基于MpA-svM的技术实践与工作精准指向研究

何剑萍 黄晓兰 蒋大锐

摘要：将校企联合融入大学生就业指导中，优化了化工专业大学生就业指导流程。采用MPA对SVM核函数参数进行优化，提出了基于MPA-SVM 的大学生就业指导评价模型。通过对比MPA-SVM模型和其他模型的性能，验证了MPA-SVM模型具有更佳的性能。将MPA-SVM模型应用于某院校化工专业毕业生就业数据中，结果表明，将校企融合融入到大学生就业指导中能够有效提升大学生就业的质量，同时大学生就业的质量也和市场经济的发展之间具有密切的关系。这对促进大学生就业指导质量的提升具有一定的参考价值。

关键词：支持向量机；海洋捕食者算法；大学生就业指导；校企联合

中图分类号：O231         标志码：A       文章编号：1001-5922（2023）03-0122-05

Research on technical practice and work precision orientation based on MPA-SVM

HE Jianping 1，HUANG Xiaolan2，JIANG Darui1

（1. Guangzhou Huashang College，Guangzhou 511300，China；

2. Guangdong University of Finance and Economics，510300，Guangdong China）

Abstract：The school-enterprise combination has been integrated into college students employment guidance，and the process of college students employment guidance has been optimized. MPA is used to optimize the parameters of SVM kernel function，and an evaluation model of college students employment guidance based on MPA-SVM is proposed. By comparing the performance of MPA-SVM model with other models，it is verified that MPA-SVM mod? el has better performance. The MPA-SVM model is applied to the employment data of chemical engineering gradu? ates from a university. The results show that the integration of school and enterprise into college students employ? ment guidance can effectively improve the quality of college students employment. At the sametime，the quality of college students employment is also closely related to the development of market economy. This has certain refer? ence value for promoting the quality of college students employment guidance.

Keywords：support vector machine；marine predators algorithm；smart employment guidance for college students； data support

伴随着高等教育的快速发展，高校毕业生人数在快速增加，大学生就业成为了备受社会广泛关注的话题。尤其是“生环化材”专业毕业生，就业更是难上加上，被认为是“天坑专业”。有效解决大学生就业问题离不开高校对大学生的精准就业指导，通过精准、有效的就业指导，帮助大学生科学定位，从而实现高质量就业。有学者分析了化工专业大学生就业的流程与就业相关手续注意事项，帮助化工专业大学生快速实现角色的转变[1]；对电力院校大学生就业指导进行了研究，指出高校在开展就业指导工作的过程中应该将人才培养与企业需求相结合，通过校企合作来促进大学生就业[2]。尽管当前学术界对大学生就业指导给予了高度的关注，但是研究主要是从定性的角度，缺乏定量化的研究。结合校企合作大环境，开展技术实践，提升大学生就业竞争力，帮助大学生明确就业指向是提升高校办学质量的关键所在。优化大学生就业指导流程，构建大学生就业指导评价体系，并采用改进的支持向量机（SVM）对大学生就业指导进行评价，为大学生就业工作精准指向提供数据支撑。

1 大学生就业指导优化

化工专业具有很强的实践性，要想实现高质量就业就必须具备掌握化工理论知识与比较强的化工实践技能。当前化工专业院校在开展大学生就业指导的过程中忽视了化工专业学生的特殊性，没有很好地实现与化工企业之间的对接，这导致大学生就业时存在很大的迷茫性。在開展化工专业大学生就业指导的过程中将校企合作融入其中，通过校企合作来提升学生自身的硬实力，从而实现更高质量的就业[3]。化工专业大学生就业指导优化流程如图1所示。

从图1可以看出，大学生就业一方面要了解企业需求、掌握企业工作技能与产品生产工艺；另一方面是高校人才培养方案、课程改革、实践教学要紧跟学生的就业需求。高校在开展就业指导的过程中抛弃企业，这样的就业指导是“假大空”；而是要通过校企合作来促进化工专业大学生的就业，从而帮助大学生实现精准就业指导。

大学生的就业质量和大学生自身的职业素养之间具有十分密切的关系，高校教师带领大学生参与企业实践的过程中要参与其中，通过专业教师、企业工作人员以及就业指导教师相结合，更好地培养大学生的职业素养，增强在激烈就业市场中的竞争力。大学生企业实践职业素养培养流程如图2所示。

2 化工专业大学生就业指导评价

2.1 支持向量机

SVM 是一种二分类模型，可以有效解决分类、回归、异常值检测等问题。SVM 的学习策略是间隔最大化，在高维空间数据处理中具有十分广泛的应用[4]。 SVM原理如图3所示。

从图3可以看出，在边缘上有4个样本点，被称之为支持向量。设有 m 个训练样本（xi .yi ），i =1.2.….m ，yi  e ]1.-1}，最优超平面为[5]：

式中：w 为法向量；b 为偏置位移。

SVM 学习的目标是寻找法向量 w 以及偏置位移b ，使尽可能多的训满足

对最优超平面的求解可以转化为2次凸优化问题，即[6]：

实际问题往往是线性不可分的，这使得采用硬边距SVM模型进行样本集合的分类会产生误差。通过引入惩罚系数C 和松弛变量εi来构造等价优化问题，即[7]：

引入拉格朗日乘子 ai 可以将式（4）转化为对偶问题，即：

求解该优化问题得到决策函数

当样本分类为非线性问题时，通过非线性变换将其转化为线性分类问题。由于线性分类问题的目标函数和决策函数只涉及实例和实例之间的内积，因此可以采用核函数 K（x .z）来代替内积。对任意输入空间 x 和 z ，有[8]：

式中：o（.）为输入空间到特征空间的映射。

于是，非线性问题的决策函数为

核函数不同，SVM 算法不同，核函数的选择要结合具体的问题来确定。本文选择的核函数为径向基函数，即[9]：

2.2 海洋捕食者算法优化支持向量机

惩罚系数 C 和核函数参数 g 对 SVM 分类性能影响比较大，采用海洋捕食者算法（MPA）对参数组合（C .g）进行优化。MPA 算法是一种新型元启发式优化算法，是受到海洋中生物捕食者以及猎物的行为启发提出的。MPA算法流程如下：

2.2.1 采用随机方式或混沌映射方式进行种群初始化

设Xmax、Xmin分别为猎物搜索边界的上下限，在搜索边界内对猎物位置初始化，即[10]：

式中：X0为猎物初始位置；rand 为区间[0.1]上的随机数。

2.2.2 构造精英矩阵 Ei 和猎物矩阵 Pi ，并进行记忆存储

按照适者生存理论，位于食物链顶级的捕食者觅食具有优势，那么顶级捕食者所在的位置就是最优解，构造精英矩阵（Elite）[11]：

式中：下标 n 、d 分别为搜索代理数量和维数；XI 为顶级捕食者向量。

在整个生物链中，捕食者和猎物是相对的，顶级捕食者在搜索猎物时，猎物也在搜索下一级的猎物。从这个角度上来讲，猎物与捕食者都是搜索代理。在 MPA 算法中，每一次迭代处于顶级的捕食者都会被更佳的捕食者所取代，从而实现精英矩阵（Elite）更新。同精英矩阵对应的是猎物矩阵（Prey），其表达式为：

2.2.3 优化方案

捕食者在不同的阶段捕食者和猎物的速度不同，那么所采用的觅食策略也是不同的。MPA 共包含3个阶段，分别为迭代前期、迭代中期、迭代后期[12]；图4为3个阶段的示意图。

（1）迭代前期。捕食者的速度大于猎物的速度，采用勘探策略，数学模型为[13]：

（2）迭代中期。捕食者的速度和猎物的速度相同，采用勘察和开发并重策略，数学模型为[14]：

（3）迭代后期。捕食者的速度小于猎物的速度，采用开发策略，数学模型为[15]：

式中：si为移动步长；RB 为正态分布的布朗游走随机向量；?为逐项乘法运算；R 为区间[0.1]上的均匀随机向量；RL 为Levy分布的随机向量；CF 为控制捕食者移动步长的参数。

为了避免优化过程中在局部最优处停滞，添加FADs效应，数学模型为[16]：

式中：Xmax和Xmin分别为搜索空间范围的最大值和最小值；FADs 为影响概率；r 为区间[0.1]上的随机数；r 1和 r2分别为猎物矩阵的随机索引。

2.3 MPA-SVM 就业指导评价

高校就业指导关系到高校毕业生的就业精準度，进而影响到高校的办学质量提升。在当前大学生就业难备受社会广泛关注的大背景下，为促进大学生高质量、精准就业，高校应该结合专业人才培养目标和学生的实际情况来开展更具针对性的就业指导工作。高校毕业生就业信息数据库包含了高校毕业生的就业信息，如学生基本信息、学生成绩信息、学生素质拓展信息等。考虑到有的信息是定型的，有的信息是定量的，同时不同信息属性存在比较大的差异，因此在开展就业指导评价的过程中对定型信息量化处理，同时对所有的信息进行归一化处理，作为样本数据集进行分析[17]。结合对化工专业大学生就业指导的评价来找出大学生就业指导存在的问题，进而开展更具针对性的就业指导，提升化工专业大学生就业质量。将样本数据集按照8∶2的比例划分为模型训练样本数据集和模型测试样本数据集，采用 MPA 对SVM 的惩罚系数（C）和核函数参数（g）进行优化，得到 MPA-SVM 模型。基于 MPA-SVM 的化工专业大学生就业指导评价模型如图5所示。

3 实例分析

3.1 数据来源

不同的高校办学目标不同，学生就业去向差别也比较大。选择湖北省武汉市某普通本科院校作为研究对象，从大学生就业数据库中提取近10年化工专业学生就业数据信息。就业数据信息包括学生的性别、年龄、在校实习次数、参加社团、学科类别、英语等级、政治面貌、计算机等级、学习成绩等属性。考虑到每届毕业生的人数在1000名学生左右，最终确定每一届选择800名学生，将样本数据集按照8∶2的比例随机分配，其中训练样本数据6400，测试样本数据1600。

3.2 结果分析及讨论

设置MPA 算法的种群规律为50，最大迭代次数为500，影响概率为0.25，对 SVM 的参数组合（C .g）进行优化，获得优化后的SVM 模型。另外，为了对比不同智能优化算法对SVM 惩罚系数和核函数参数优化得到的不同改进SVM模型，采用遗传算法（GA）[18]、粒子群算法（PSO）[19]优化SVM参数，得到GA-SVM模型、PSO-SVM模型。对比不同模型对化工专业大学生就业指导的准确率和算法运行时间，结果如表1所示。

由表1可知，采用智能优化算法（GA、PSO、MPA）对SVM 惩罚系数和核函数参数优化之后，模型的准确率均得到了一定程度的提升，其中MPA-SVM模型對就业指导的准确率由78.6%增加到了95.7%。从算法运行的时间来看，SVM 模型的运行效率最高，这是因为智能优化算法会降低模型的运行效率，但是相比较而言，PSO-SVM、MPA-SVM 和SVM 模型的运行时间相差很小，可以忽略不计[20]。从整体上来讲， MPA-SVM的性能最佳。

校企联合是高校提升办学质量的关键所在，选择的高校在2015年开展校企联合，即2013～2018届毕业生并没有参与到校企联合培养中来。采用 MPA-SVM 模型对2013～2018年的化工专业毕业生就业指导质量进行评价，结果如图6所示。

从图6可以看出，2013～2018年化工专业毕业生就业指导质量得分呈现出波动变化的趋势。毕业生的就业和经济形势之间有很大的关系，出现波动受到社会经济发展大趋势的影响，这也在一定程度上说明了该校就业指导工作开展还有很大的提升空间。

所选择的高校2019届毕业生是该校第一届参与到校企联合培养的学生，采用 MPA-SVM 模型对2019～2022年的化工专业毕业生就业指导质量进行评价，结果如图7所示。

从图7可以看出，高校实施校企联合之后，化工专业毕业生的就业指导质量评价得分明显提升，但是整体上增速比较慢。导致出现这种情况的原因是由于2019年底爆发了新冠疫情，新冠疫情采取的居家隔离政策使得经济发展受到了比较大的影响，同时将校企联合融入到大学生就业指导的过程中还存在一定的问题，这也是使得就业指导质量评价得分相对并不高的又一原因。通过对比近10年化工专业毕业生的就业指导质量评价得分，将校企融合与大学生就业指导结合起来对提升大学生的就业质量具有至关重要的价值。

4 结语

高校毕业生人数的持续增加使得毕业生就业难备受关注，促进高校毕业生高质量、精准就业能够更好地提升高等教育质量和促进经济社会的快速发展。将校企联合融入到大学生就业指导中，通过技术实践来增强大学生就业硬实力，实现精准就业。运用支持向量机构建了大学生就业指导评价模型，并采用MPA对支持向量机的惩罚系数和核函数参数进行优化，提出了化工专业大学生就业指导评价的MPA-SVM 模型。通过对比MPA-SVM、GA-SVM、PSO-SVM、SVM，结果表明MPA-SVM模型的性能最佳。将MPA-SVM应用于化工专业毕业生就业指导评价中，结果表明校企联合融入大学生就业指导使得大学生就业质量明显提升，这对提升化工专业大学生的就业质量具有一定的参考。

【参考文献】

[1] 刘姬冰，王澜.基于化工行业发展与专业现状的大学生就业指导[J].热固性树脂，2021，36（2）：72-73.

[2] 陈亚青.电力科技院校学生就业指导与实践探索[J].电气传动，2019，49（12）：116-120.

[3] 陈素彬，胡振，蔡韵凝，等.高职院校涉农专业分析类共享实验室的校企共建与协同管理[J].实验技术与管理，2022，39（10）：194-199.

[4] 张雅丽，王科.工程专业技术人才教研信息统筹多维度评价体系优化构建[J].粘接，2022，49（12）：129-132.

[5] 盖曜麟，葛丽娟，郭懿中，等.基于改进SVM 算法的高压断路器故障诊断[J].高压电器，2022，58（12）：14-20.

[6] 郭金玉，于欢，李元.基于KPCA-SVM的相关和独立变量故障检测方法[J].深圳大学学报（理工版），2023，40（1）：14-21.

[7] 吴艳.基于KPCA-ICS-SVM模型的胶粘复合材料涂层管道外腐蚀速率预测研究[J].粘接，2022，49（8）：25-31.

[8] 密俊霞，于会龙，席军强.基于MLP-SVM 的驾驶员换道行为预测[J].兵工学报，2022，43（12）：3020-3029.

[9] 王鑫，张奇志.改进麻雀搜索算法优化支持向量机的井漏预测[J].科学技术与工程，2022，22（34）：15115-15122.

[10] 王昱琛，杨仕教，郭钦鹏，等.基于MPA-SVM 的煤矿抛掷爆破爆堆形态预测[J].爆破器材，2023，52（1）：58-64.

[11] 张长有，张文宇，袁永斌，等.基于改进MPA 优化的高斯混合模型算法[J].科技管理研究，2022，42（23）：199-208.

[12] 侯轶轩，路敬祎，张昆，等.基于MPA-VMD的去噪方法在管道泄漏检测中的应用[J].压力容器，2022，39（7）：64-72.

[13] 张青，曾庆华，张宗宇，等.基于海洋捕食者算法的武器-目标分配问题研究[J].兵器装备工程学报，2022，43（8）：158-163.

[14] 马驰，曾国辉，黄勃，等.融合混沌对立和分组学习的海洋捕食者算法[J].计算机工程与应用，2022，58（22）：271-283.

[15] 张孟健，王德光，汪敏，等.求解工程约束问题的新型智能优化算法及展望[J].计算机应用，2022，42（2）：534-541.

[16] 胡顺强，崔东文.基于海洋捕食者算法优化的长短期记忆神经网络径流预测[J].中国农村水利水电，2021（2）：78-82.

[17] 杨寒雨，赵晓永，王磊.数据归一化方法综述[J].计算机工程与应用，2022（12）：1-11.

[18] 李健，吴怀超，赵丽梅，等.基于光散射法和GA-SVM 的高速钢轧辊粗糙度检测[J].组合机床与自动化加工技术，2022（10）：97-99.

[19] 张大可，马隽，王立英，等.基于粒子群优化-支持向量机的睡眠呼吸暂停检测[J].科学技术与工程，2022，22（33）：14644-14651.

[20] 黄丹妮.基于扎根理论的创业型企业技术转移模式创新研究[J].粘接.2021，46（4）：166-169.