前言：中文期刊網精心挑選了出差計劃范文供你參考和學習，希望我們的參考范文能激發你的文章創作靈感，歡迎閱讀。
出差計劃范文1
驛路梨花中有三處插敘，驛路梨花作者彭荊風，文章選自1977年11月27日《光明日報》，文體為小說。文章共37個自然段，稱呼為第一人稱。從整體上看是按“我們”的所見所聞的時間順序組織材料的?，F本文選入人教版七年級下冊語文義務教育科書第四單元第14課。
這篇文章，從整體上看是按“我們”的所見所聞的時間順序組織材料的，記敘方法為順敘，在順敘過程中又有插敘，如果按小茅屋的產生及遷延過程看，又是溯源的倒敘，恰似倒卷珠簾。在情節的安排上，作者巧妙地設置三次懸念和兩次誤會，使情節富有戲劇性。整篇文章，短短的篇幅，卻形成了峰回路轉，跌宕起伏之勢，讀來很有味道。
（來源：文章屋網 ）
出差計劃范文2
關鍵詞：計算機 基礎課程 差異化
中圖分類號：G632 文獻標識碼：A 文章編號：1674-2117（2014）10-0019-01
1 根據學生差異進行剖析分類，實施差異化教學
隨著計算機的普及以及信息技術教育的地域差別，學生的計算機基礎參差不齊，大致可把學生分為以下幾種：①計算機操作基礎較好的學生。這類學生以前在學校學習過信息技術課，對文字處理、電子表格、演示文稿及計算機網絡都有淺顯了解。②沉迷于上網的學生。這類學生大都把計算機當做娛樂工具來使用，上網、玩游戲、聊天等，對計算機基礎知識幾乎不了解。③沒有基礎的學生。在進入職業院校學習之前偶爾使用過計算機，但對計算機基礎知識沒有了解。所以，計算機教師的教學方式需要做出相應的調整，面對不同層次的學生，實施差異化教學。
差異化教學要綜合用多種教學方法，照顧到不同層次的學生。
1.1 分組學習法
通過與學習委員多次溝通，盡量科學地對學生進行分組。不同類型的學生按比例搭配，將學生分成多個小組，大約10人一組，根據學生人數可以適當添加減少。各小組均設立組長。課前組長負責把教師指定的任務，按照分工通知每位組員。每位組員負責一部分，組長負責分析知識體系、知識間的內在聯系、重難點，根據學習內容，有側重地讓組員去解決可能遇到的問題，最后啟發大家發散思維，做出不同于上課項目效果的任務來。
這樣，同一小組的學生在一起學習。小組間也可以根據教學內容的需要舉辦各種競賽，對表現優秀的小組進行表揚，并且在期末成績中適當體現。這樣能加強學生間的溝通，培養學生的團隊合作能力，又可以使學生具備競爭意識，為走上社會做好心理準備。
1.2 項目教學法
在學習每個模塊之前，教師可先給學生明確提出一個項目任務。學生帶著明確目的上課，比一味地講課達到的學習效果要好。學完該模塊的內容后，學生們能夠獨立完成之前教師提出的項目，這樣，學生感到學有所成、學有所用，學習的積極主動性要高得多。
以計算機文化基礎模塊二Word軟件的學習為例。項目的任務是求職簡歷的制作，先展示事先做好的求職簡歷，讓學生先看到教師制作的漂亮文檔，可以引起學生的求知欲。創設這個實用的項目任務可以激發學生的學習熱情，也使他們明確了學習的目標，從而觸發將要學習的一系列問題：這個文件是用什么軟件制作的？如何插入圖片？圖片和文字如何排版？頁眉頁腳如何設置？然后教師在課堂上對知識點進行具體的講解，隨后小組間相互學習和討論，體現了教師引導、以學生為主體的教學思想。講解完所有的知識點后，教師梳理所有的知識點，使學生理清知識的脈絡，鞏固教學效果。
實驗課上，教師時刻關注學生的練習進度，整體把握學生的操作情況，及時給予學生幫助，解決出現的問題。最后以小組為單位進行驗收，并對大家的表現進行點評。
1.3 個別演示法
有的學生基礎差，在課堂教學和小組學習中跟不上，這時教師要采用個別演示法。個別演示法并不是要教師直接告訴學生應該怎么樣，而是要盡量引導學生自己做。例如，有的學生基礎較好，實踐動手操作能力較強，課堂上和實驗課上不愛聽講，貪玩，經常開小差。教師可以多給這部分學生提供展示的機會和空間。讓這些學生充當“教師”，進行示范講解和輔導初學者。這些學生有了榮譽感后，就會嚴格要求自己仔細認真地學習，心甘情愿成為教師的好幫手，這樣教師和學習成績好的學生同時進行巡視輔導，互幫互學、互教互學，從而提高學生學習計算機文化基礎的整體水平。
2 課程設計理念和思路
計算機技術發展日新月異，教師要不斷學習，擴大自己的視野，及時更新教學內容。不斷豐富與課程配套的教學資源，如教學課件、操作試題庫的建設，保證教學內容與計算機發展的水平基本同步。
深入調研不同專業對學生計算機能力的要求，針對不同專業的學生設置不同的課程內容、教學進度。通過大量的社會調查，本課程要以工作過程為導向，歸納整理出與實際聯系緊密的項目和基本知識點，使學生在完成項目的過程中掌握基本的操作。依據任務驅動、理論聯系實踐、能力培養的原則，以提高學生整體素質為基礎，以培養學生計算機綜合使用能力、特別是創新能力和實際操作能力為主線，在基礎知識的選擇上以應用為目的，以必需、夠用、實用為度，服從培養能力的需要，突出針對性和實用性，實現理論、操作、實訓并重，基礎、技巧和經驗并重，達到學以致用的目的。
本課程要打破原來以知識傳授為主要特征的教學模式，以計算機使用過程中的真實工作任務及其工作過程為依據整合、序化教學內容，科學設計學習性工作項目，教、學、做結合，理論與實踐一體化。采用任務驅動、項目導向等教學模式，靈活運用案例分析、分組討論、啟發引導、實戰體驗等教學方法，做到在做中學，在學中做，以求達到最好的教學效果，訓練學生運用計算機處理實際問題的能力。教學效果評價采用知識考核與能力考核相結合，重點評價學生的學習態度、學習效果和職業能力。
3 考核方式多樣化、過程化
出差計劃范文3
關鍵詞：路網；歐氏空間；群體；興趣點；群體出行計劃查詢
中圖分類號： TP392
0引言
隨著移動通信技術（如3G和4G）的不斷發展，人們對移動設備的依賴性日益增長，而這種依賴性又反過來促進了相關技術的發展。其中，地理信息技術的發展尤為引人注目。因為在制定出行規劃的過程中，人們既需要了解可供選擇的目的地的位置，也要了解前往被選中目的地的路徑。目前，尋找可供選擇的目的地，人們普遍采用空間關鍵詞查詢技術[1-4]。
在空間關鍵詞查詢中，給定查詢位置（空間信息）和關鍵詞（文本信息），要求找出包含給定查詢關鍵詞且滿足空間查詢條件的一個或多個對象?；诼肪W的群體出行計劃（Group Trip Planning， GTP）查詢作為空間關鍵詞查詢的其中一類變種，在現實生活中有著廣泛的應用?？紤]如下一個場景：在一個星期六的下午，有一群要好的朋友相約從各自所在的地方出發，計劃一起吃個飯，然后看場電影或是去健身房。基于路網的群體出行計劃查詢的目標就是為這組用戶找到這樣的飯店和電影院（健身房），使得所有用戶在路網上行進的總的距離之和（從各自的地方出發，經過飯店和電影院等興趣點，最后返回各自的出發點）達到最短。
本文針對基于路網的群體出行計劃問題，提出了兩種查詢算法：基于路網擴展的群體出行計劃算法（Network ExpansionGroup Trip Planning， NEGTP）和基于歐氏距離約束的群體出行計劃算法（Euclidean RestrictionGroup Trip Planning， ERGTP）。NEGTP使用路網延伸的方法來查找滿足關鍵詞要求的興趣點（Point of Interest， PoI），而ERGTP則是通過構建信息檢索R樹（Information Retrieval Rtree， IR2tree）索引，利用組最近鄰查詢（Group Nearest Neighbor，GNN）的思想迭代地去尋找符合條件的PoI。本文在3個合成數據集和1個真實數據集上驗證了算法的有效性和準確性。
1相關工作
隨著基于地理位置的服務（Location Based Service，LBS）日益普及，越來越多的研究開始關注空間關鍵詞查詢這一領域。有效處理空間關鍵詞查詢的難點是如何根據數據特征和查詢要求構建合適的索引結構?，F有的針對空間關鍵詞查詢索引結構的研究大致可以分為兩類：單一索引和混合索引。文獻[5]先對PoI的位置信息構建了網格索引，然后通過關鍵詞來篩選滿足條件的PoI。文獻[6]則是為每個關鍵詞都構建一棵倒排線性四叉樹。查找的時候先通過關鍵詞來篩選滿足條件的樹，然后根據用戶所在的位置在這棵樹相應的分支上檢索距離用戶最近的PoI。文獻[7]構建了IR2tree混合索引，在對PoI的位置信息用Rtree[8]索引的同時，用簽名文件（Signature Files）[9]來保存文本信息存放到R樹節點內，以此來提高查詢的速度。文獻[10]也提出了另一種混合索引結構倒排R樹（Inverted Rtree，IRtree），IRtree和IR2tree的唯一區別在于IRtree是用倒排文件（Inverted Files）來存儲文本信息。以上的工作都是針對單用戶而言，文獻[11]則考慮一組用戶在歐氏空間中的組最近鄰查詢問題，并提出了多路查詢（Multiple Query Method，MQM）、中心點查詢（Single Point Method，SPM）和最小邊界矩形查詢（Minimum Bounding Method）三種算法。文獻[12]把GNN查詢擴展到道路網絡（Road Network）上，提出了閾值（Threshold Algorithm，TA）和并發擴展（Concurrent Expansion，CE）兩種算法。本文研究的群體出行計劃查詢問題與這類GNN查詢問題有兩點不同：1）GNN查詢問題只返回距離該組用戶最近的對象，而本文研究的問題需要返回多個對象使得這組用戶總的出行距離達到最小；2）GNN查詢問題沒有考慮對象帶有文本信息（關鍵詞）的情況。文獻[13]針對一組用戶提出組最近鄰組（Group Nearest Group，GNG）的查詢問題，即從PoI的集合中找到一個子集，使得所有用戶到達該子集的距離之和達到最小。文獻[14]針對群體出行計劃查詢（GTP）問題，提出了一個迭代算法（Iterative Algorithm，IA）和一個層次算法（Hierarchical Algorithm，HA），但該文獻所考慮的距離是歐氏距離，而在城市中，從一地點到另一地點顯然無法走直線。
2基于路網的群體出行計劃查詢
由于本文是在路網上研究GTP查詢問題，下面先給出路網一般的表示方式。
定義1路網本質上是一個有向圖G=（V，E），其中V代表所有頂點的集合，E代表邊的集合。任意vi∈V代表兩條道路的交叉口或者是一條道路的終點；任意ek=（vi，vj）∈E代表一條從vi到vj的道路。為了便于理解，本文考慮的路網為無向圖，這意味著如果從節點vi出發能夠到達vj，那么從vj出發也可以到達vi，同時這兩個方向上的距離相等。
一個GTP查詢問題包含一組用戶各自的地理位置坐標和一組共同的關鍵詞（比如飯店、電影院等）。查詢的目標是為每個關鍵詞都找到一個PoI，使得所有用戶從各自的位置出發，經過這些PoI，最后再返回到各自位置的總的距離最短。GTP查詢問題的具體定義如下。
定義2給定一組用戶的地理位置坐標集合L={l1，l2，…，ln}，所有的PoI集合O={o1，o2，…，om}（每一個oi是一個二元組的形式〈o.loc，o.info〉，o.loc代表PoI的經緯度坐標，o.info表示該PoI的文本信息）和用戶給出的查詢關鍵詞集合W={w1，w2，…，wv}，GTP查詢的目標是返回一個PoI集合{o1，o2，…，ov}，使得oi.infowi，并且累積距離函數f（L，o1，o2，…，ov）達到最小。函數f的具體計算如下：
f（L，o1，o2，…，ov）=∑ni=1dist（li，o1）+n∑v-1i=1dist（oi，oi+1）+∑ni=1dist（ov，li）（1）
其中dist（）表示兩點之間的路網距離。
當然有時用戶希望能夠返回較多的結果，從而根據其他一些因素（比如一家店的評分或者人均消費等）來作出更好的規劃。這就要求GTP查詢能夠返回距離最優的k個結果以供用戶選擇，這樣的查詢問題稱之為k最優群體出行計劃查詢（k Group Trip Planning，kGTP），定義如下：
定義3給定一組用戶的地理位置坐標集合L={l1，l2，…，ln}，所有的PoI集合O={o1，o2，…，om}，用戶給出的關鍵詞集合W={w1，w2，…，wv}，以及返回結果數目k。kGTP查詢返回前k個累積距離函數最小的PoI集合{o11，o12，…，o1v}，{o21，o22，…，o2v}，…，{ok1，ok2，…，okv}。
3NEGTP方法
NEGTP方法的基本思想是為每個用戶維護一個優先級隊列，隊列里存放該用戶下一個將要訪問的路網節點（路網節點根據距離各個用戶位置的遠近來排序），每個用戶選擇距離他最近的路網節點出隊，然后擴展該節點相鄰的節點入隊。如此反復，直到隊列為空或者滿足條件的PoI已被找到。在現實的道路網絡中，PoI的位置不一定正好位于某條邊上，因此本文在實驗中先通過預處理把每個PoI都映射到距離其最近的邊上，然后對每條邊都構建一個倒排文件來存儲落在該邊上的PoI。為了便于理解，下面從用戶給出的關鍵詞個數v出發分兩種情況進行討論（v=1和v>1）。
3.1用戶給出一個關鍵詞
當v=1，也即一組用戶只給出一個關鍵詞的時候，kGTP問題就退化成了一個組k近鄰（k Group Nearest Neighbor，kGNN）問題，這樣就可以借鑒文獻[6]提出的TA算法。但是TA算法為所有的用戶只維護一個優先級隊列來保存要訪問的路網節點，這樣的后果是浪費大量的時間去擴展一些沒有必要的節點；而且TA算法尋找的目標是最近的對象而不是帶關鍵詞屬性的PoI。基于這些問題，本文提出一種改進的閾值算法 （k Adapted Threshold Algorithm，kATA）。算法的具體流程如下。
輸入L，O，W={w1}，k；
輸出PoI結果集合R。
步驟1為一組用戶（假設有n個人）初始化n個優先級隊列，定位每個用戶的位置，獲得其相鄰的路網節點并將其加入相應的隊列。
步驟2檢查每個用戶起始位置所在邊的倒排文件是否含有滿足關鍵詞條件的PoI，如果有則計算所有用戶到達該PoI的總的路網距離并更新結果集R。
步驟3對每個用戶隊列迭代地進行出隊操作并把出隊節點的未被訪問過的相鄰節點入隊，同時檢查新擴展的邊上是否有滿足條件的PoI，如果有則重復步驟2。
步驟4當出現某個用戶的隊列為空或者每個用戶到達自己隊列的頭節點的距離之和大于Mindist[k]（Mindist[k]是當前結果集R中第k大的距離值）時，算法結束。
3.2用戶給出多個關鍵詞
當一組用戶給出的關鍵詞個數大于1時，算法處理kGTP問題的步驟就可以分為3步：
第1步利用上文給出的kATA算法先找出這組用戶關于第一個關鍵詞w1的k個總的距離最近的PoI。
第2步當處理完第一個關鍵詞的時候，所有的用戶都位于同一個地點（某個PoI），接下來這組用戶的出行就可以看成是一個單用戶出行計劃查詢（Trip Planning Query for A Single User，TPQASU）問題 [15-17]?？梢岳梦墨I[15]提出的漸近k鄰居探測算法（k Progressive Neighbor Exploration，kPNE）對到達的第一個PoI附近的路網進行探測，直到找到余下的滿足關鍵詞集合{w2，w3，…，wv-1}并使得用戶經過的距離達到最小的PoI集合。完成前兩個階段后，所有的用戶都位于ov-1的位置。在找最后一個含有關鍵詞wv的PoI時，考慮到用戶之后會返回各自出發的位置，這又可以看作是一個kGNN問題。
第3步再做一步kATA，只不過這里的L變成{L∪ov-1}。
3.3算法分析
因為NEGTP算法為每個用戶（假設共有n人）都維護一個優先級隊列，最壞情況下所有的路網節點都被容納到各自隊列中。因此NEGTP算法總的空間復雜度為O（nV），其中V代表路網總的頂點數。kATA算法的主要時間開銷是計算用戶與PoI之間的距離，這里采用堆優化的Dijkstra算法，其時間復雜度為O（（V+E） log V）。整個kATA算法的時間復雜度為O（nm（V+E） log V），其中m表示總的PoI個數。kPNE算法的時間復雜度為O（（VE/Q） log V），其中Q代表關鍵詞的個數。因此，NEGTP算法總的時間復雜度為O（（nmV+nmE+VE/Q） log V）。
對于v>1的情況，算法的局限性在于它的計算開銷很大。為了得到距離最小的k組PoI集合，算法會遍歷許多不必要（不可能成為最終結果）的興趣點。
4ERGTP方法
針對NEGTP計算開銷大的缺點，本文提出一種基于混合索引IR2tree和利用歐氏距離是路網距離的下界這一條件的方法ERGTP。這里之所以構建IR2tree而不是IRtree，是因為IR2tree在R樹節點里保存的簽名文件是一串二進制數，它比用倒排文件更省內存。同樣，為了便于表述，本算法對用戶給出的關鍵詞個數v分v=1、v=2和v=3來討論，最后再將v擴展至任意值。
4.1用戶給出一個關鍵詞
當v=1時，如上文所述，kGTP問題退化成一個kGNN問題?；贗R2tree索引，本文提出歐氏距離約束的組k近鄰算法（k Group Euclidean Restriction，kGER）來獲得距離這組用戶最近的k個PoI。算法流程如下：
輸入L，O，W={w1}，k；
輸出PoI結果集R。
步驟1初始化一個優先級隊列來保存IR2tree的根節點，設定變量best_k代表已找到的第k小的距離，初始為∞。
步驟2對隊列進行出隊操作，如果出隊的節點是一個PoI，就檢查它的簽名文件是否和關鍵詞匹配。如果匹配，計算所有用戶到達該PoI所行進的總的路網距離并更新best_k和結果集R。反之，舍棄該PoI。
步驟3如果出隊的節點是IR2tree的內節點，檢查該節點的簽名文件是否和關鍵詞匹配。對于匹配的節點進行入隊操作，不滿足的則舍棄。
步驟4算法的終止條件是隊列為空或者當計算這組用戶到達某個節點的總的歐氏距離大于best_k（因為歐氏距離是路網距離的一個下界，如果計算到某個節點時整個歐氏距離之和大于best_k，那么實際的路網距離也就大于best_k，所以用戶隊列里剩余的路網節點就沒有必要進行訪問了）。
4.2用戶給出兩個關鍵詞
當v=2，即用戶給出兩個關鍵詞{w1，w2}時，這組用戶先訪問包含關鍵詞w1的PoI，再訪問包含w2的PoI。這里采用迭代的方法，利用上文給出的kGER算法先找出距離這組用戶最近且包含w1的PoI，記為o1。然后對于集合{o1∪L} 再用kGER算法找到包含關鍵詞w2的PoI，記為o2。如此迭代下去，直到找到k組總的出行距離最短的{o1，o2}這樣的集合。算法具體流程如下：
輸入L，O，W={w1，w2}，k；
輸出PoI結果集R。
步驟1調用kGER算法找到距離這組用戶距離最近且包含關鍵詞w1的PoI，記為o1。對于{o1∪L}再調用kGER算法找到距離最近且包含關鍵詞w2的PoI，記為o2。對于o1和o2，計算所有用戶總的出行距離函數f，保存至結果隊列R中。然后對{o1∪L}繼續調用kGER算法找到距離第二近且包含關鍵詞w2的PoI，記為o2′。對于o1和o2′，再次計算距離函數f并更新結果集R。如此循環，直到第k近的o2已被計算。
步驟2接下來考慮距離這組用戶第2近且包含關鍵詞w1的PoI，記為o1′，重復步驟1的操作。一直迭代地去找下一個最近的PoI，直到k組距離最小的{o1，o2}集合對已被找到或者滿足以下條件：
diste（L，o1）>Mindist[k]（2）
其中：diste（L，o1）表示所有用戶到達o1的總的歐氏距離，Mindist[k]代表當前結果集R中第k大的路網距離值。
4.3用戶給出兩個以上關鍵詞
當用戶給出3個關鍵詞時，ERGTP的處理方法和v=2 時類似，只不過中間加了一步尋找最近鄰（Nearest Neighbor，NN）的過程。因為當所有用戶到達第一個PoI的時候，所有用戶的地理位置是一樣的。除去最后一個PoI，之后他們每次尋找下一個PoI的過程其實就是一個單用戶最近鄰查詢（NN）問題。對于NN問題，同樣可以使用kGER算法來求解，只不過這里距離的計算不再是針對一個Group，而是單個用戶。
當v≥3時，假設v=n，整個GTP查詢問題只需在處理v=2的基礎上添加n-2步的NN查詢即可。
為了進一步提高ERGTP算法的效率，本文提出以下兩個剪枝的策略來加快查詢的速度。
策略1對Mindist[k]設置一個比較緊的初始值來用于剪枝。具體做法如下：用kGER算法得到包含第一個關鍵詞且距離這組用戶最近的PoI，記為o1。之后的每一個oi都取oi-1的最近鄰（2≤i≤v-1）。對于最后一個關鍵詞，找出關于集合{ov-1∪L}的第k個最近鄰的PoI，記為okv。通過設置Mindist[k]的初始值為f（L，o1，o2，…，okv），以此來提高算法查詢的速度。
策略2當v=2時ERGTP算法的終止條件（diste（L，o1）>Mindist[k]）有點寬松，可以替代為n*diste（L，o1）>Mindist[k]。下面給出證明：假設共有兩個用戶，o是下一個包含第1個關鍵詞且距離這組用戶最近的PoI，那么對于包含第2個關鍵詞的PoI（假設o′）來說，最好的情況是o=o′（即這兩個點重合的時候，這組用戶總的出行距離是最短的）。記最好情況下用戶總的出行的距離為：
bestdist=2*（diste（o，l1）+diste（o，l2）） （3
一般情況下，用戶出行的總的距離totaldist為：
totaldist=diste（o，l1）+diste（o，l2）+2*diste（o，o′）+diste（o′，l1）+diste（o′，l2）（4
根據三角不等式，totaldist≥bestdist，所以一旦bestdist>Mindist[k]，算法就可以提前終止了。
4.4算法分析
ERGTP算法的空間開銷主要在其構建的空間索引IR2tree上，所以其空間復雜度為O（pm/（p-1））。其中p表示一個IR2tree內部節點所能容納的子節點的數目，m表示總的PoI個數。生成的IR2tree總的節點數為pm/（p-1），所以在這棵樹上查找包含用戶給定關鍵詞的PoI所需的時間就為log （pm/（p-1）），計算所有用戶與該PoI距離的時間復雜度為O（n（V+E） log V），因此kGER算法的時間復雜度為Ologpp-1m+n（V+E） log V。一次NN查詢算法的時間復雜度為Ologpp-1m+（V+E） log V，因此ERGTP算法總的時間復雜度是On logpp-1m+n（V+E） log V。
5實驗及分析
5.1實驗環境
本文實驗環境：中央處理器Intel Core i3 3.10GHz，內存3GB，32位Windows7操作系統，算法用Java編程實現。
5.2實驗數據集和相關參數
本文分別在合成的（3個）和真實的（1個）數據集上驗證了NEGTP和ERGTP這兩個算法的有效性。合成數據集的具體生成方法如下：假設要生成V個頂點和E條邊的路網，本文首先在整個經緯度坐標系中任取V個坐標作為路網節點，對于這些節點（坐標點），通過以下3種方式來構造路網的邊：1）隨機連接；2）服從均勻分布（每個頂點的入度和出度大致一樣）；3）服從Zipf分布（又叫20/80原則，即20%的頂點構成了80%的邊數）。本文實驗主要考慮后兩種分布對這兩個查詢算法的影響。真實的數據集D取自愛爾蘭的首都都柏林，整個路網共有62975個頂點和82081條邊，過濾掉一些頻數很低的興趣點之后，最后興趣點的總的個數為5297。表1給出了實驗所用的4個數據集的具體數值（其中A，B，C為3個合成數據集）。
本實驗中設定一組用戶給出的關鍵詞個數不會超過4個。這是因為一組用戶在一天之內不可能去得到很多地方，而且經過實際的調查研究，本文發現現實生活中一組用戶在規劃活動時平均會選擇2～3個地方（興趣點）。本實驗主要通過比較查詢所需的時間來衡量這兩個算法的性能。
本實驗需要考量的參數有：一組用戶的規模，這組用戶給出的關鍵詞個數（v），需要返回給用戶的結果數（k），數據集的大小和分布。除此之外，本文將這兩個算法與文獻[14]中的IA在真實的數據集D上進行性能比較。對于每一組實驗，均取100次查詢結果的平均值作為最后的結果。表2給出這些參數具體的取值范圍和默認值。
5.3實驗結果分析
5.3.1用戶規模的影響
圖1展示了NEGTP和ERGTP在不同用戶規模下查詢所消耗的時間對比?？梢詮闹邪l現，兩個算法查詢所需的時間都隨著用戶數量的增多而變長。但是當用戶數量達到一定的數目（≥128）時，ERGTP所需的時間就沒有增長得很明顯。這是因為隨著用戶數變多，ERGTP算法只增加一些到新用戶的距離的計算，并不需要檢索更多的PoI。從圖1還可以發現ERGTP算法的平均查詢時間要比NEGTP少一個數量級左右。
5.3.2關鍵詞個數的影響
上文已經討論過一般情況下一組用戶給出的關鍵詞個數不會超過4，所以本實驗中對關鍵詞個數的取值為1、2、3、4。圖2描繪了關鍵詞個數的改變對兩個算法的影響。從圖中可以發現，隨著關鍵詞個數的增加，這兩個算法所需的查詢時間也在增加。這是因為隨著關鍵詞的數目增多，這兩個算法需要檢索更多的PoI來達到關鍵詞個數的要求。但總體上ERGTP方法仍然要比NEGTP速度快一個量級以上。
5.3.3返回個數（k）的影響
這組實驗中，返回的結果數k的取值分別為2、4、8、16。由圖3可知，隨著用戶需求的返回結果數的增加，這兩個算法的查詢時間都顯著地增加。這是因為這兩個算法都需要檢索足夠數量的候選PoI才能返回給用戶更多的結果?？梢钥吹疆攌很大（k=16）時，ERGTP算法的查詢時間也只是在10s左右。
5.3.4數據集大小的影響
這組實驗通過3個不同規模的合成數據集（服從均勻分布）來評估數據集大小對兩個算法性能的影響。圖4展示了兩個算法在A、B、C三個數據集上的性能（橫坐標代表邊的數目）。從中可以發現，當數據量達到百萬級別（50萬個節點，100萬條邊）時，ERGTP查詢只需要10s左右，屬于人們可接受的時間范圍，這說明ERGTP算法有良好的擴展性。
5.3.5數據集分布的影響
這組實驗主要用來驗證不同分布的數據集對這兩個查詢算法的影響。這里仍然構造相同規模的數據集A，B，C，不同的是它們都服從Zipf分布。圖5給出了在數據集服從Zipf分布的情況下這兩個算法平均的查詢時間。對比圖4，可以發現，不管是均勻分布還是Zipf分布，NEGTP和ERGTP查詢的性能幾乎沒有受到影響。
5.3.6與IA的比較
在這組實驗中，通過改變用戶人數來評估NEGTP、ERGTP和IA這三個算法在真實數據集D上的性能。由圖6可知，IA所消耗的時間是三者之中最少的（約為ERGTP的1/2，NEGTP的1/100）。這主要是因為IA中距離的度量標準是歐氏距離，一旦知道了用戶和PoI的位置之后，IA能馬上計算出這兩點之間的直線距離。而NEGTP和ERGTP只能利用堆優化的Dijkstra算法來計算兩點之間的最短路網距離。但是從它們返回PoI結果的準確性來看（如圖7所示），可以發現NEGTP和ERGTP算法所得出的PoI結果集都是正確的，而IA的準確率只有15%左右。這也是因為IA用簡單的直線距離代替了兩點之間的實際距離，而歐氏空間中鄰近的兩點在現實的道路網絡中往往不是距離最短的。
6結語
本文研究了基于路網的群體出行計劃查詢問題，提出了兩種有效的查詢處理方法NEGTP和ERGTP。NEGTP通過擴展用戶所在的邊來迭代地尋找滿足關鍵詞條件的興趣點；ERGTP則通過建立R樹索引和一些剪枝的策略來更快地尋找興趣點。本文通過大量的實驗驗證了NEGTP和ERGTP這兩個方法的有效性，同時ERGTP方法的查詢時間總是比NEGTP要少一個量級左右。本文下一步將研究帶限制條件的GTP查詢問題：考慮一個群體中每個用戶的權重是不一樣的情形，抑或是興趣點帶有一個評分的屬性（除了距離這一因素以外，需要返回給用戶評分高的興趣點）。
參考文獻：
出差計劃范文4
消化道出血是腦出血常見的并發癥，是由顱腦疾患引起急性應激性潰瘍所致，具有殘廢率、死亡率高的特點。我院2009年1月―2011年5月住院103例CT證實的腦出血患者中，并發消化道出血者16例，占15.5％，現將其觀察及護理體會報告如下：
1 臨床資料
本組男12例，女4例。年齡40―85歲，平均62.5歲，50―69歲13例，占81％，有高血壓病史11例，冠心病4例，糖尿病1例。既往無胃、十二指腸潰瘍史。
1.1 消化道出血癥狀 嘔吐咖啡樣物者10例，便血者3例，胃管內抽出咖啡物者3例。
1.2 臨床表現 有意識障礙者、雙側椎體束征、瞳孔散大或縮小、去腦強直、呼吸不規則，其他合并癥多見，包括肺炎，心功能不全，泌尿系感染，血糖升高等。
2 觀察要點
2.1 注意消化道出血先兆 呃逆是消化道出血的一種信號，頻繁呃逆預示消化道將出血。
2.2 嘔吐物的觀察 腦出血患者由于顱內壓升高多伴有嘔吐，應注意觀察嘔吐物性質，如出現咖啡樣嘔吐物，應警惕由于應激性潰瘍而引起的上消化道出血。
2.3 對排便的觀察 觀察并記錄排便次數、顏色性質、氣味和量。
2.4 意識的改變 患者的意識狀態是判斷病情變化的重要指征，觀察患者是否神志清醒、嗜睡、朦朧、昏睡及昏迷，以估計患者的病情及愈后，以便及早搶救，防止意外。
3 護理要點
3.1 降低顱內壓 抬高床頭10―15℃，頭部置冰袋，雙足置溫水袋。腦出血患者常有顱內壓增高，因靜脈回流受阻，腦血管陰力增加，腦血流減少，常引起腦水腫，有形成腦疝的可能。采取頭高腳底的，有助于降低顱內壓，使頭部靜脈回流得到改善。
3.2 早期放置胃管以減少出血 與消化道出血的早期放置胃管，通過胃管觀察胃液顏色及出血量并監測胃液PH值。將胃液PH值增高到3.5以上，有預防消化道應激性潰瘍出血的作用。同時可通過胃管注入冰鹽水及血管收縮藥物，如去甲腎上腺素8mg放入5―10％葡萄糖液100ml中，可使胃粘膜血管收縮，血流量減少，以減少出血。
3.3 保持呼吸道暢通 腦出血并消化道出血患者多伴又昏迷，頭部位置不當，常引起窒息?；颊邞任唬^偏向一側，經常拍背，使呼吸道分泌物引流通暢。如發現嘔吐物或痰液阻塞呼吸道，要及時用吸引器清除或用大注射器抽吸。對淺昏迷患者吸痰時，注意不要引起嘔吐，并注意防止舌后墜，影響呼吸。深昏迷患者咳嗽反射消失或呼吸暫停者均應立即行氣管插管，必要時行氣管切開和人工呼吸機，速率16―20次/分，并調整容量，使動脈PaO2>10.00kPa, PaCO2在4―4.66 kPa。
出差計劃范文5
【關鍵詞】 急性上消化道出血；觀察；護理
上消化道大出血是臨床上常見的急危重癥之一，以發病突然、發展迅速、病死率高為特點［1］。尤其是上消化道大出血，主要表現為嘔血、便血和不同程度的周圍循環衰竭，如處理不當可危及生命［2］。臨床在對上消化道出血的搶救治療和康復的過程中，護理工作直接關系到搶救是否成功和患者脫離危險后是否能夠順利恢復健康。近年來，我院消化內科救治269例急性上消化道出血患者，從中取得了一些經驗，現將急救護理體會總結分析如下。
1 臨床資料
本院消化內科2008年1月至2010年12月搶救護理急性上消化道出血患者269例，其中男207例，女62例，男女比例約為3.4∶1，年齡18～82歲，中位年齡56.5歲。以黑便為首發癥狀148例，嘔血90例，嘔血伴黑便31例。入院時呈休克狀態98例。入院時血紅蛋白≤60 g/L 97例，60～90 g/L 131例，≥90 g/L 41例。出血原因：胃潰瘍出血78例，十二指腸潰瘍出血61例，胃癌出血32例，急性胃黏膜損害出血23例，食管胃底靜脈曲張69例，胃手術后吻合口出血6例。臨床轉歸：經過治療護理，治愈215例，好轉23例，自動出院4例，轉外科手術15例，病情惡化及死亡12例。
2 臨床觀察
2.1 前驅癥狀 出血前多數患者有腹痛，伴有頭暈、目眩、心悸、胸悶或惡心等癥狀［3］。
2.2 嚴密觀察生命體征 對血壓的觀察：消化道大出血可導致休克，失血性休克的主要原因是血容量不足，表現為血壓下降和脈壓差縮?。粚γ}搏的觀察：脈搏的改變是觀察休克的主要標志，休克早期脈搏加速，休克晚期脈搏細而慢；對體溫的觀察：失血者體溫多低于正常或不升。一般休克糾正后可有低熱或中度熱，一般≤38.5℃，常持續3～5 d，原因系出血后分解產物吸收，血容量減少，體溫調節中樞失調而引起發熱，若體溫≥38.5℃，應考慮出血后誘發感染，如體溫持續不退或退熱后又不升則應考慮再出血。
2.3 觀察嘔血、便血性質和量 嘔血和黑便是上消化道出血的特征性表現。密切觀察其發生時間、次數、量、顏色及性狀。引起嘔血，提示胃內出血量達250～300 ml或以上；解黑便，提示出血量在50～70 ml甚至更多；大便潛血試驗陽性，提示出血量5 ml以上；如出現柏油便提示出血量為500～1000 ml。
2.4 觀察尿量 尿量是反映腎臟灌注情況的重要指標，尿量減少是低血容量性休克的最早征象，準確記錄出入量，保持尿量>30 ml/h。
2.5 觀察神志、四肢情況 觀察意識、皮膚和甲床色澤，肢體溫暖或濕冷、周圍靜脈充盈情況。出血量在5％以下無明顯癥狀；出血量在5％以上可出現眩暈、眼花、口渴；出血量在20％以上可出現煩躁不安、表情淡漠、四肢厥冷等休克癥狀。
2.6 觀察有無再出血跡象 上消化道出血患者病情經常反復，出血控制后仍應觀察有無再出血，如患者反復嘔血、黑便，顏色由黯黑變為暗紅，甚至嘔吐物轉為鮮紅色，血壓、脈搏不穩定皆提示再出血。
3 護理體會
3.1 及時補充血容量 迅速建立兩條靜脈通道，盡快用9號針頭進行輸液。及時補充血容量，一般用生理鹽水、林格氏液加乳酸鈉，低分子右旋糖酐或其他血漿代用品；同時做好血交叉試驗，準備輸血，輸血量及速度可依據出血的程度而定。如進行加壓輸血時，應密切守護，嚴防輸血終了，空氣隨之進入血管造成栓塞［4］。搶救治療開始滴速要快，但也要避免因過多、過快輸液、輸血引起肺水腫或誘發再出血，從而加重病情。
3.2 心理護理 心理護理是指在護理全過程中，由護士通過各種方式和途徑積極影響患者的心理狀態，以達到其自身的最佳身心狀態，其必要條件是護士要與患者建立良好的互相信任的治療性人際關系，并對存在的心理問題有較深的了解和準確的評估［5］。患者對疾病缺乏正確認識的前提下，易產生緊張恐懼的情緒而加重出血，尤其反復出血者因反復住院給家庭帶來沉重的經濟負擔，感到前途暗淡，消極悲觀，對治療失去信心。因此做好有效的心理護理尤為重要。醫護人員從容的態度，親切的語言，認真的答疑，果斷的決策，沉著、冷靜、熟練的操作，可給患者以安全感。解除患者精神緊張及恐懼心理。有益于良好護患關系的建立和進一步治療的配合。
3.3 加強基礎護理 嚴密觀察病情變化，定時測量血壓、呼吸、脈搏。注意觀察患者神志、面色、指甲、結膜是否蒼白或發紺；皮膚顏色及溫度變化，注意保暖，防止著涼或過熱；注意表情是否淡漠、嗜睡；觀察動作語言有無異常；有無頭昏、惡心、心慌，口唇有無紫紺；觀察嘔吐物的顏色和量；觀察大便的顏色和形狀，嚴密觀察尿量，嚴格記錄24 h出入量。護理：將患者安置在安靜的病室內，保持呼吸道暢通，取半臥位或去枕平臥位，并將下肢抬高，如有休克，頭和腳稍高，下肢以抬高30°為宜，以防腦部缺血；當劇烈嘔血伴神志恍惚時，將患者頭偏向一側，迅速吸凈患者口咽部及氣管內血液和痰液，避免吸入氣管而窒息。保持床鋪整潔，幫助患者經常變換，勤翻身，隨著病情的好轉，逐漸增加活動量；飲食護理：嘔血或明顯出血時，必須禁食，24 h后如不繼續出血，遵醫囑可給少量溫熱流質易消化的飲食，病情穩定后，指導患者要定時定量，少食多餐，避免進食粗糙、生冷、辛辣等刺激性食物，同時要禁煙、酒、濃茶及咖啡。
3.4 預防感染的護理 上消化道出血患者因失血過多，大量蛋白丟失，機體免疫力降低。容易發生各種感染，感染后易導致再次出血，加重病情，誘發肝功能衰竭。因此必須認真做好每一環節的護理，以免減少感染機會，將患者安置單人房間，室內保持空氣新鮮，溫度保持在22～24℃，相對濕度50～60％，用消毒液擦床頭和灑地面，每天拖擦地面2～3次，并減少陪人，防止交叉感染。做好皮膚護理，保持皮膚清潔及床鋪平整清潔、干燥，被服隨時更換，無皺褶，嘔血、便后及時清潔用物。排便次數多時，便后用溫水擦洗，注意保暖，防止著涼，同時加強口腔護理，2次/d，隨時清除口腔殘留的血跡，減少口腔中的血腥味，以免血腥味刺激引起嘔吐反射而再次出血，同時能增加患者舒適感，因患者長時間臥床也容易發生墜積性肺炎。應每2 h翻身1次，扣背1次，必要時可給霧化吸入。
3.5 用藥護理 嚴格遵醫囑用藥，熟練掌握所用藥物的藥理作用、注意事項及不良反應，特別是特殊藥物，如滴注施他寧、垂體后葉素等止血時速度不宜過快，以免引起腹痛、心律失常和誘發心肌梗死等。肝病患者禁用嗎啡、巴比妥類藥物，宜輸新鮮血，因庫存血含氨量高，易誘發肝性腦病，準備好急救用品、藥物及三腔二囊管等［6］。
3.6 三腔二囊管壓迫止血的護理 插管前先做好充氣試驗，氣囊充盈后應膨脹均勻，彈性良好，無漏氣，并在各管終端做標記，同時做好患者思想工作，插管過程中必須經常觀察患者面色、神志。插管后要保持胃氣囊壓力50～70 mm Hg，食管氣囊壓力為35～45 mm Hg，密切觀察引流液的顏色和量，置管24 h后宜放出氣囊氣體，以免壓迫過久可能導致黏膜壞死［7］。放氣觀察一段時間后可根據是否出血再次充氣牽引，若出血停止24～36 h后在患者口服石蠟油15～20 ml后拔管。在進行三腔管壓迫期間，要加強基礎護理，咽部分泌物要及時吸盡，防止堵塞氣道，吸入肺內引起感染。鼻唇溝處墊少量脫脂棉，避免管壁直接接觸皮膚。鑒于近年藥物治療和內鏡治療的進步，目前已不推薦氣囊壓迫作為首選止血措施［8］。
3.7 健康指導 向家屬宣教一些本病的常識，使之對治療過程有一定的了解，取得家屬配合，并協助醫生解決一些實際問題；教會患者及家屬識別早期出血征象及應急措施，出現嘔血或黑便時應臥床休息，保持安靜，減少身體活動；幫助掌握有關病證的病因、預防、治療知識。生活要有規律，食易消化食物，不要食用刺激性食物，忌暴飲、暴食，注意勞逸結合，避免過度緊張，保持良好精神狀態，以減少再度出血的危險，保持良好的心態和樂觀精神，正確對待疾病，合理安排生活，增強體質，在醫生指導下用藥，勿自用處方，慎重服用某些藥物。
總之，上消化道出血起病急、來勢兇險、變化快，易造成失血性休克和循環衰竭而危及生命，如能及時進行有效的止血治療及認真細致的護理，可使患者轉危為安，提高治愈率，大大降低病死率，從而達到康復的目的。
參 考 文 獻
［1］ 夏慧娟.急性上消化道出血的護理體會.現代中西醫結合雜志,2007,16(31)：4693,4694.
［2］ 尤黎明,吳瑛.內科護理學.第4版.北京:人民衛生出版社,2006:252.
［3］ 熊彩娟,張彩英,黃秋燕.急性上消化道出血病人的觀察與護理.全科護理, 2010,8(4):1046,1048.
［4］ 李素霞.上消化道出血的西醫進展.護理研究,2002,16(8):450.
［5］ 王志紅,周蘭妹.重癥護理學.北京:人民軍醫出版社,2003:171,175.
［6］ 李銀平.肝硬化上消化道出血患者的護理要求.護理研究,2007,21(12 c):3319,3320.
出差計劃范文6
關鍵詞：高等職業教育；網絡化；差異化教學；項目化教學
中圖分類號：G712 文獻標志碼：A 文章編號：1673-8454（2017）13-0034-03
隨著我國現代職業教育體系的不斷完善，高職院校的生源也呈現出多樣化的特點。多層次的生源構成也使學生間的知識基礎及素質呈現出較大的差異，因此造成了高職生源差異性與培養目標統一性之間的矛盾。目前，國內很多高職院校都針對上述矛盾進行了探索與嘗試，其中應用較多的方式是“分層式教學”，也相應取得了一些成果和經驗。但是“分層式教學”模式中存在兩個主要問題：其一，層次的劃分標準、層次之間的度量該如何把握，并沒有科學的標準，仍主要依靠教師的經驗。其二，對不同層次的學生進行教學，學生的心理落差應該怎樣彌補，如果沒有適當的干預措施反而會引起學生對分層教學的抵觸。為此，本文試圖以網絡平臺為基礎，利用網絡化教學資源，對高職學生的差異化教學實施過程和方法進行探討，為實現崗位職業技能的教學目標進行有益的嘗試。
一、差異化高職教學的概念
崗位職業能力的要求是職業教育最為明確的教學目標。因此實施差異化高職教學的基本目標是指，在對不同特征的學習者設定較為同一預期結果的前提下，教師針對不同個體實施具有不同目標的教學活動，但并不是完全迥異的教學活動，而是指在教學的實施過程中在某些維度上存在著相對的差異。其中，高職差異化教學過程就是建立起不同學習者與同一化的教學目標之間不同途徑的多維度映射過程。（見圖1）
高職學生間的差距是客觀存在的，實施差異化的教學過程可以促進學生知識的同一性形成。為此，國內外的學者提出了兩種不同的定義：華國棟等以學生為出發點，認為“差異化教學”是在以班級為基礎的集體教學中，再來滿足學生的個性差異和個別學習的需要，從而促進每個學生在原有基礎上得到充分發展的教W。而湯姆?林森等則以教師為出發點，認為教師需要根據學生的準備水平、學習興趣和學習要求來主動設計和實施多種形式的教學內容、教學過程與教學資源。
隨著網絡技術的快速發展，各種形式的教學資源不斷豐富，已經基本具備為不同學習者提供個性化學習過程的基礎。加之，高職學生在基礎知識上的差距較大，會使同一性教學（課堂教學）過程在實施之后難以達成預期的教學目標。因而，在高職教育中實施差異化教學十分必要，尋找適合高職生最優發展的差異化教學模式，是目前高職院校教學急需解決的問題。
二、網絡化教學在實施差異式高職教學中的優勢
對于差異化教學的實施過程，網絡化的教學方法有著其他方法無法比擬的優勢，使差異化教學的實施手段更豐富，實施過程也更契合個性化學習的要求。其優勢主要體現在以下三個方面。
1.網絡化教學靈活的組織性
網絡化教學具有空間、時間上的靈活性。網絡化教學不需要將師生固定在特定的空間范圍內，只要有網絡和終端就可以組織學習者進行學習。在時間上，課程可以通過多媒體及云存儲等技術網絡化，課件和其他教學資料也可以通過共享的形式進行分發，無需學習者的時間統一，并且能夠為學習者提供將學習過程提前或延后的支持。
2.網絡化教學較高的互動性
相較傳統的課堂教學模式，實施于網絡平臺教學的教學過程有較大的互動性優勢。傳統的高職教學中教師往往處于絕對主導地位，師生之間的交流多限于口頭的表達上。但在網絡化教學平臺上教師和學生之間完全處于平等的地位，可以通過文字或音、視頻等進行多種形式的分享與溝通。師生之間還可以通過P2P的方式進行私密性問題的交流，避免將隱私公之于眾的尷尬。
3.網絡化教學手段的豐富性
網絡化教學過程必然是在多媒體技術支持下的教學過程，相較傳統教學手段在對教學內容的表達上更豐富，對具體知識點的展示上也更具趣味性。同時隨著移動應用技術的出現，使學生的多信息載體的學習方式得以實現，既可以通過計算機進行正常的課程學習，還可以通過智能手機隨時隨地獲取與課程相關的知識，進行課程學習。
計算機網絡是實施差異化高職教學不可或缺的平臺和載體，通過網絡平臺可以提升學生對學習過程的主導性，以教學資源網絡化的方式將學習過程前移，從而實現學生的學習過程先于教師的教學過程。學生在基礎知識上的差距則通過前移化的差異學習得以縮小。
三、基于網絡的差異化教學模式的構建
一般來說學習過程是由傳授和內化兩個子過程組成的，學習者是以一種在心動中反思的方式發現問題，從而形成假設并采取對策。差異化教學的根本是制定以學習者特征為基礎的教學模型。其中，學習者特征包括對學習者產生影響的心理、生理、社會環境等各方面的因素，劉俊英等學者將高職教學中專業課程的教學目標分為基礎目標、綜合目標、拓展目標三種不同層面。為此，差異化高職教學模型要立足于高職學生的基礎水平之間的差距，通過設立多種不同層次的教學目標，并以設計與其對應的不同教學方法來構建差異化的高職教學模型。
