基于PSO-KPLS的教师科研绩效预测

摘要/Abstract

摘要： 为了解决高校教师科研绩效难以预测的问题，首先，建立模型的优化目标，提出PSO-KPLS算法，其基本思想是：利用粒子群（Particle Swarm Optimization, PSO）算法作为寻优算法和均方根误差（RMSE）作为收敛判据，对核偏最小二乘法（Kernel-based Partial Least-Squares， KPLS）的参数进行群体寻优，以代替手动调参的寻优过程。然后，利用多维度的特征向量来表达教师的科研绩效，并利用综合法计算其科研分值。最后，以学院60个教师近6年的数据作为样本，利用PSO-KPLS训练模型并对模型进行拟合，并重点探究精度要求对PSO-KPLS运行效率的影响。通过和其他优化的KPLS算法的对比实验，结果表明：利用PSO-KPLS能够准确地预测老师在未来2~3年的科研绩效。

关键词: 科研绩效, 核偏最小二乘法, 均方根误差, 粒子群算法

Abstract: To resolve the problem that university teachers’ performance of science research is difficult to predict, firstly, the optimization target of model is built and PSO-KPLS algorithm is addressed, which base idea is that particle swarm optimization (PSO) algorithm is used as the optimization algorithm and root mean square error (RMSE) is used as the convergence criterion, which are utilized to optimize kernel based partial least squares（KPLS） . It is used to instead of finding suitable parameter by manual operation. Then, the multi-dimensional feature vector is used to express teachers’ research performance, and the comprehensive method is used to calculate their research score. Finally, taking the data of 6 years of 60 teachers as samples, the model is trained by PSO-KPLS and fitted, and the influence of accuracy requirements on the efficiency of PSO-KPLS is mainly explored. Through the comparative experiment with other optimized KPLS algorithms, the results show that PSO-KPLS can accurately predict teachers’ research performance in the next two or three years.

Key words: research performance, kernel-based partial least-squares, RMSE, particle swarm optimization

黄玲, 白晓波. 基于PSO-KPLS的教师科研绩效预测[J]. 计算机与现代化, 2022, 0(06): 8-12.

HUANG Ling, BAI Xiao-bo. Teachers’ Scientific Research Performance Prediction Based on PSO-KPLS [J]. Computer and Modernization, 2022, 0(06): 8-12.

参考文献［25］

［1］	马秀萍. 高校教师科研绩效管理现状及激励因素的优化［J］. 产业科技创新, 2020,2(19):103-104.
［2］	于滨,于小童,曹蓉. 教师超标准绩效激励与高校发展方向、成就分析［J］. 运筹与管理, 2021,30(1):192-197.
［3］	向俊杰,陈威. 论高校教师教学的360度绩效评价［J］. 黑龙江高教研究, 2020,38(1):59-64.
［4］	王成伟,王惠,王红艳. 高校教师科研效率评价机制探索［J］. 经济研究导刊, 2019(34):138.
［5］	张强,周楠. 教师发展视角下高校科研绩效评价的异化及反思［J］. 上海教育评估研究, 2019,8(5):45-48.
［6］	刘波. 高校教师科研绩效的影响因素［J］. 国际公关, 2020(2):241-242.
［7］	余洋. 高校教师科研成果绩效影响因素及对策分析研究［J］. 山东农业工程学院学报, 2019,36(10):125-126.
［8］	许楚璠. 大五人格对高校教师科研绩效的影响［D］. 长沙:湖南师范大学, 2019.
［9］	施亭亭,成庚,褚楚,等. 基于聚类分析法的高校教师科研绩效评价和科研管理优化研究［J］. 安徽建筑大学学报, 2020,28(3):96-100.
［10］	罗宇,李红昌,李亚军,等. 基于协同平台的高校教师科研绩效评价体系［J］. 技术经济, 2020,39(5):29-34.
［11］	龙粲妍. 应用型本科高校教师绩效考核体系改善方法分析［J］. 现代交际, 2019(17):145-146.
［12］	钱玲. “双一流”背景下高校教师绩效评价指标体系与模型［J］. 经济研究导刊, 2021(6):93-95.
［13］	ROSIPAL R, TREJO L J. Kernel partial least squares regression in reproducing kernel hilbert space［J］. The Journal of Machine Learning Research, 2001,2(2):97-123.
［14］	陈高波,杨小红. 电力负荷预测的核偏最小二乘回归模型［J］. 科学之友, 2010(4):5-6.
［15］	黄旭彬,梁树杰. 基于PCA融合PSO-SVM的运动想象脑电信号分类方法［J］. 计算机与现代化, 2021(3):70-76.
［16］	白晓波,邵景峰,和征,等. 基于学习的核偏最小二乘法优化扩展卡尔曼滤波［J］. 计算机与现代化, 2018(9):110-117.
［17］	SILALAHID D, MIDI H, ARASAN J, et al. Kernel partial least square regression with high resistance to multiple outliers and bad leverage points on near-infrared spectral data analysis［J］. Symmetry, 2021,13(4). DOI:10.3390/sym13040547.
［18］	BAO Y, LIU J L, ZHONG Y M, et al. Kernel partial least squares model for pectin content in peach using near-infrared spectroscopy［J］. International Journal of Food Science & Technology, 2020,56(4). DOI:10.1111/ijfs.14817.
［19］	LIU H B, YANG J, ZHANG Y C, et al. Monitoring of wastewater treatment processes using dynamic concurrent kernel partial least squares［J］. Process Safety and Environmental Protection, 2021,147:274-282.
［20］	SAID M, TAOUALI O. Improved dynamic optimized kernel partial least squares for nonlinear process fault detection［J］. Mathematical Problems in Engineering, 2021, 2021(4-5):1-16.
［21］	杨琰. 高校教师科研胜任力模型的构建研究［J］. 科技管理研究, 2021,41(3):69-75.
［22］	徐彬. 我国高校体育教师绩效多维评价指标体系构建研究［J］. 沈阳体育学院学报, 2020,39(5):66-73.
［23］	闫晓勇. 平衡发展与奖惩:基于IPO模型的开放式高校教师绩效考核体系［J］. 高教论坛, 2020(12):82-84.
［24］	MELLO-ROMN J D, HERNNDEZ A, MELLO-ROMN J C. Improved predictive ability of KPLS regression with memetic algorithms［J］. Mathematics, 2021,9(5). DOI:10.3390/math9050506.
［25］	MELLO-ROMN J D, HERANADEZ A. KPLS optimization approach using genetic algorithms［J］. Procedia Computer Science, 2020,170:1153-1160.

[1]	毛明扬, 徐胜超. 面向粒子群优化BP神经网络的粗糙集连续属性离散化算法[J]. 计算机与现代化, 2023, 0(09): 115-119.
[2]	韩雪. 基于约束聚类和粒子群算法的多路径规划[J]. 计算机与现代化, 2023, 0(08): 7-11.
[3]	陈刚, 王志坚, 徐胜超. 基于粒子群算法的移动边缘计算任务分配方法[J]. 计算机与现代化, 2022, 0(11): 32-36.
[4]	刘志锋, 舒志浩, 胥越峰, 杨舒伊, 沈文龙. 基于PSO自适应双策略的人工鱼群算法[J]. 计算机与现代化, 2022, 0(05): 46-53.
[5]	张彦虎, 鄢丽娟, 马志愤, 张彦军. 一种适用于多任务多资源移动边缘计算环境下的改进粒子群算力卸载算法[J]. 计算机与现代化, 2022, 0(05): 54-60.
[6]	李凌, 陈曦, 沈维捷, 熊汉武, 蔡冉冉. 面向电工装备智能监造的边缘缓存策略[J]. 计算机与现代化, 2022, 0(05): 61-67.
[7]	梁正友, 王璐, 李轩昂, 杨锋, . 基于改进PSO-TrICP算法的点云配准[J]. 计算机与现代化, 2022, 0(05): 90-95.
[8]	柴晨境, 刘宾, 潘晋孝. 基于阈值筛选的室内定位优化算法[J]. 计算机与现代化, 2022, 0(04): 79-85.
[9]	王哲, 王龙达, 刘罡, 王兴成, 王忠君, 鲍鲁杰. 基于三次样条插值的自动入库泊车免疫粒子群改进算法[J]. 计算机与现代化, 2022, 0(02): 7-12.
[10]	郭成, 张万达, 王波, 王加富. 多种群并行协作的粒子群算法[J]. 计算机与现代化, 2022, 0(01): 33-40.
[11]	陈翔, 邹庆年, 谢绍宇, 陈翠琼. 基于迁移学习策略的压板开关状态识别[J]. 计算机与现代化, 2021, 0(05): 120-126.
[12]	张忠, 邹燕飞, 刘淑英. 考虑交通流量的改进型电动汽车充/换电设施选址布局[J]. 计算机与现代化, 2020, 0(06): 114-.
[13]	杨万里1,2，周雪婷1，陈孟娜1. 基于Logistic映射的新型混沌简化PSO算法[J]. 计算机与现代化, 2019, 0(12): 15-.
[14]	易文周. 基于差分演化和粒子群优化的改进WSN覆盖算法[J]. 计算机与现代化, 2019, 0(08): 33-.
[15]	张晓燕1,赫俊民2,刘文英1,林亚林1. 基于种群划分与变异策略的粒子群优化算法[J]. 计算机与现代化, 2019, 0(05): 122-.