一类弱支配集问题的近似算法

支配集问题和集合覆盖问题均是图论中的经典问题,尤其是集合覆盖问题,它的近似算法在许多其他问题中均有非常多的应用,如设施选址问题、服务器的安置问题等。本文研究了支配集问题和集合覆盖问题的关系,讨论了几个弱支配集问题和弱覆盖问题、弱集合覆盖问题等,给出完全支配集问题的近似比为Inn的近似算法,分析了弱完全支配集问题的不可近似比最小规模,讨论了集合击中问题和弱集合b-覆盖问题的最小规模,同时讨论了完全支配集问题、集合d-击中等问题的不可近似性。     

一种基于知识树构建问题链的课程教学设计方法

针对问题链式教学法在教学应用中提出问题目标性不强、问题间逻辑性不严密、问题覆盖面不全等现象,提出一种先建立课程知识树,再建立知识点问题,并将其串行化形成KT-PL问题链,以层次问题紧密衔接驱动课程的教学模式。文章具体阐述KT-PL问题链的概念及模型,介绍KT-PL问题链的构造方法,并基于思维导图构建KT-PL问题链实例,最后总结KT-PL问题链实施教学应注意的问题。     

项目调度中的测试问题集选取研究

为了更好测试和比较项目调度问题求解算法的性能,通常需要利用测试问题集对相关算法进行测试和比较。对现有测试问题集的研究进行综述,并重点介绍国际上常用的两套标准问题集（Patterson问题集和PSPLIB标准问题库）和两款用于生成问题集的软件（单项目调度问题集生成器RanGen和多项目调度问题集生成器RCMPSP）,最后,提出项目调度问题中选取问题集的一般流程以及构建问题集的一般方法,并通过实例说明该问题集选取方法的有效性及应用前景。     

用Excel制作试卷必须解决的几个问题

在利用Excel-VBA制作试卷时总会遇到一些无法绕开的问题,如考生信息统一性问题、试卷及标准答案的安全问题、计时问题、随机抽题问题、试卷密码问题、答案不惟一问题等。只要其中有一个问题不能合理解决,程序就不能正常使用。为此,对这些问题逐一进行了分析和探讨,并成功找出了解决途径,使利用Exce-VBA制作的试卷成功投入教学,收到了良好的教学效果。     

信息技术课堂中的问题教学——《2050年……》教学设计评析

问题教学法在实现创新教育目标方面的作用,越来越受到教育工作者的重视。但在教学实践中,我们往往忽视对问题情境、问题提出、问题解决的设计,导致问题教学停留在“教师问学生答”的浅层次。一线教师应该用什么样的策略,来实现问题教学效果的最优化呢？杨琳、钮学宏老师利用问题设计模板,优化教学问题设计,设计多种问题讨论的交流方式和形式,     

混合和声搜索算法求解基于学习效应的PFSP问题

置换流水线调度问题（Permutation Flow-shop Scheduling Problem,PFSP）作为流水线调度问题的子问题,实质是一个著名的组合优化问题,其已被证明了是NP完全问题中最困难的问题之一。带学习效应的PFSP问题是一种更符合实际问题的模型,为了更好地解决此问题,在此提出了一种混合遗传算法和粒子群算法的改进和声搜索算法。对CAR1问题及其学习型调度进行了仿真实验,结果表明所提算法的可行性和有效性。     

信赖域共轭梯度法求解二次规划逆问题

为了有效地求解二次规划逆问题,提出了一种求解其对偶问题的子问题的光滑化信赖域共轭梯度法。该方法采用增广拉格朗日法求解其对偶问题,引入光滑函数将对偶问题的子问题转换成连续的无约束优化问题,将信赖域法与共轭梯度法结合,设计出求解二次规划逆问题的算法流程。数值实验结果表明,该方法可行且有效,与牛顿法相比,更适合求解大规模问题。     

科学提问与深层次应用

提出一个问题往往比解决一个问题更为重要,因为解决一个问题也许是一个数学上或实验上的技巧问题。而提出新的问题、新的可能性,从新的角度看旧问题,却需要创造性的想像力,而且标志着科学的真正进步。——爱因斯坦     

一种新的层次化结构问题分类器

问题分类是自动问答系统中关键技术之一,而问题中的关键词语是问题分类的重要依据。本文主要探讨问题词和中心词在问题分类中所起的作用,提出一种基于问题词和中心词的层次化结构问题分类器。分类器首先利用问题词将句子集分为三类,然后对于每个类别分别建立相应的分类器,对于what型问题,本文构造了基于关联规则的中心词分类器。本文实现的层次化结构分类器在TREC 2007 QA问题集和UIUC数据集上精度分别达到了90.6%和84.0%,充分显示了问题词和中心词在问题分类中至关重要的作用。     

基于问题分解的多跳机器阅读理解模型

多跳机器阅读理解是自然语言处理领域最困难的任务之一,需要在多个段落之间进行推理。多跳机器阅读理解任务中的复杂问题一般由多个简单问题融合而成,可以通过分解复杂问题使模型更好地理解问题。因此,针对复杂多跳问题,提出了一种基于问题分解的多跳阅读理解模型。该模型首先将多跳问题分解为多个单跳问题,然后利用单跳阅读理解模型对其进行求解。将问题分解视作一个阅读理解任务：多跳问题是问题分解的上下文,而包含问题答案的证据段落则是问题。阅读理解任务捕捉了多跳问题和证据段落之间的交互语义信息,可以指导多跳问题中单跳问题的抽取。所提模型的BLEU值和Rouge-L值分别为71.48%和79.29%。实验结果表明,该模型对多跳机器阅读理解是有效的。