2022秋软工实践 第二次结对编程作业

这个作业属于哪个课程	fzusdn
这个作业要求在哪里	作业要求
这个作业的目标	生成指定条件数据集，实现效益最大的点名策略
学号	032004110
队友学号	032004119

---

commit记录

仓库（github）

一、背景分析

A.1、算法背景

栋哥对大家第一次结对编程作业的原型设计感到很满意，为了尽快让同学们使用上软件，于是栋哥花了一晚上时间开发了一个点名小程序。但是，在上线运行过后，发现了一些问题:
大多数老师习惯在每次上课后或下课前的一小段时间内进行点名。
如果采用全点的方式，在这段时间里，后端服务器需要处理大量的请求，拥塞导致响应速度变慢，给点名小程序带来极差的使用体验。
采用随机抽点的方式，能够有效减少并发量，但是无法保证点名的质量，难以有效抓出没有到教室的同学。
所以栋哥急需大家设计一个算法来解决这个问题，要求能够最小化后端发送的请求次数，最大化抓出缺勤同学的数量

A.2、具体要求

定义5门课程，每个课程班级人数为90人，一学期共20次课。每门课程均有5-8位同学缺席了该学期80%的课，此外每次课程均还有0-3位同学由于各种原因缺席。

B、实际背景

高校扩招，大学生逃课问题频发，理性逃课逐渐进入人们的视野。在功利主义风气的影响下，在逃课学生中，出现了一部分“逃课不逃学”的学生，他们基于对到课与逃课的理性分析，衡量逃课的成本和收益，在认为逃课成本小于收益时选择逃课（比如因兼职、做学生干部工作、考研、考证以及感觉逃课自主学习比到课听讲收获更大等逃课，而不因睡觉、玩耍、玩电脑游戏等逃课），我们称此为“理性逃课”。通过对文献的梳理及福建省3所高校的514份逃课样本及其中237份理性逃课样本进行分析发现：大学生逃课发生率很高；理性逃课占逃课近一半比例；理性逃课学生较一般逃课学生逃课次数少；逃课学生认为逃课对课程成绩影响很小；

根据调查研究目的编制了调查问卷，调查问卷分为两部分：第一部分是被调查学生的基本情况和对逃课的看法等；第二部分运用计划行为理论设计，采用李克特五分量表，分为行为态度、主观规范、感知行为控制和情境因素四部分。通过征询专家意见修改问卷后，进行小范围预调查，收到学生有效问卷28份，其中男生11份，女生17份，与被调查的福州大学、福建师范大学和福建农林大学等三所高校的学生性别比例大致相当。将28份问卷量表的数据输入SPSS 20.0中，对问卷量表进行信效度检验，通过计算，量表的Cronbach’s Alpha 值为0.882，十分接近0.9，各潜变量的信度值均超过0.7，表明量表具有较好的内部一致性。对量表进行效度检验得出，量表的KMO检验系数（Kaise-Meyer-Olkin Measure of Sampling Adequacy）为0.878，大于0.5；巴特利球形检验（Bartlett’s Test of Sphericity） χ2=3829.459，P

调查结果分析
1.逃课发生率很高
在758份有效问卷中，有逃课经历的共514份，即67.81%的大学生曾逃课，说明大学生逃课发生率很高，其现状不容乐观，值得引起重视。
2.理性逃课接近逃课比例一半
在514份有逃课经历的问卷中，根据理性逃课的定义，即问卷第11题“请问您逃课的原因是什么”，筛选出选择G选项“参与自习、做兼职、考证、学生干部工作等利于个人职业发展的事情”的学生问卷，对这些理性逃课学生的问卷样本进行更加深入分析发现，有逃课经历并选择G选项的样本共237份，逃课学生中46.11%是理性逃课，接近逃课比例一半，说明理性逃课学生比较多，也提示要正确理解、对待学生逃课，并对逃课分类治理。
3.理性逃课学生较一般逃课学生逃课次数少
福州大学、福建农林大学、福建师范大学学生一般逃课的比例分别为79.1%、63.0%、60.4%，表明三所高校的逃课现象不容乐观。值得关注的是，作为福建省重点建设的“211”高校――福州大学是三所高校中逃课率最高的，学生逃课率接近80%。福州大学、福建农林大学、福建师范大学学生理性逃课的比例分别为32.4%、31.1%、29.9%，福州大学的理性逃课率仍高于其他两所高校。也就是说，不同学校学生理性逃课严重程度不一，这与很多研究发现的学生逃课率因学校不同而不同结论相似，但和高校层次与学生逃课率成反比的结果存在出入。这既提示层次高的高校也应关注学校的教学管理和学风建设，又提示不同高校正确引导、针对性治理理性逃课的迫切性不同。

以上调查数据引用自qitong《大学生“逃课”的调查与分析》

因此，针对逃课的两种类型：理性逃课和惰性逃课，我们的算法中设计了不同的点名策略，以提高有效点名率。

二、算法模块说明

A、算法思路

我们通过Java实现数据集的生成和点名端策略算法，并通过Mysql展示每次的学生出勤情况和点名情况。

B、数据集生成

a、数据集特性（该校学生的上课习惯）

我们先按序产生学生的学号和姓名，之后按照正态分布，产生所有学生的绩点（2.0,0.5）。由于考虑到补考通过时，该学生绩点至少为1，因此，我们的绩点生成范围为1-4之间，不考虑绩点小于1的情况。又由于遵循了3σ原则，我们产生的绩点在1-4范围内的概率有0.9544，几乎可以看做是必然事件（但我们还是做了限制，对于产生范围之外的绩点，重新进行随机）。根据绩点，我们产生了出勤率（绩点/4），代表学生出勤该次课程的概率。虽然出勤率的起始值与绩点成正比，但由于后者会随着点名的进行而不断改变
，因此我们在此给出出勤率的变化规则：

• 学生分成坏学生与普通学生，坏学生无视点名策略出勤，普通学生则会根据不同的点名情况决定下次出勤情况。
• 若该学生此次课逃课，被点名点到，则下次出勤率大幅上升。
• 若该学生此次课出勤，被点名点到，若其为绩点稍好一些的学生，他会有求稳心理，他会觉得下次点名可能还是会被抽点到，所以其出勤率反而会小幅度的上升；但是，若该学生为绩点略差的学生（不包括坏学生），则他可能会产生一种侥幸心理，会觉得下次自己应该不会再次被点到，所以出勤率会小幅度下降。
• 若该学生逃课，且此次点名未被点到，则他可能会尝到甜头，觉得逃课也无关紧要，反正不会被点到，于是下次还会产生逃课的心理，其出勤率会大幅度的下降。
• 若该学生没逃课，且此次点名也未被点到，则不会对其内心产生影响，出勤率不会改变。

b、代码模块说明（由于代码太多了。。。。展现部分主要代码）

学生姓名生成

    public static String insideFirstName(){
   
        Random random = new Random();
        int index = random.nextInt(firstName.length);
        return firstName[index];//获得一个随机的姓氏
    }
    public static int getNum(int start,int end) {
   
        return(int)(Math.random()*(end-start+1)+start);//获得一个随机的名字
    }
    public static int getNum(int start,int end) {
   
        return(int)(Math.random()*(end-