不太理解的话可以看看benchmark给的最优点,也就是优化的目标答案。

    决策变量的控制性

    • 除了可分离性以外,决策变量根据多目标优化中与适应度景观的关系还存在着控制性。下列类型的关系很有趣,因为我们可以使用它们来将解分为多样部分和收敛部分[12]。位置变量–单纯改变position位置变量的值只会使解变为非支配关系的解或者相等的解,对应着多目标优化的多样性,而如果单纯改变一个变量的值会引起支配关系的改变或者相等的值而从不会出现废纸配的关系,即只有支配关系或者相等,即解不是变好就是变坏,而不是多样性的改变,则称这个变量为distance距离变量,如果不是位置变量或者距离变量我们将其成为mix混合变量,而混合变量在本篇论文的算法中当做多样性变量进行处理。

    • 根据连续多目标优化的规律,ZDT,DTLZ,UF等多目标优化问题的位置变量和混合变量的总数是m-1,而距离变量的总数是n-m+1

    提出的算法MOEA/DVA

    控制变量分析

    • 位置position变量控制多样,distance变量控制收敛,具体控制变量分析方法如算法1所示:
    • 使用UF测试用例来举例说明控制变量法来分类变量的思路
    • 当所提出的算法执行决策变量的控制分析时,所需目标函数评估的次数为n×NCA,其中NCA为采样解的数量。 基于算法1的大量样本,表I总结了现有基准MOP的控制特性分析,例如连续ZDT,DTLZ,UF1-UF10和三目标WFG问题。 在此表中,三目标WFG问题的n = 24个变量,与位置position相关的变量数k = 4。

    两个决策变量之间的相互依赖分析

    • 如第II-A节所述,存在有关交互变量的不同定义。 在本文中,定义2用于分析两个决策变量之间的相互依赖关系。

    两个变量相互依赖的必要条件

    • 既然是必要条件,即说明是如果两个变量相互依赖,那么即会出现的性质,出现这种性质不能推导出两个变量相互依赖。但是如果这种性质或者条件不满足,则两个变量绝对不是相互依赖的。

    必要条件1

    • 偏导依赖

    必要条件2

    学习变量之间的交互

    • 实际上,决策变量之间的相互作用可以用来将一个困难的函数分解为具有低维子组件的一组子函数[21]。 手冢等[24]使用公式(5)以不用推导就能学习演化过程中两个决策变量之间的相互作用。 对于可加分离函数,Omidvar等[21]给出了使用公式(5)识别相互作用的决策变量的理论推导。 然而,公式(5)是识别连续微分函数中两个决策变量相互作用的必要条件,但不是充分条件,如第III-B1节所述。
    • 本文中使用定义二来学习两个决策变量之间的交互关系,算法2给出了实现细节,图5-7展示了ZDT1,DTLZ1,UF1 和UF8以及五个WFG问题的两个决策变量之间的交互关系

    • 这些问题有两个突出的特点。 一个是在ZDT1,DTLZ1,WFG1和WFG4-WFG5问题的各个函数中不存在变量交互作用。 另一个是稀疏变量交互作用集中于UF1和UF8问题的m-1个决策变量,其中m是在(3)中定义的目标函数的数量。 通常,根据定义2,对于大多数基准测试问题(包括连续的ZDT,DTLZ,UF和WFG问题),存在稀疏变量交互。 此外,在大多数连续ZDT和DTLZ问题中都是可分离的函数。
    • 当对两个变量之间的相互作用进行一种判断时,所提出的算法需要在三个点上评估目标函数的值。 因此,相互依赖性分析所需的目标函数评估数为(3/2)n(n-1)* NIA,其中m为目标函数数,n为MOP(3)中定义的决策变量数, NIA是判断两个变量之间的相互作用所需的最大尝试次数。 NIA越大,两个变量之间相互作用的判断将越精确。
    • 至于为什么是三个点,下图可以解释

    根据变量链接对距离变量进行分类(MOP根据变量链接的最大连接子图)

    • 具体分类方式参考算法3
    • 距离变量对收敛有影响,位置变量对多样性有影响,距离变量是MOP重点优化的难题,而位置变量是主要矛盾所在。在优化早期,我们的策略是先维持多样性的位置变量不动而只优化距离变量。
    • 和单目标优化不同,MOP需要同时优化所有目标函数,因此需要在所有目标函数上对决策变量进行分类。我们将每个目标函数中的变量链接合成为一张变量链接图。 图8提出了一个三目标问题,以说明基于最大连通子图划分变量的过程。

    • 注意,这些都是对收敛性的决策变量进行的工作,对于多样性的决策变量在算法早期保持不变
    • 注意:在某些算法中会为了使subcomponents更小而打断一些链接,但是本算法暂时没有考虑这个问题,因为我们不清楚如果打断一个链接对算法最终的影响会是如何。EDA也许是一个比较好的期望能解决这个问题的算法。

    提出的MOEA/DVA的框架

    • 提出的MOEA/DVA的流程图如图9所示,
    1. 决策变量分析:有两种决策变量分析 控制性分析和交互分析 控制性分析将决策变量分为收敛性变量和多样性变量,交互分析用于将收敛性变量使用变量链接进行分组。
    2. 距离变量分类:收敛性变量也被称为距离变量,将高维转化为若干个低维子组件。
    3. 基于多样性变量的MOP分解:一个MOP被分解为一组具有不同变量(位置变量和混合变量)值均匀分布的子MOP。
    4. 子组件优化:对每个子组件独立优化以提升收敛速度。
    5. 分布性优化:优化所有决策变量,包括位置变量和混合变量。 其目的是提高目标空间中种群的分布性。
    • 与基于权重向量的MOEA/D [2]分解和基于偏好方向的MOEA/D-M2M [36]分解不同,本文使用各种变量(位置变量和混合变量)分解困难的MOP(3)分成一组更简单的变量分布均匀的子MOP。表II中列出了子MOP,子问题和多目标子问题之间的差异。每个子MOP是一个多目标优化问题,由原始MOP(3)定义,并具有不同变量的固定值。以带有三个决策变量的UF1问题为例来说明sub-MOP的概念。根据III-A部分的控制分析,UF1问题的x1是一个混合变量,x2和x3是距离变量。原始MOP绘制在图10(左)上,而图10(右)显示了具有恒定变量x1 = 0.25的子MOP。子MOP的主要特征是它仅具有距离变量,而没有多样性变量(位置变量和混合变量)。

    • 进化种群的结构如图11所示,其中N是种群大小。在本文中,MOEA / DVA优化了单个进化种群,所有子组件共享相同的种群。种群中的每个体都代表一个MOP。在此图中,我们假设x1和x2是多样化变量(位置变量或混合变量),而x3,x4,…。 。 。 ,x8是距离变量。距离变量分为三个独立的子分量{x3},{x4,x5,x6}和{x7,x8}。在算法优化早期,固定位置变量,只优化距离变量。sub-MOP的特征之一是多样性变量的值在演化的早期是固定的。因此,种群中多样性变量的分布对获得的解的分布具有重要影响。为了保证进化种群的多样性,均匀采样方法[37]被用来初始化种群多样性变量的值。

    • 表III列出了多样性变量的分解与距离变量的分解之间的差异。 基于学习到的变量链接,MOEA / DVA通过算法3将距离变量分解为一组低维子组件。算法4提供了MOEA / DVA的详细信息。 在MOEA / DVA中,这两个分解共同解决了MOP。 MOEA / DVA首先通过具有均匀分布的多样性变量将困难的MOP分解为多个更简单的子MOP。 然后,每个子MOP在发展的早期阶段都逐一优化子组件。

    • 算法4的第5行对距离变量进行分组。 算法4的第9-12行类似于协作协同进化框架[7],[21]。 算法4的第11行执行下一段介绍的子组件优化。 为简单起见,我们为MOEA / DVA中的每个子组件分配相同的计算资源。 也可以根据不同的子组件的近期性能为它们分配不同的计算资源[38]。

    • 对于子组件优化,我们在MOEA/D [2]中使用进化算子。由于每个目标函数fi(x,i = 1,…,m)是连续的,因此相邻子MOP的最优解应该彼此接近。因此,有关其相邻子MOP的任何信息将有助于优化当前子MOP [2]。这些子MOP之间的邻域关系是基于其各个变量之间的欧几里得距离定义的。如果第i个子MOP的多样性变量接近第j个子MOP的多样性变量,则第i个子MOP是第j个子MOP的邻居。算法5提供了子组件优化的详细信息。在第3步中,由于在发展的早期阶段每个子MOP的多样性变量值是固定的,因此MOEA / DVA仅使用第i个MOP的后代来更新第i个MOP的当前解。为简单起见,算法5在发展的早期阶段为MOEA / DVA中的每个单独/子MOP分配了相同的计算资源。结论中将讨论更智能的MOEA / DVA版本。

    • 最后,我们在算法4的第17行中介绍了在MOEA / DVA中进行均匀性优化的必要性。如上所述,MOEA / DVA首先将MOP分解为具有均匀分布的多样性变量的子MOP集合,并且逐个优化每个子MOP。 通过在演化的早期为多样性变量赋予统一固定值,MOEA / DVA可以在决策变量上通过均匀的多样性变量保持种群的多样性。 因此,MOEA / DVA找到的解决方案的分布高度依赖于问题从PS到PF的映射。

    • 通过算法的效用评价算法的阶段–先固定多样性只对收敛性变量进行优化,然后当达到效用阈值,对所有变量进行优化

    • 为了解决这一问题,利用MOEA/D对所有的决策变量进行演化,包括演化后期的多样性变量( if 效用 < 阈值 )。其目的是为了提高种群在目标空间中的均匀性。因此,MOEA/DVA的思想是逐个优化子组件,使进化种群在进化的早期阶段( if 效用 ≥ 阈值 )具有良好的收敛性。在进化后期,MOEA/DVA对包括不同变量在内的所有决策变量进行优化,使进化种群在目标空间中具有良好的均匀性。子组件优化的效用在算法6中计算。

    参考文献

    [1] K. Deb, Multi-Objective Optimization Using Evolutionary Algorithms. New York, NY, USA: Wiley, 2001.
    [2] Q. Zhang and H. Li, “MOEA/D: A multi-objective evolutionary algorithm based on decomposition,” IEEE Trans. Evol. Comput., vol. 11, no. 6, pp. 712–731, Dec. 2007.
    [3] N. Beume, B. Naujoks, and M. Emmerich, “SMS-EMOA: Multiobjective selection based on dominated hypervolume,” Eur. J. Oper. Res., vol. 181, no. 3, pp. 1653–1669, 2007.
    [4] K. Deb and H. Jain, “An evolutionary many-objective optimization algorithm using reference-point based non-dominated sorting approach, part I: Solving problems with box constraints,” IEEE Trans. Evol. Comput., vol. 18, no. 4, pp. 577–601, Aug. 2014.
    [5] T. Weise, R. Chiong, and K. Tang, “Evolutionary optimization: Pitfalls and booby traps,” J. Comput. Sci. Technol., vol. 27, no. 5, pp. 907–936, 2012.
    [6] M. Potter and K. Jong, “A cooperative coevolutionary approach to function optimization,” in Proc. Int. Conf. Parallel Probl. Solv. Nat., vol. 2. Jerusalem, Israel, 1994, pp. 249–257.
    [7] Z. Yang, K. Tang, and X. Yao, “Large scale evolutionary optimization using cooperative coevolution,” Inf. Sci., vol. 178, no. 15, pp. 2985–2999, 2008.
    [8] X. Li and X. Yao, “Cooperatively coevolving particle swarms for large scale optimization,” IEEE Trans. Evol. Comput., vol. 16, no. 2, pp. 210–224, Apr. 2012.
    [9] Y. Mei, X. Li, and X. Yao, “Cooperative co-evolution with route distance grouping for large-scale capacitated arc routing problems,” IEEE Trans. Evol. Comput., vol. 18, no. 3, pp. 435–449, Jun. 2014.
    [10] D. Goldberg, Genetic Algorithms in Search, Optimization, and Machine Learning. Reading, MA, USA: Addison-Wesley, 1989.
    [11] Y. Chen, T. Yu, K. Sastry, and D. Goldberg, “A survey of linkage learning techniques in genetic and evolutionary algorithms,” Illinois Genet. Algorithms Libr., Univ. Illinois Urbana-Champaign, Urbana, IL, USA, Tech. Rep. 2007014, 2007.
    [12] S. Huband, P. Hingston, L. Barone, and L. While, “A review of multiobjective test problems and a scalable test problem toolkit,” IEEE Trans. Evol. Comput., vol. 10, no. 5, pp. 477–506, Oct. 2006.
    [13] Q. Zhang et al., “Multiobjective optimization test instances for the CEC 2009 special session and competition,” School Comput. Sci. Electr. Eng., Univ. Essex, Colchester, U.K., Tech. Rep. CES-887, 2008.
    [14] Q. Zhang, A. Zhou, and Y. Jin, “RM-MEDA: A regularity model-based multiobjective estimation of distribution algorithm,” IEEE Trans. Evol. Comput., vol. 12, no. 1, pp. 41–63, Feb. 2008.
    [15] L. Jiao, Y. Li, M. Gong, and X. Zhang, “Quantum-inspired immune clonal algorithm for global optimization,” IEEE Trans. Syst., Man, Cybern. B, Cybern., vol. 38, no. 5, pp. 1234–1253, Oct. 2008.
    [16] K. Tang, X. Li, P. Suganthan, Z. Yang, and T. Weise, “Benchmark functions for the CEC’2010 special session and competition on large-scale global optimization,” Nat. Inspir. Comput. Appl. Lab., Univ. Sci. Technol. China, Hefei, China, Tech. Rep. 2010001, 2010.
    [17] T. Yu, D. Goldberg, K. Sastry, C. Lima, and M. Pelikan, “Dependency structure matrix, genetic algorithms, and effective recombination,” Evol. Comput., vol. 17, no. 4, pp. 595–626, 2009.
    [18] W. Chen, T. Weise, Z. Yang, and K. Tang, “Large-scale global optimization using cooperative coevolution with variable interaction learning,” in Proc. Conf. Parallel Probl. Solv. Nat., Kraków, Poland, 2010, pp. 300–309.
    [19] P. Toint, “Test problems for partially separable optimization and results for the routine PSPMIN,” Dept. Math., Univ. Namur, Namur, Belgium, Tech. Rep. 83/4, 1983.
    [20] B. Colson and P. Toint, “Optimizing partially separable functions without derivatives,” Optim. Methods Softw., vol. 20, nos. 4–5, pp. 493–508, 2005.
    [21] M. Omidvar, X. Li, Y. Mei, and X. Yao, “Cooperative co-evolution with differential grouping for large scale optimization,” IEEE Trans. Evol. Comput., vol. 18, no. 3, pp. 378–393, Jun. 2014.
    [22] D. Thierens and D. Goldberg, “Mixing in genetic algorithms,” in Proc. 5th Int. Conf. Genet. Algorithms, Urbana, IL, USA, 1993, pp. 38–45.
    [23] M. Munetomo and D. Goldberg, “Identifying linkage groups by nonlinearity/ nonmonotonicity detection,” in Proc. Genet. Evol. Comput. Conf., vol. 1. Orlando, FL, USA, 1999, pp. 433–440.
    [24] M. Tezuka, M. Munetomo, and K. Akama, “Linkage identification by nonlinearity check for real-coded genetic algorithms,” in Proc. Genet. Evol. Comput. Conf., Seattle, WA, USA, 2004, pp. 222–233.
    [25] K. Weicker and N. Weicker, “On the improvement of coevolutionary optimizers by learning variable interdependencies,” in Proc. IEEE Congr. Evol. Comput., Washington, DC, USA, 1999, pp. 1627–1632.
    [26] Y. Chen, “Extending the scalability of linkage learning genetic algorithms: Theory and practice,” Ph.D. dissertation, Dept. Comput. Sci., Univ. Illinois Urbana-Champaign, Urbana, IL, USA, 2004.
    [27] J. E. Smith, “Self adaptation in evolutionary algorithms,” Ph.D. dissertation, Dept. Comput. Sci., Univ. West England, Bristol, U.K., 1998.
    [28] Q. Zhang and H. Muehlenbein, “On the convergence of a class of estimation of distribution algorithms,” IEEE Trans. Evol. Comput., vol. 8, no. 2, pp. 127–136, Apr. 2004.
    [29] G. R. Harik, F. G. Lobo, and D. E. Goldberg, “The compact genetic algorithm,” IEEE Trans. Evol. Comput., vol. 3, no. 4, pp. 287–297, Nov. 1999.
    [30] M. Pelikan and D. Goldberg, “BOA: The Bayesian optimization algorithm,” in Proc. Genet. Evol. Comput. Conf., Orlando, FL, USA, 1999, pp. 525–532.
    [31] T. Yu, A. Yassine, and D. Goldberg, “A genetic algorithm for developing modular product architectures,” in Proc. ASME Int. Design Eng. Tech. Conf., Chicago, IL, USA, 2003, pp. 515–524.
    [32] K. Miettinen, Nonlinear Multiobjective Optimization. Boston, MA, USA: Kluwer Academic, 1999.
    [33] C. Hillermeier, Nonlinear Multiobjective Optimization—A Generalized Homotopy Approach. Boston, MA, USA: Birkhauser, 2001.
    [34] E. Zitzler, K. Deb, and L. Thiele, “Comparison of multiobjective evolutionary algorithms: Empirical results,” Evol. Comput., vol. 8, no. 2, pp. 173–195, 2000.
    [35] K. Deb, L. Thiele, M. Laumanns, and E. Zitzler, “Scalable multiobjective optimization test problems,” in Proc. Congr. Evol. Comput., Honolulu, HI, USA, 2002, pp. 825–830.
    [36] H. Liu, F. Gu, and Q. Zhang, “Decomposition of a multiobjective optimization problem into a number of simple multiobjective subproblems,” IEEE Trans. Evol. Comput., vol. 18, no. 3, pp. 450–455, Jun. 2014.
    [37] K. Fang and D. Lin, “Uniform designs and their application in industry,” in Handbook on Statistics in Industry, vol. 22. Amsterdam, The Netherlands: Elsevier, 2003, pp. 131–170.
    [38] M. Omidvar, X. Li, and X. Yao, “Smart use of computational resources based on contribution for cooperative co-evolutionary algorithms,” in Proc. Genet. Evol. Comput. Conf., Dublin, Ireland, 2011, pp. 1115–1122.
    [39] R. Storn and K. Price, “Differential evolution—A simple and efficient heuristic for global optimization over continuous spaces,” J. Global Optim., vol. 11, no. 4, pp. 341–359, 1997.
    [40] K. Deb, S. Agrawal, A. Pratap, and T. Meyarivan, “A fast and elitist multiobjective genetic algorithm: NSGA-II,” IEEE Trans. Evol. Comput., vol. 6, no. 2, pp. 182–197, Apr. 2002.
    [41] L. Tseng and C. Chen, “Multiple trajectory search for unconstrained/ constrained multi-objective optimization,” in Proc. IEEE Congr. Evol. Comput., Trondheim, Norway, 2009, pp. 1951–1958.
    [42] P. Bosman and D. Thierens, “The naive MIDEA: A baseline multi-objective EA,” in Proc. Evol. Multi-Criterion Optim. (EMO), Guanajuato, Mexico, 2005, pp. 428–442.
    [43] C. Ahn, “Advances in evolutionary algorithms,” in Theory, Design and Practice. Berlin, Germany: Springer, 2006.
    [44] Q. Zhang, W. Liu, and H. Li, “The performance of a new version of MOEA/D on CEC09 unconstrained MOP test instances,” School Comput. Sci. Electr. Eng., Univ. Essex, Colchester, U.K., Tech. Rep. 20091, 2009.
    [45] M. Liu, X. Zou, Y. Chen, and Z. Wu, “Performance assessment of DMOEA-DD with CEC 2009 MOEA competition test instances,” in Proc. IEEE Congr. Evol. Comput., Trondheim, Norway, 2009, pp. 2913–2918.
    [46] E. Zitzler, L. Thiele, M. Laumanns, C. Fonseca, and V. Fonseca, “Performance assessment of multiobjective optimizers: An analysis and review,” IEEE Trans. Evol. Comput., vol. 7, no. 2, pp. 117–132, Apr. 2003.
    [47] J. Derrac, S. Garca, D. Molina, and F. Herrera, “A practical tutorial on the use of nonparametric statistical tests as a methodology for comparing evolutionary and swarm intelligence algorithms,” Swarm Evol. Comput., vol. 1, no. 1, pp. 3–18, 2011.
    [48] J. Durillo et al., “A study of multiobjective metaheuristics when solving parameter scalable problems,” IEEE Trans. Evol. Comput., vol. 14, no. 4, pp. 618–635, Aug. 2010.
    [49] L. Marti, J. Garcia, A. Berlanga, and J. Molina, “Introducing MONEDA: Scalable multiobjective optimization with a neural estimation of distribution algorithm,” in Proc. Genet. Evol. Comput. Conf. (GECCO), Atlanta, GA, USA, 2008, pp. 689–696.
    [50] L. Marti, J. Garcia, A. Berianga, and J. Molina, “Multi-objective optimization with an adaptive resonance theory-based estimation of distribution algorithm,” Ann. Math. Artif. Intell., vol. 68, no. 4, pp. 247–273, 2013.

    展开全文
  • 《基于动态多重网络的目标体系建模与分析》文中所提到的观点进行研究、分析、解释、提炼,有助于学习与研究。 2、动态多重网络建模 2.1 多重 多重即网络间的依赖关系,本文主要描述网络间的反馈关系。 如下图所示...

    对“动态多重网络”建模与目标选择方法的介绍

    1、背景

    对《基于动态多重网络的目标体系建模与分析》文中所提到的观点进行研究、分析、解释、提炼,有助于学习与研究。

    2、动态多重网络建模

    2.1 多重

    多重即网络间的依赖关系,本文主要描述网络间的反馈关系。
    如下图所示,左侧a1到a5为网络a中的结点,右侧b1到b5为网络b中的结点,网络中的线段为依赖关系的表述,例:a1指向b1意思为b1依赖a1结点。
    依赖关系可分为“或”、“与”、“混合型”三种关系。

    “或”:若b1结点依赖两个结点,仅一个结点失效时,则b1结点也随即失效。
    “与”:若b1结点依赖两个结点,且两个结点均失效时,则b1结点才随即失效。
    “混合型”:网络中存在以上两种情况的结点。

    在这里插入图片描述

    上图中描述了节点 a1失效后, 双层网络 G(2) 中节点失效在网间反馈传递的过程: 网络 Gα中节点 a1失效后通过耦合边 (a1, b1) 传递至 Gβ网络中的节点 b1, 进而通过耦合边 (b1, a2) 传递至节点 a2, 继而经过 Stage0-Stage4 等步骤完成失效在网络 Gα与 Gβ中的交替传递, 并形成失效反馈路径: a1→ b1→ a2→ b3→ a5。

    2.2 动态

    动态主要指的是网络的恢复机制,主要有以下三种恢复机制。
    备份: 当目标单元 (系统) 点毁伤后, 备份目标单元 (系统) 从等待状态转为运行状态, 弥补功能节点毁伤造成的体系效能降低。
    修复: 当目标单元 (系统) 毁伤后, 由自身或者其他目标单元 (系统) 对毁伤节点进行修复。
    接替: 当目标单元 (系统) 毁伤后, 其功能由接替目标单元 (系统) 所替代. 接替目标单元 (系统) 本身是已运行状态, 在执行原有任务的基础上又增加运行了毁伤目标单元 (系统) 的任务。
    在这里插入图片描述

    3、基于该网络的目标选择

    目前选择的主要流程如下图所示。

    目标体系建模依据:网络结构、网间依赖关系(多重)、动态恢复机制。
    目标选择评价标准:有效性、可行性、费效比。

    采用多重网络结构建模方法对目标体系进行建模, 同时在模型中反映多重网络网间依赖关系; 在目标分析时, 考虑动态恢复机制等体系响应, 以刻画其动态性; 以此为基础对体系能力的下降进行评估, 通过迭代选择最佳目标集合。
    在这里插入图片描述

    这里是引用朱承, 江小平, 肖开明, 张维明. 基于动态多重网络的目标体系建模与分析 [J]. 指挥与控制学报, 2016, 2(4): 296−301
    DOI 10.3969/j.issn.2096-0204.2016.04.0296

    展开全文
  • UML学习手记(五):用例分析之“执行者-目标”列表和用例简述粟卫民http://www.gisdev.cn/ http://blog.csdn.net/suen/ 日期:2007-12-12保留所有版权。如需转载,请联系作者,并在醒目位置注明出处与“内/外”列表...

    UML学习手记(五):用例分析之“执行者-目标”列表和用例简述

    粟卫民http://www.gisdev.cn/ http://blog.csdn.net/suen/ 日期:2007-12-12

    保留所有版权。如需转载,请联系作者,并在醒目位置注明出处

    与“内/外”列表类似,“执行者-目标”列表也用于确定项目的功能范围。“执行者-目标”列表列举了系统支持的所有用户目标,展示了系统功能方面的内容。但“执行者-目标”列表与“内/外”列表又有着一定的差别:“内/外”列表既显示范围之内的东西也显示范围之外的东西;而“执行者-目标”列表只包含系统真正支持的服务。下表是《Writing Effective Use Cases》书中的一个例子,是“购买请求跟踪系统”的“执行者-目标”列表。

     

    执行者

    任务级目标

    优先级

    任何人

    检查请求

    1

    授权者

    改变权限

    2

    购买者

    改变卖主契约

    3

    请求者

    发起请求

    1

     

    改变请求

    1

     

    取消请求

    4

     

    做请求已被满足的标记

    4

     

    拒绝发送货物

    2

    认可者

    完成请求的提交

    2

    购买者

    完成订购请求

    1

     

    指定卖主后启动PO

    1

     

    未发货警告

    4

    授权者

    验证认可者签名的有效性

    3

    接收者

    注册发货

    1

     

    “执行者-目标”列表可以通过加入额外的列,如触发事件(trigger)、业务优先级(business priority)、开发复杂度(development complexity)和开发优先级(development priority)等进行扩展。如果加入“简述”列,则此扩展的“执行者-目标”列表又可称为“用例简述”。用例简述是对用例行为所作的一个包含26句话的描述,它仅提及了最重要的活动和失败情况。它提示读者用例中正在发生什么事情,对估计工作复杂度很有用。下表是一个用例简述的例子。


    执行者

    目标

     

    生产人员

    修改行政区格

    生产人员向参考数据库中加入行政区域元数据(行政等级、货币、语言代码、街道类型等)。源数据的联系信息被分类。这是更新参考数据的一个特殊情况

    生产人员

    准备数字绘图源数据

    生产人员在准备与操作数据库进行合并时,将外部的数字数据转换成一种标准格式,并对之进行验证和校正。数据被分类并存储到数字源库中。

    生产人员和实地工作人员

    将共享数据的更新事务提交给操作数据库

    工作人员将堆积的更新事务实施到操作数据库上。非冲突事务被提交给操作数据库。应用程序的语境与操作数据库是同步的。已提交的事务从应用程序语境中被删除掉,以保证操作数据库的一致性,冲突事务则通过手工方式或交互方式解决。

     

     
    展开全文
  • 这是作者的网络安全自学教程系列,主要是关于安全工具和实践操作的在线笔记,特分享出来与博友...本文将讲解HGZ木马控制服务器的过程,并进行恶意样本分析,结合签名两篇文章进行串讲。基础性文章,希望您有所帮助。
  • 需求分析和数据分析那些事。

    千次阅读 2020-05-11 19:42:50
    需求分析和数据分析有什么区别 1.概念不同   需求分析也称为软件需求分析、系统需求分析或需求分析...  数据分析是指用适当的统计分析方法收集来的大量数据进行分析,将它们加以汇总和理解并消化,以求最大化地开
  • 以卡尔曼滤波器为基础,其重新表述得到了贝叶斯滤波器。 2.1.1 要点概括 贝叶斯视角下,卡尔曼滤波器可以重新表述。卡尔曼方程实际上是贝叶斯规则的一个特例贝叶斯理论框架为理解卡尔曼本质及其成立条件或失效...
  • 如何制定人生目标和实现目标

    千次阅读 2017-01-11 22:54:56
    如何制定人生目标和实现目标 第一步:分析你的需求。你也许会问:这一步怎么做呢?不妨试试以下方法。开动脑筋,写下来10条未来5年你认为自己应做的事情,要确切,但不要有限制和顾虑那些是自己做不到的,给自己...
  • 潜在语义分析对认知科学的启示

    千次阅读 2009-11-03 21:09:00
    潜在语义分析技术认知科学以及虚拟现实系统的设计也具有启示: 首先,由于LSA可以用数学方法实现文本的理解,所以可采用LSA分析文本的理解。 认知领域中,文本理解研究的主要目标是发现影响读者由文本材料...
  • 如何进行软件需求分析

    万次阅读 2016-06-19 13:41:53
    1.概念 需求的定义包括从用户角度(系统的外部行为),以及从开发者角度(一些内部特性)来阐述需求。 关键的问题是一定要编写需求文档。我曾经目睹过一个项目...而实际上,需求并未编写成文档,因此新的分析
  • 产品需求分析

    千次阅读 2019-01-11 23:03:52
    在汇集分析之前,需求的产生来自各个方面,由不同的人产生想法并表述反馈给产品经理,因此产生需求,主要来自公司内部(老板、其他部门或同事)、产品经理自己(策划、挖掘)、外部(用户、客户、...
  • MATLAB2018B下用Faster-RCNN做目标检测的训练和测试步骤

    万次阅读 多人点赞 2019-03-06 22:05:24
    利用卷积神经网络图像进行分类,以及图像中目标进行识别定位成为比较前沿的技术。本文比较详尽的介绍了在MATLAB2018b环境下,利用Faster-RCNN图像进行迁移学习,从而使其能够在自己的数据集上识别目标。 ...
  • 常用数据分析方法总结

    千次阅读 2019-11-02 14:06:23
    描述统计是通过图表或数学方法,数据资料进行整理、分析,并数据的分布状态、数字特征和随机变量之间关系进行估计和描述的方法。描述统计分为集中趋势分析和离中趋势分析和相关分析三大部分。 1.集中趋势分析 ...
  • DexHunter的原理分析和使用说明(二)

    千次阅读 热门讨论 2016-12-18 22:10:24
    前面的博文《Android通用脱壳工具DexHunter的原理分析和使用说明(一)》中已经记录了很多关于DexHunter脱壳工具的脱壳原理和思考的思路问题并...分析、理解和DexHunter脱壳工具的使用以及需要注意的地方进行博文的记录...
  • 使用PowerDesigner进行面向对象分析与UML建模 作者:罗海 在开发最初,很多设计人员都难以熟练的运用工具来进行面向对象的分析与建模,甚至说不知选什么样的工具来做模型描述。 在使用工具之前,应该知道...
  • 背景 Gremlin是Apache TinkerPop框架下实现的图遍历语言,支持OLTP与OLAP,是目前...本文将讲述如何在HugeGraph图数据库上通过Gremlin来构建一张图,并进行一些基本的图分析。该图描述了TinkerPop框架、Gremlin语言...
  • 目标检测算法对比

    万次阅读 2018-04-14 21:49:58
    来自 ICCV 2015,可以说是利用深度学习进行目标检测的开山之作。作者Ross Girshick多次在PASCAL VOC的目标检测竞赛中折桂,2010年更带领团队获得终身成就奖,如今供职于Facebook旗下的FAIR。这篇文章思路简洁,在...
  • 运动目标检测(GMM、Code Book、Vibe)

    万次阅读 2017-01-11 17:49:53
    运动目标检测(前景背景分离)被认为是视频分析学习的入门基础,分为以像素为特征的方法和以纹理为特征的方法,以纹理为特征的方法主要参考上节所讲的LBP和SILTP,这里我们重点介绍像素方法,像素方法是最常用也是最...
  • Android wifi探究二:Wifi framework层源码分析

    千次阅读 多人点赞 2016-10-11 17:27:21
    上一篇博客初步认识了wpa_supplicant的作用和使用方法,并且尝试着梳理了wifi的大框架,不过,java层的框架我们忽略了,没有分析,也就是说上一篇博客非常肤浅的支出了wifi代码的结构,仅此而已,那么这篇博客,将...
  • 需求分析概述

    千次阅读 2004-02-29 13:22:00
    在具体的研究需求分析之前,我们先了解一下软件工程这个概念。软件工程分为三个层次,过程层、方法层、工具层。在最基础的过程层,最重要的就是一组被称为关键过程区域(KPAs)的框架(KPA的概念在讨论CMM的书中有...
  • 作者:Bihan Wen ...来源:知乎 著作权归作者所有。商业转载请联系作者获得授权,非商业...(1)目标分割,应该是Target Segmentation,应该是data/image segmentation的一种。这里假定数据是图像,就如楼上说的,任务是
  • LoadRunner:Controller及结果分析 一、性能测试概述 ...1、关于性能测试目标: ...性能测试不是达到既定目标...在脚本录制调试完成后,需要进行场景的设置,进而脚本进行压测,分析压测的结果。 性能测试场景:
  • 需求管理之需求分析的20条法则

    千次阅读 2016-02-29 13:13:28
     2、分析人员要了解客户的业务及目标 只有分析人员更好地了解客户的业务,才能使产品更好地满足需要。这将有助于开发人员设计出真正满足客户需要并达到期望的优秀软件。为帮助开发和分析人员,客户可以考虑邀请...
  • 贝叶斯分析

    千次阅读 2018-02-27 11:57:23
    贝叶斯统计首先谈概率,概率这件事大家都觉得自己很熟悉, 叫你说概率的定义 , 你却不一定说的出,我们中学课本里说概率这个东西表述是一件事发生的频率, 或者说这叫做客观概率。而贝叶斯框架下的概率理论确从另...
  • Faster R-CNN - 目标检测详解

    万次阅读 多人点赞 2018-02-11 15:51:42
    Faster R-CNN - 目标检测详解 [原文 - Faster R-CNN: Down the rabbit hole of modern object detection] 学习别人对于 Faster R-CNN 的理解,结合自己的理解,以掌握忽略的点. Object detection: an ...
  • 谷歌企业文化建设分析

    千次阅读 2017-12-05 17:09:35
    简要分析谷歌作为一家科技巨头的企业文化。
  • YOLO v3网络结构分析

    万次阅读 多人点赞 2018-07-26 12:07:09
    相信阅读了YOLO v3论文的小伙伴们会发现为什么这次的论文篇幅这么少?除去参考文献就四面?...于是在Github上搜了大牛们基于Tensorflow搭建的YOLOv3模型进行分析(本人只接触过TF,所以就不去看caffe的源码...
  • 需求分析

    千次阅读 2017-07-25 09:54:07
    需求分析也称为软件需求分析、系统需求分析或需求分析工程等,是开发人员经过深入细致的调研和分析,准确理解用户和项目的功能、性能、可靠性等具体要求,将用户非形式的需求表述转化为完整的需求定义,从而确定系统...
  • 在测试计划活动中,首先要确认测试目标、范围和需求,其中“测试需求分析”是关键任务,然后在测试需求基础上制定测试策略,并测试任务、时间、资源、成本和风险等进行估算或评估。 无论何时进行估算,我们都是在...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 41,830
精华内容 16,732
关键字:

对活动目标的表述进行分析