教师薪金问题_数模论文资料.docxVIP

A题：自动倒车策略 随着汽车产业及科技的高速发展，智能驾驶汽车成为了国内外公认的未来汽车重要发展方向之一。而在汽车智能化进程中，自动泊车是一项非常具有挑战性和实用性的技术。自动泊车系统可通过各类传感器获取车位相对汽车的距离，通过控制汽车前轮转角和瞬时速度控制车辆行驶。 若考虑系统控制容易性，参考人工倒车入库，当车辆位于与车位垂直的任意位置时，先通过前行或后退到达理想停车起始点后，再确定前进转角和后退转角，使车身与车位在同一直线上后，直接倒车完成入库，即“一进二退”。这种两段式倒车模式提高了泊车过程中车辆行驶的紧凑性，同时减少了泊车行驶空间。 考虑奇瑞汽车公司的QQ3，长3550mm，宽1495mm，轴距2340mm，前轮距1295mm，后轮距1260mm，目标车库为小型汽车库标准大小长6m，宽2.8m，车库周围情况如图。 关键词： 二 问题的分析 本题给出了薪金与7个因素的有关数据表 对于问题一，要研究薪金与各种考虑因素之间是否存在关系，先通过分析每一种属于0-1变量因素与薪金的关系，主要采用平均值模型和各因素与薪金的相关性分析，分析比较每种因素中月工资平均值的差和每个相关系数，剔除影响不太显著地因素。然后考虑几种主要因素同时对薪金的影响，主要采用多元线性回归模型，建立薪金与显著因素的数学模型。 对于问题二，职称跟工作时间和学历紧密联系，可以根据社会实际情况对教师职称的评定进行假设。把学历分为专科、本科、硕士、博士四类，结合工龄给教师的职称进行定义，从而得出数据中所有教师的职称信息。 对于问题三，将女性是否已婚的因素考虑到模型里面，因为其月平均薪金之差比假设中的300元非常接近。从而拟合出一个新的多元回归方程，并用其求解出比较合理的薪金值。 三 模型的假设与符号说明 3.1模型的假设： 1）月薪金主要与题目中的因素有关，不受其他因素影响； 2）该人事部门所提供的数据是真实可靠； 3）各因素下的月薪金的平均值差在300以下，相关系数在0.3以下的，视为不显著； 4）学历数值为0的视为低学历者，非0的视为高学历者； 5）所有教师评选条件都符合国家法律法规。 在全局版的标准粒子群算法中，每个粒子的速度的更新是根据两个因素来变化的，这两个因素是：1. 粒子自己历史最优值pi。2. 　粒子群体的全局最优值pg。如果改变粒子速度更新公式，让每个粒子的速度的更新根据以下两个因素更新，A. 粒子自己历史最优值pi。B. 粒子邻域内粒子的最优值pnk。其余保持跟全局版的标准粒子群算法一样，这个算法就变为局部版的粒子群算法。 　　 一般一个粒子i 的邻域随着迭代次数的增加而逐渐增加，开始第一次迭代，它的邻域为0，随着迭代次数邻域线性变大，最后邻域扩展到整个粒子群，这时就变成全局版本的粒子群算法了。经过实践证明：全局版本的粒子群算法收敛速度快，但是容易陷入局部最优。局部版本的粒子群算法收敛速度慢，但是很难陷入局部最优。现在的粒子群算法大都在收敛速度与摆脱局部最优这两个方面下功夫。其实这两个方面是矛盾的。看如何更好的折中了。 　　 根据取邻域的方式的不同，局部版本的粒子群算法有很多不同的实现方法。 　　第一种方法：按照粒子的编号取粒子的邻域，取法有四种：1，环形取法 2，随机环形取法 3，轮形取法 4，随机轮形取法。 　　 1　 环形2 随机环形 　　 3 轮形 4随机轮形 　　因为后面有以环形取法实现的算法，对环形取法在这里做一点点说明：以粒子1为例，当邻域是0的时候，邻域是它本身，当邻域是1时，邻域为2，8；当邻域是2时，邻域是2，3，7，8；......，以此类推，一直到邻域为4，这个时候，邻域扩展到整个例子群体。据文献介绍（国外的文献），采用轮形拓扑结构，PSO的效果很好。 　　第二种方法：按照粒子的欧式距离取粒子的邻域 　　 　在第一种方法中，按照粒子的编号来得到粒子的邻域，但是这些粒子其实可能在实际位置上并不相邻，于是Suganthan提出基于空间距离的划分方案，在迭代中计算每一个粒子与群中其他粒子的距离。记录任何2个粒子间的的最大距离为dm。对每一粒子按照||xa-xb||/dm计算一个比值。其中||xa-xb||是当前粒子a到b的距离。而选择阈值frac根据迭代次数而变化。当另一粒子b满足||xa-xb||/dmfrac时，认为b成为当前粒子的邻域。 　　 这种办法经过实验，取得较好的应用效果，但是由于要计算所有粒子之间的距离，计算量大，且需要很大的存储空间，所以，该方法一般不经常使用。 引例： 在一次聚会中有五位代表其中与，与，与，与， 与是朋友，则我们可以用一个带有五个顶点、五条边的图形来表示这五位代表之间的朋友关系（图5-5）: