高考志愿填报的数据分析研究

论文摘要

高考志愿填报机制改革是高校招生制度改革的重要组成部分,其研究近年来已成为教育界的一个热点。针对“第一志愿优先”的填报机制造成“高分低就”或“高分落榜”的不合理现象,各省陆续采用了“平行志愿填报”、“考后知分填报”等新措施。新机制的实施必须有相应的理论和数据的支持,因此对之进行可行性研究非常必要。博弈论(Game Theory),是研究相互依赖、相互影响的决策主体的理性决策行为以及这些决策的均衡结果的理论。基于高考志愿填报的博弈特性,采用博弈论对高考志愿填报机制进行理论研究是近年来的一个热点。随着计算机技术、数据库技术和网络技术的迅速发展,各行业在商业动作中积累了大量的数据,如何从这些数据中找到潜在有价值的信息,正成为数据挖掘的研究内容。每年的高考志愿填报中,各省的考生志愿数据高达数百万条,这些数据规模巨大,蕴涵丰富的决策信息和知识。采用数据挖掘技术对之进行挖掘分析,可以给现行的志愿填报机制以数据支持。本文以数据分析技术为手段,对高考志愿填报机制的理论研究成果进行论证,并为省级招生机构设计一个基于改进的人工鱼群和FCM混合算法的数据分析系统。具体研究工作有以下几个方面:1.对国内采用的各种高考志愿填报机制进行分析论证。2.对基本人工鱼群算法(AFSA)进行改进。针对该算法后期运算速度慢的特点,增加公告板中当前最优子群中心位置的概念;改进基本人工鱼群算法的觅食、聚群和追尾三种行为模式。达到减少算法迭代时间,提高算法效率的目的。3.对基本FCM算法进行改进。根据考生志愿数据数量庞大、分析结果要求精度高、FCM算法的聚类效果往往受到初始聚类中心影响等缺点,将FCM算法与改进的人工鱼群算法进行混合,采用改进的人工鱼群算法为FCM算法寻找初始聚类中心,提高FCM算法的寻优效率。4.为省级招办构建一个考生志愿数据分析系统,对河南省2010年的高招志愿数据进行分析,论证该省当年采取的考后知分填报平行志愿机制的合理性。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 选题背景及意义
• 1.2 国内外研究现状
• 1.2.1 高考志愿填报机制的现状
• 1.2.2 博弈论的研究现状
• 1.2.3 群智能和人工鱼群算法的研究现状
• 1.2.4 基于群智能的模糊C 均值（FCM）聚类混合算法研究现状
• 1.3 主要研究内容和方法
• 1.3.1 高考志愿填报机制的综述及分析
• 1.3.2 河南省2010 年高考考生志愿数据的分析
• 1.3.3 高考志愿数据分析系统的实现
• 1.4 本文的组织结构
• 2 高考志愿填报机制综述
• 2.1 博弈理论及其评价体系
• 2.1.1 博弈论概念
• 2.1.2 非合作博弈
• 2.1.3 博弈的基本组成要素
• 2.1.4 纳什均衡
• 2.1.5 博弈的分类
• 2.1.6 帕累托改进和帕累托最优
• 2.1.7 STRATEGY PROOF 机制
• 2.2 国外学校录取机制简介
• 2.2.1 波士顿机制
• 2.2.2 GALE-SHAPLEY 机制
• 2.2.3 分数独裁机制
• 2.2.4 最优交易循环机制
• 2.3 我国高考录取机制的本质和工作分工
• 2.4 基于时间和分数确定性的考生志愿填报模式
• 2.5 高考志愿投档及录取模式
• 2.5.1 “第一志愿优先”机制
• 2.5.2 “平行志愿”机制
• 2.6 小结
• 3 聚类分析方法和群集智能算法
• 3.1 数据挖掘的概念
• 3.2 数据挖掘的主要功能
• 3.3 聚类分析简介
• 3.4 样本间相似度定义
• 3.4.1 明氏（MINKOWSKI）距离
• 3.4.2 马氏（MAHALANOBIS）距离
• 3.4.3 兰氏（CANBERRA）距离
• 3.5 主要的聚类方法
• 3.5.1 基于层次的方法（HIERARCHY-BASED METHOD）
• 3.5.2 基于划分的方法（PARTITION-BASED METHOD）
• 3.5.3 基于密度的方法（DENSITY-BASED METHOD）
• 3.5.4 基于网格的方法（GRID-BASED METHOD）
• 3.6 群集智能算法
• 3.7 小结
• 4 高考志愿填报研究中的数据分析技术
• 4.1 模糊C 均值聚类算法（FCM）
• 4.1.1 模糊C 均值算法介绍
• 4.1.2 模糊C 均值算法（FCM）的缺陷与改进
• 4.2 人工鱼群算法（AFSA）
• 4.2.1 鱼群行为分析
• 4.2.2 人工鱼定义
• 4.2.3 人工鱼模型（AF-ARTIFICIAL FISH）
• 4.2.4 人工鱼行为描述
• 4.2.5 人工鱼行为选择
• 4.2.6 人工鱼群算法描述
• 4.2.7 人工鱼群算法全局收敛的基础
• 4.3 对基本人工鱼群算法的改进
• 4.3.1 觅食行为的改进
• 4.3.2 聚群行为的改进
• 4.3.3 追尾行为的改进
• 4.4 改进的人工鱼群算法与模糊C 均值聚类算法的结合（IAFSFCMA）
• 4.4.1 IAFSFCMA 算法描述
• 4.4.2 IAFSFCMA 算法性能分析
• 4.5 新算法在高考志愿数据分析中的应用
• 4.5.1 高考志愿数据分析的评价体系
• 4.5.2 高考志愿数据分析的数据准备
• 4.5.3 高考志愿数据分析的算法流程
• 4.5.4 新算法在高考志愿数据分析中的实验对比
• 4.5.5 高考志愿数据分析结果
• 4.6 高考志愿填报及录取机制的改进建议
• 4.6.1 “平行志愿”机制的改进
• 4.6.2 引入GALE-SHAPLEY 机制
• 4.7 小结
• 5 高考志愿填报数据分析系统的设计与实现
• 5.1 高考志愿数据分析系统的软件架构和关键技术
• 5.1.1 三层架构
• 5.1.2 微软企业库
• 5.1.3 设计模式
• 5.2 高考志愿数据分析系统的业务流程
• 5.3 高考志愿数据分析系统的软件界面
• 5.4 小结
• 结论展望
• 参考文献
• 致谢