【2022秋软工实践 第二次结对编程】

这个作业属于哪个课程Fzusdn
这个作业的要求在哪2022秋软工实践 第二次结对编程
这个作业的目标设计点名算法
队友学号032002624
学号032002640

作业描述及分析

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,要求能够最小化向后端发送的请求次数,最大化抓出缺勤同学的数量

我觉得缺勤算法,关注绩点本身是个很好的切入点,但是不能过分追求,毕竟我们所了解到的,并不是大部分绩点低的都喜欢翘课,相反,绩点高的人群也存在翘课现象,不能一概而论,我们更应该为这个算法添加一点人性化的比例,以及我们在绩点的随机上面,不能单纯地使用库函数提供给我们的正态分布随机函数,更应该考虑一下我们学生实际的绩点分布情况。

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

评分标准

在这里插入图片描述

代码仓库

LittleYao

重点部分展示

数据集生成

因为5门课是等价的,所以我们只考虑一门课,采用C库函数和数组生成数据集。1表示出席,0表示缺勤。

数据生成样例

在这里插入图片描述

点名算法

重点:在抽尽可能少的同时保证有效抽点次数最大化

算法设计思路
  • 第一节课点名,点到r名缺席学生后停止点名,记录学号
  • 接下来的课程对缺席的r名学生进行全点
  • 分析数据,确定合理的r的值

在这里插入图片描述

运行结果分析

随着概率的增大,整体的E值也会不断增大。
E = 0.26

PSP
PSPPersonal Software Process tags预估耗时/分钟实际耗时/分钟
Planning计划6060
Estimate估计这个任务需要多少时间6060
Development开发15851840
Analysis需求分析 (包括学习新技术)6060
Design Spec生成设计文档4545
Design Review设计复审3030
Coding Standard代码规范 (为目前的开发制定合适的规范)9045
Design具体设计150180
Coding具体编码10001300
Code Review代码复审12060
Test测试(自我测试,修改代码,提交修改90120
Reporting报告4050
Test Report测试报告--
Size Measurement计算工作量2015
Postmortem & Process Improvement Plan事后总结, 并提出过程改进计划2035
Total合计33703900
学习进度表
第N周新增代码(行)累计代码(行)本周学习耗时(小时)累计学习耗时(小时)重要成长
19013044熟悉C库的各个方法
210026537对比性能
32028518验证合理性和稳定性
写在后面

结对照片
在这里插入图片描述

感想

032002640
队友太好了,下次还要一起捏,呜呜呜呜
032002624
我遇到这个队友真是三生有幸

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
在风能领域,准确预测风速对于风电场的运行与管理至关重要。Matlab作为一个强大的数学计算和数据分析平台,被广泛应用于风速预测模型的构建。本文将深入探讨基于四种风速——随机风、基本风、阵风和渐变风的组合风速预测技术。 我们来理解这四种风速类型: 1. **随机风**:随机风是指风速呈现出随机性的变化,通常由大气湍流引起。在建模中,通常通过统计方法如高斯分布或Weibull分布来模拟这种不确定性。 2. **基本风**:基本风速是指在无特定扰动条件下的平均风速,它是长期观测结果的平均值,通常用于结构设计和风能评估。 3. **阵风**:阵风是短时间内风速显著增强的现象,对建筑物和风力发电机造成的主要威胁之一。阵风的预测涉及到风的脉动特性分析。 4. **渐变风**:渐变风是指风速随时间和空间逐渐变化的过程,常见于风向转变或地形影响下的风场变化。 在Matlab中,利用这四种风速类型进行组合预测,可以提高预测的准确性。预测模型可能包括以下几个步骤: 1. **数据收集与预处理**:收集历史风速数据,包括随机风、基本风、阵风和渐变风的数据,进行异常值检测、缺失值填充以及数据标准化。 2. **特征工程**:提取风速变化的相关特征,如平均值、标准差、极值、频率分布等,这些特征可能对预测有重要影响。 3. **模型选择**:可以选择多种预测模型,如时间序列分析(ARIMA、状态空间模型等)、机器学习算法(线性回归、决策树、支持向量机、神经网络等)或深度学习模型(LSTM、GRU等)。 4. **模型训练**:利用历史数据训练选定的模型,调整模型参数以优化性能,例如通过交叉验证来避免过拟合。 5. **模型验证与评估**:使用独立的测试集验证模型预测效果,常见的评估指标有均方误差(MSE)、平均绝对误差(MAE)和决定系数(R²)。 6. **组合预测**:结合四种风速的不同模型预测结果,可以采用加权平均、集成学习(如bagging、boosting)等方式,以提升整体预测精度。 7. **实时更新与动态调整**:实际应用中,模型需要不断接收新的风速数据并进行在线更新,以适应风场环境的变化。 通过以上步骤,可以构建一个综合考虑各种风速特性的预测系统,这对于风电场的功率输出预测、风电设备的维护计划以及电网调度都具有重要价值。然而,需要注意的是,每个风场的地理环境、气候条件和设备状况都有所不同,因此模型的建立应根据实际情况进行定制和优
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值