工学硕士研究生课程教学大纲Word文件下载.docx

工学硕士研究生课程教学大纲Word文件下载.docx

《工学硕士研究生课程教学大纲Word文件下载.docx》由会员分享，可在线阅读，更多相关《工学硕士研究生课程教学大纲Word文件下载.docx（53页珍藏版）》请在冰豆网上搜索。

2．使学生了解组合设计的基础知识。

3．使学生了解一些优化问题和模型。

4．培养学生的组合思维方法和组合技巧。

教学方式及学时分配：

1．教学方式为课堂授课。

2．学时分配：

第一章排列与组合，8学时

第二章母函数与递推关系，8学时

第三章容错原理和鸽巢原理，8学时

第四章Polya定理，4学时

第五章组合设计，2学时

第六章线性规划，2学时

教学主要内容及对学生的要求：

1．教学主要内容：

介绍组合数学的基本工具；

围绕组合数学的基本问题，重点介绍组合计数

问题、简介组合数学求解中的存在问题和组合优化问题。

2．要求：

学生学习本课程应具备的先修知识是高等数学（I）、（II）、离散数学。

内容摘要：

在第一章中主要介绍组合数学的基本工具，包括加法规则、乘法规则、一一对应规则；

线排列和圆排列、不可重组合与可重组合、二项式及多项式定理、排列和组合的生成算法；

在第二章至第四章中重点介绍组合计数问题，包括递推关系及其求解；

用母函数求解递推关系，母函数在排列组合中的应用；

物件性质的组合，特定、全非、恰K性质型容斥原理；

鸽巢原理，Ramsey原理；

Burnside引理，polya定理，母函数型的Polya定理；

在第五章中简介存在问题，包括拉丁方设计，均衡不完全的区组设计，Hadamard矩阵；

第六章简介组合优化问题，包括搜索与优化，动态规划法，分支定界法，背包问题、调度问题、最大流量问题的求解，匹配问题。

考核方式：

闭卷笔试考试

主要教材：

《组合数学》卢开澄清华大学出版社

参考书目：

《程序设计中的组合数学》吴文虎主编清华大学出版社

《组合原理及其应用》孙世先张先迪编著国防工业出版社

2、课程编号：

063302课程中文名称：

随机过程32学时/2学分

StochasticProcesses

计算机应用技术

马春光刘咏梅

通过对《随机过程》课程的学习，使学生初步掌握随机过程的基本理论和方法，掌握几类重要随机过程模型并熟悉它们的应用背景。

1．概率论补充知识讲授8学时

概率空间

随机变量

特征函数

多元正态分布

随机变量函数的分布

条件数学期望

2．随机过程的基本概念讲授8学时

随机过程的定义

随机过程的分布及其数字特征

复随机过程

几种重要的随机过程类型

维纳过程

3．泊松过程讲授6学时

泊松过程的定义

泊松过程的数学模型

泊松过程的到达时间与点间隔分布

复合泊松过程

4．马尔可夫过程讲授10学时

马尔可夫过程的定义

马氏链的状态分类

转移概率的极限分布与平稳分布

应用举例

本课程的先修课程为高等数学、概率论与数理统计为。

学习内容包括概率论补充知识，随机过程的基本概念，泊松过程，马尔可夫过程等四部分。

随机过程是对随时间和空间变化的随机现象进行建模和分析的学科，在物理、生物、工程、心理学、计算机科学、经济和管理等方面都得到广泛的应用。

通过本课程的学习，使学生掌握随机过程的一般概念，随机过程的分布及其数字特征，知道常见的几类随机过程的定义、背景和性质；

掌握泊松过程的定义与基本性质，了解它的实际背景，熟悉它的若干推广；

掌握维纳过程的定义与基本性质，了解它的实际背景，熟悉它的若干推广；

掌握离散时间的马尔可夫链的基本概念，熟练掌握转移概率、状态分类与性质，熟悉极限分布、平稳分布与状态空间的分解。

闭卷，笔试

主要参考书目：

《随机过程》毛用才，胡奇英西安电子科技大学出版社

《随机过程》汪荣鑫西安交通大学出版社

《随机过程及其应用》陆大絟清华大学出版社

《随机过程内容、方法与技巧》孙清华，孙昊华中科技大学出版社

3、课程编号：

063401课程中文名称：

现代计算机体系结构32学时/2学分

ArchtectureofModernComputer

计算机应用技术　计算机系统结构

李静梅

通过本课程的学习，要求学生能够掌握计算机系统结构的分析和设计方法，同时掌握最新的计算机流水技术、分支预测技术和并行处理技术。

多媒体与黑板结合授课，理论授课学时20，专题讲座8学时，实验4学时

本课程主要立足于系统设计者的角度，分析和评价影响系统性能、价格等的因素；

研究计算机系统结构的分析和设计方法；

掌握并行处理技术在现代计算机系统中的应用和实现方法。

要求学生具有数字逻辑、计算机组成原理、程序设计、操作系统和数据结构的知识基础，具有独立检阅相关文献、。

讲述计算机系统结构的基本概念、基本原理、基本结构、基本分析方法及近年来的重要进展。

主要包括计算机系统层次结构，计算机系统结构、组成、实现的定义和相互关系，软硬取舍原则及设计方法，软件移植手段，应用与器件对系统结构的影响，并行性发展与计算机系统分类，数据表示，寻址方式，指令系统的设计与改进，RISC技术，总线，中断系统，通道处理机和外围处理机，存贮系统，虚拟存贮器，Cache存贮器，主存保护，重叠，流水，向量处理机，超标量、超长指令字、超流水线处理机，并行处理机和相联处理机，多处理机的硬件结构、程序并行性、性能分析，脉动阵列机，数据流机，归约机，智能机，大规模并行处理机和机群系统。

开卷　卷面成绩占总成绩的60%，平时成绩占40%

计算机系统结构（第四版）李学干西安电子科技大学出版社

计算机系统结构　　　　　郑纬民　清华大学出版社

《计算机系统结构》学习指导与题解　李学干　西安电子科技大学出版社

《计算机系统结构》典型题解析与实战模拟　张春元　罗莉　国防科技大学出版社

4、课程编号：

063402课程中文名称：

高级计算机网络32学时/2学分

AdvancedComputerNetwork

计算机应用技术、计算机软件与理论

王慧强国林

通过该课程的学习使学生能系统地掌握网络的基本知识和先进的主流技术，再结合强调网络基础性问题及其具体的解决方法，使学生迅速了解更多的网络实现实例。

课堂授课32学时

该课程采用自顶向下的教学方法，围绕计算机网络体系结构的“层次”来组织内容。

采用自顶向下的教学方法使得学生对计算机网络中的“高增长领域”—应用层有更深的理解，从而调动学生们的学习积极性，并借此在教学的早期阶段向学生们介绍网络应用程序的开发。

借助于分层的体系结构，学生能够透过计算机网络复杂性看到其内部，学生在学习整个体系结构的某个部分中的独特概念和协议时，也看清了所有这些部分是如何整合在一起的全貌。

本课程的先修课为计算机原理、系统结构、操作系统。

概述内容包括因特网的定义、网络边缘、网络核心、接入网和物理媒体、分组交换网中的时延和分组丢失、协议层次及其服务模型、计算机网络和因特网的历史；

用五层混合模型替代七层OSI模型，主要讲述内容包括应用层、运输层、网络层与网络互联、数据链路层和局域网的相关知识；

有关网络的最新技术将分章进行讲述，包括无线网络和移动网络，多媒体网络技术，因特网管理的相关知识。

同时课程中增加了一套实用的Ethereal实验和两个新的套接字编程帮助：

即UDP帮助和代理Web服务器帮助。

另外课程内容还包括对等网络、BGP、MPLS、网络安全、广播选路和因特网编址和转发方面新的扩充材料。

以上这些扩充材料我们将在相应的章节进行简单的介绍。

对于网络五层混合模型中的网络层，我们将更加清楚地展示转发和路由的作用，以及它们在网络层中的相互影响。

开卷考试，书面成绩占100%

《计算机网络—自顶向下方法与Internet特色》（第3版）JamesF.KuroseandKeithW.Ross著陈鸣等译机械工业出版社

5、课程编号：

063403课程中文名称：

高级人工智能32学时/2学分

AdvancedArtificialIntelligence

计算机科学与技术

刘杰

通过本门课程的学习使学生掌握人工智能的发展现状、基础理论、方法和应用；

了解当前提出的人工智能新理论、方法；

跟踪各研究领域发展的新趋势。

课堂授课，32学时

先修课程：

离散数学、数据结构与算法设计、高级语言程序设计、数据库。

本课程系统地介绍人工智能的基本原理及其应用，覆盖了人工智能研究的核心内容，反映了该研究领域的最新发展。

课程共分为8部分内容，包括人工智能的概况、知识表示方法、一般搜索原理、高级求解技术、机器学习与数据挖掘、自然语言理解、分布式人工智能与Agent技术以及人工智能展望。

人工智能的概况部分，主要介绍人工智能研究的特点，发展简史，当前研究现状。

知识表示部分，介绍知识表示方法概述及几种常用的知识表示方法，包括知识的定义、知识的种类、知识表示的定义，状态空间知识表示法、谓词逻辑表示法、产生式表示法、语义网络表示法、框架表示法、剧本表示法、过程表示法和面向对象表示法。

一般搜索原理部分，介绍盲目搜索技术，启发式搜索技术A*算法、A*算法的可纳性证明、A*算法的性质、A*算法的应用，其他启发式搜索算法、博弈搜索；

介绍消解法（归结原理）的基本思想，详细叙述了Herbrand定理的推导过程和消解法的理论基础，介绍若干消解策略和方法的应用。

高级求解技术部分，介绍规则演绎系统、系统组织技术、不确定推理和非单调推理。

机器学习与数据挖掘部分，介绍机器学习的定义与研究意义、主要策略与基本结构、机械学习、基于解释经验的学习、基于事例的学习、基于概念的学习、基于类比的学习及数据挖掘技术等。

自然语言理解部分，介绍语言及其理解的一般问题、语法规则的表示方法、语法分析、语义分析、自然语言的生成、自然语言理解的层次模型。

分布式人工智能与Agent技术部分，介绍分布式人工智能的基本概念、分布式问题求解、分布式人工智能与Agent技术之间的关系；

Agent技术的最新发展、应用前景、主要内容，并给出应用实例。

人工智能展望部分，展望人工智能的发展。

通过本课程的学习，要求学生掌握人工智能发展现状、基础理论、方法和应用，了解当前提出的人工智能新理论、方法，跟踪各研究领域发展的新趋势，并且能够运用人工智能的理论与方法解决一些实际应用问题。

课程共分为8个部分，包括人工智能的概况、知识表示方法、一般搜索原理、高级求解技术、机器学习与数据挖掘、自然语言理解、分布式人工智能与Agent技术以及人工智能展望。

考核方式