PDCA循环管理视角下BAS-BPNN的学生组织管理工作评价

2020-10-13刘红红

微型电脑应用 2020年9期

刘红红

摘要：为实现高精度的学生组织管理工作评价和为学校部门进行学生组织管理工作提供理论参考和方法依据，以PDCA循环管理视角出发从学风建设工作、常规管理工作、公寓教育与管理工作、队伍建设工作等4个维度构建出一套学生组织管理工作评价指标体系，并针对BPNN模型性能受其参数的影响，运用天牛须搜索算法对BPNN的权值和阈值进行优化选择，建立BAS-BPNN的学生组织管理工作评价模型。与SVM和BPNN对比发现，BAS-BPNN可以有效提高学生组织管理工作评价的精度，为学生组织管理工作评价提供了新的方法。

关键词：天牛须搜索算法; 前馈神经网络; PDCA循环; 组织管理; 支持向量机

中图分类号： TP 391.1 文献标志码： A

Abstract： In order to realize high precision evaluation and student organization management， and provide theoretical basis and methodfor the school instudent organization management， we referencePDCA cycle management perspective to build a set of evaluation index system from four dimensionsof the study style construction， routine management work， apartment education and management team construction. Because the BPNN model performance is affected by its parameters， we use Beetle antennae search algorithm to optimize the weights and threshold of BPNN choice， establish BAS-student organization management evaluation model of BPNN. Compared with SVM and BPNN， it is found that BAS-BPNN can effectively improve the accuracy of student organization management work evaluation， it can providea new method for student organization management work evaluation.

Key words： Beetle antennae search algorithm; back propagation neural network; PDCA cycle;organization management;support vector machine

0 引言

大学生组织管理工作是高校人才培养的重要保障和系统性工作，因此对学生组织管理工作進行过程管理具有重要的理论意义和实际价值，PDCA循环管理是一套科学规范的分析问题、解决和处理问题的工具，其包括策划（Plan）、实施（Do）、检查（Check）和处置（Action）等四个阶段，被广泛地应用于质量管理体系，用于改进工作方法、工作流程、解决问题、形成制度和制定标准等方面取得了很好的效果[1-2]。

为提高学生组织管理工作的水平和效果，从PDCA循环管理视角出发，结合层次分析法建立学生组织管理工作的评价指标体系[3]。针对前馈神经网络（back propagation neural network，BPNN）收敛速度慢和局部最优的问题，运用天牛须搜索（Beetle antennae search，BAS）算法对BPNN的权值和阈值进行优化选择，建立BAS-BPNN的学生组织管理工作评价模型。与支持向量机（supportvector machine，SVM）和前馈神经网络（back propagation neural network，BPNN）对比发现，BAS-BPNN可以有效提高学生组织管理工作评价的准确率，为学生组织管理工作评价提供了新的方法和途径。

1 学生组织管理工作评价指标

为了实现高精度的学生组织管理工作评价，在参考文献[4-5]的基础上，从学风建设工作、常规管理工作、公寓教育与管理工作和队伍建设工作等4个维度构建出一套学生组织管理工作评价指标体系，学生组织管理工作评价指标体系，如图1所示。

2 BAS算法

BAS算法是受天牛觅食启发而提出的高效的群智能算法，其建模步骤如下[6]。

（1）定义方向向量

为了模拟天牛的搜索行为，方向向量定义如式（1）。

3.3 BAS-BPNN学习算法

基于BAS-BPNN的学生组织管理工作评价流程如下：

1）初始化BAS算法参数：步长因子c1、c2以及迭代最大次数gen、当前迭代次数t，将学生组织管理工作评价数据分为训练样本和测试样本，训练样本主要用于建立BAS-BPNN模型，测试样本主要用于验证BAS-BPNN模型的好坏或者优劣;

2）令t=0，随机初始化天牛位置x0，并设最优位置xbest=x0;根据公式（8）计算天牛左须、右须位置;

3）更新t=t+1，重新计算天牛左须、右须位置，得到适应度值f（xr）和f（xl）;

4）根据式（5）计算预更新位置xt，并计算适应度值f（xt）;

5）根据接受概率p，即式（6）来判断是否更新天牛的位置。若f（xt）

6）若t>gen，则转到步骤7）;反之，转回步骤3）;

7）输出最优解，即最后一次迭代后的xbest与fbest，对应为BPNN模型的最优值初始连接权值cj、ωij和阈值ε、θj，并将运用BPNN模型最优参数初始连接权值cj、ωij和阈值ε、θj进行学生组织管理工作评价测试验证。

4 仿真实验与结果分析

4.1 数据来源

为了验证BAS-BPNN进行学生组织管理工作评价的有效性，通过专家打分法[9-10]获得学生组织管理工作评价数据。选择西安市10所高等职业技术学院为研究对象，10个专家对10个高校的15个二级指标进行打分，得到100个样本，其中训练样本80个，测试样本20个。学生组织管理工作评价等级分为低、较低、中、较好、好等5个等级水平。

4.2 结果分析

本研究选择Matlab2015a为软件平台，电脑操作系统为Windows 7，PC机配置为CPU的主频为2.60 GHz、内存8 GB、中央处理器为Intel（R）Core（TM）i5-2400 4-core。为了验证学生组织管理工作评价的效果，将BAS-BPNN与SVM、BPNN进行对比[11-13]，BAS算法参数设定为：最大迭代次数gen=100，步长因子c1=0.997，c2=10，对比结果如表1和图2-图4所示。

图2-图4和表1可知，在训练集上，BAS-BPNN模型的最优、最差和平均正确率分别为98%、95.6%和95%，优于SVM的95%、92.5%和92.5%以及BPNN的92.5%、77.5%和72.1%;在测试集上，BAS-BPNN模型的最优、最差和平均正确率分别为90%、90%和90%，优于SVM的85%、80%和80%以及BPNN的80%、75%和61.3%。与SVM和BPNN对比，BAS-BPNN可以有效提高学生组织管理工作评价的精度，为学生组织管理工作评价提供了新的方法。

5 总结

为给高校管理部门的学生组织管理评价工作提供理论参考和方法依据，提出一种基于学风建设工作、常规管理工作、公寓教育与管理工作、队伍建设工作等多维度的BAS-BPNN学生组织管理评价模型。由于学生组织管理评价是一项复杂而庞大的系统工程，其涉及很多复杂的因素，本文只研究了较少的影响因素，后期将研究更多复杂影响因素对学生组织管理评价的影响，增加本文模型的适应性。

参考文献

[1] 王少强，王如猛. 基于模糊综合评价法的高校学生宿舍火灾安全分析研究[J]. 华北科技学院学报， 2017（5）：11-15.

[2] 宋昱璇，申辰. PDCA循環的项目制管理在高校学生组织中的应用[J]. 管理观察， 2017（23）：117-119.

[3] 王金明，陈永韶，何暖坚，等. PDCA循环在医院教学质量管理中的应用[J]. 国际医药卫生导报， 2018， 24（21）：3242.

[4] 杨永东，张振宁，滕尊莉，等. 基于PDCA循环的土木工程专业毕业设计质量控制[J]. 教育教学论坛， 2017（1）：101-102.

[5] 王甜甜，刘强. 基于BAS-BP模型的风暴潮灾害损失预测[J]. 海洋环境科学， 2018， 37（3）：457-463.

[6] 刘涛，徐成良，陈焕新. 基于改进天牛须算法-优化极限学习机的地源热泵能耗预测研究[J]. 制冷技术， 2019（3）：21-25.

[7] 薛成伟. 基于BP神经网络的高校学生管理工作绩效评价模型[J]. 科技信息， 2011（36）：265.

[8] 于翔. 基于神经网络模型在学生心理健康指标对考试成绩影响中的应用[J]. 自动化与仪器仪表， 2016（9）：124-125.

[9] 胡习文. 基于FNN的智能学生综合素质评估模型研究[J]. 武汉理工大学学报（信息与管理工程版）， 2007， 29（3）：103-107.

[10] 黄建荣. 基于ANN算法的智能化学生管理评估信息系统的设计与实现[J]. 计算机光盘软件与应用， 2012（10）：191-192.

[11] 朱宗元，王秋霞. 基于神经网络的高校课堂教学评价策略重构与检验[J]. 中国教育信息化， 2018，423（12）：88-91.