人工智能实训平台建设需求

人工智能实训平台建设需求一、货物一览表序号设备名称数量备注1人工智能实训平台（为核心产品）1套2人工智能课程资源1套3人工智能实训项目资源1套4智能分析教学实验平台1套5智能分析教学实验课程资源包1套6智能工业视觉应用平台2台7脉冲图像实训科研设备1台8智能算法教学学习平台1套技术要求序号名称数量技术参数1人工智能实训平台11、教学模块（1）支持在线编程功能，要求平台能够通过浏览器来运行，各用户端不需要安装任何附加软件即可应用所有的模块；（2）支持在线项目协作，可邀请老师或同学进入项目帮助修改代码,解决问题；支持协作中实时看到对方的代码修改；支持协作中在平台实时聊天交流，以及代码一键分享到聊天；支持课件修改调整的一键重置；（3）支持Python语言编程；（4）支持JupyterLab代码运行和模型训练，支持多Notebook分屏使用，支持在同一编程环境中多视窗显示，提供常用机器学习库的可视化的文档内容与关键字查询功能，支持模型结构和模型训练的可视化与训练过程动态展示；（5）支持搜索平台中他人分享的和第三方公开的代码块资源，并一键导入；支持将代码块公开与分享机制，代码报错一键在线求助，支持平台内和去第三方平台求助；（6）支持文件存取，文件系统管理，快速上传下载文件，支持Notebook文件导出PDF和HTML等通用格式，支持模型文件一键转换移动端模型格式；（7）支持离线模型训练任务以及调用GPU计算，以便于提高模型训练效率；a.支持模型模块部署分享和调用，方便将模型打包成可调用模块，分享给他人调用；b.跨算法框架的自动超参数调整，支持可视化界面调用；（8）Markdown辅助编辑工具栏与实时预览；（9）支持在学习环境中安装第三方的代码库，并持久化保存用户自己安装的库；（10）要求采用基于WEB的B/S架构体系，能在Windows、Linux、MacOS等平台下正常运作，要求具有高可移植性和可跨平台性；（11）保证系统的可扩充性和分布式布署的安全可靠性，够运行在流行硬件平台之上；（12）支持JupyterLab代码运行和模型训练，支持调用预置代码资源辅助开发，支持不少于3种预置代码资源，包含代码块、代码文件、功能模块；（13）提供数据处理和建模的工具，包含图片增强、方差过滤、缺失值补充、数据归一化等；2、课程模块要求以AI教学场景应用为目标，将主流人工智能前沿领域与行业实际应用场景结合，支持包括计算机视觉、自然语言处理、数据分析与处理在内的多个领域的实训教学。（1）提供扩增课程功能，支持教师线上平台自编系列课程内容，同时提供课程内容的编辑、动态保存、下载、导出，以及同步至课程中；（2）支持协作、分享、沟通等功能；（3）具备不同的用户权限，支持区分管理员、教员、学员角色，同时支持对角色的权限调整；（4）支持教员在线上平台创建和上传系列课程内容，提供课程内容的编辑、动态保存、下载、导出功能，提供基础课程的复制、二次开发及发布功能；（5）支持创建、修改、删除课程计划，课程计划包含课程在不同用户间的隔离，课程与作业开放及截至时间的调整等；（6）支持学员对课程资源的灵活访问，并且记录课程章节进度、作业进度、作业提交次数与提交时间；（7）支持学员按教学计划加入教学班，能够针对不同教学班的学员进行课程资源分配，支持教员对课程资源的授权管理；3、数据集模块（1）开放自有数据集的上传、管理与分享功能；（2）可在项目中引入现有数据集，支持查看引用数据集的项目，或者将数据集下载到本地使用；（3）支持数据集的协作、分享、沟通等功能；（4）支持数据集目录与文件预览；（5）预置不少于50个数据集，包含计算机视觉、自然语言处理、数据分析等领域。4、教学管理模块（1）内置课程，含视频、文档等多媒体内容；（2）支持代码、文本、富媒体结合的在线Notebook演示功能,能够根据老师的配置，将Notebook分段分区，在大屏上更清晰专注地展示代码与课件内容,演示中支持实时执行与展示结果，支持在Notebook上圈画书写，支持调出黑板进行板书讲解；（3）具备教学管理功能a.基础的账号管理和基于RBAC的权限管理，拥有管理员、老师、助教、学生等角色；b.课堂管理，教师具有开课功能，学生上课中能够在线使用举手功能；c.作业管理，支持单选、多选、代码OJ题、模型实验题等题型，支持下发、自动评分、成绩管理、学习进度查看与统计等功能；d.课程管理，课程创建与修改，学生导入课程；e.资源管理，管理员及教师均可管理学生的项目、数据集额度和GPU时长；（4）提供GPU算力池、项目池、数据集池分配系统；（5）支持查看学员学习完成效率，能够准确记录学员作业提交次数、提交时间，便于学习过程考评；5、实训模块（1）提供项目创建与分享、邀请协作以及可将AI项目部署至平台中，提供可视化调用功能；（2）项目代码和文件支持分布式版本管理；（3）模型部署服务；支持将模型文件一键转换为移动端模型格式，将原始模型进行自动压缩量化为适应移动端部署的模型格式；自动生成模型的HTTP预测API以及基于Web的调用界面；（4）提供在线代码训练和离线模型训练两种模式，支持训练过程中在线代码调试及模型训练效果预览，支持离线模型训练任务以及GPU资源调度、训练指标可视化，提升模型训练效率；（5）支持模型一键线上部署，并提供不少于4种模型调用方式，包含在线使用、JavaScriptapi调用、Curlapi调用、Pythonapi调用等；（6）包含以下部署到模型服务中支持可视化调用的实训项目：a.人体识别；

b.自动生成图片描述；

c.表情识别；

d.图片相似度对比；

e.垃圾分类识别；

f.目标检测；

g.车牌识别；

h.文字识别；

i.文本情感分析；

j.聊天机器人；

k.图像风格转变；6、容器模块（1）总体要求：要求基于Docker容器开放式云平台架构,优势：更高效的利用系统资源、秒级的启动时间、更轻松的迁移、更轻松的维护和扩展。（2）镜像管理功能：要求能显示镜像列表、要求能显示镜像构建历史、能从容器创建新镜像、要求能够从Dockerfile构建镜像、从Registry下载镜像、能将镜像上传到Registry、要求能够删除DockerRegistry中的镜像、支持使用Dockerfile构建镜像。（3）配额调度：启动/停止/重启容器、暂停/恢复容器、删除容器、限制容器对CPU的使用、限制容器对内存的使用。支持私有DockerRegistry。（4）基于容器的应用部署、维护和滚动升级。（5）支持负载均衡。（6）支持认证、授权、访问控制等机制。（7）支持维护集群状态，比如故障检测、自动扩展、滚动更新等。（9）支持Scheduler资源调度。（10）支持维护容器的生命周期，支持Volume（CVI）和网络（CNI）管理。（11)支持镜像管理以及Pod和容器运行时接口（CRI）。2人工智能课程资源1（1）《人工智能导论》《人工智能导论》介绍人工智能通识概念和基本原理，帮助学生形成轮廓性认识，培养人工智能基础思维，为学生后续学习人工智能具体算法奠定基础。（2）《Python数据处理与可视化》《Python数据处理与可视化》讲解数据分析和可视化的基础概念，并且提供Numpy、Pandas等内容的教学方案。（3）《数据分析与应用》《数据分析与应用》讲解数据预处理、分类、关系挖掘、聚类、以及实战练习。（4）《深度学习实践》《深度学习实践》介绍逐步介绍深度学习的核心方法，将重点介绍卷积神经网络、时间序列分析等主流深度学习模型及经典算法。（5）《计算机视觉应用开发》《计算机视觉应用开发》是计算机视觉领域中目标识别、人脸识别、行为分析等任务的基本教学内容。本课程包括图像分类、目标识别、计算机视觉实战项目。（6）《自然语言处理应用开发》《自然语言处理应用开发》将讲解相关基础概念和经典案例，包括情感分析、词性判断、句法分析以及实战项目内容。3人工智能实训项目资源1包括以下项目，项目包含实例说明、项目代码、基础指南、相关相关数据集：《智能驾驶与无人车》具体包含以下实训项目：车牌识别、自动驾驶、道路交通指示牌识别；《智慧医疗》具体包含以下实训项目：医疗图像语义分割、心血管疾病预测、心衰死亡率预测、心脏病预测、奥密克戎病毒传播分析与预测；《智慧金融》具体包含以下实训项目：股票市场分析与预测、比特币分析预测；《电商零售分析》具体包含以下实训项目：批发经销商客户价值细分、商场顾客聚类分析、服装评价情感分析；《智慧城市管理与安防》具体包含以下实训项目：人脸关键点检测、人体关键点检测、目标识别、口罩识别、垃圾分类、人体姿态识别；4智能分析教学实验平台1教学管理模块：1.支持教师管理课程下的教学视频、教学资源、实验、学生笔记。2.支持统计学生学习情况，掌握学生学习进度，指导学生完成学习任务。3.支持老师围绕课程创建作业，支持学生进入实验环境完成作业。4.支持教师批改学生作业，并查看作业的统计情况。4.1.提供基于web的交互式在线编程环境，支持Markdown语法。4.2.支持python语言的在线编辑，用户可基于特定的业务场景中的数据与算法独立的使用交互编程组件进行脚本语言代码的调试与执行。4.3.编程时，提供语法高亮、缩进、tab补全等功能。4.4.支持直接通过浏览器运行代码，在代码块下方展示运行结果。5.支持在线安装与集成主流第三方算法库。5.1.支持教师通过单题新增或批量导入的方式管理个人题库。5.2.题目须支持通过使用公式编辑器插入公式，并支持调整字体、字号等文字格式。5.3.支持教师利用题库新建试卷，也支持编辑历史试卷中的部分题目，生成新的试卷，试卷支持导出。5.4.支持监管学生的考试过程，记录每个学生的考试起止时间。5.5.支持智能监控考场纪律，如学生进行频繁切换页面、返回桌面、打开其他文件等操作，将会强制交卷。6.客观题支持自动批改，主观题支持多人协作阅卷。7.支持按人和按题统计考试情况，从不同维度分析考试结果。智能分析模块：一、数据集管理1.需支持通过本地上传的方式将数据接入系统。2.需支持CSV、TSV、Txt、Excel、Json等主流文本数据格式的数据接入。3.需支持用户对个人数据进行管理，允许用户将个人数据共享给他人。二、数据源接入1.支持多种数据源对接方式，包括关系型数据库、非关系型数据库、HDFS等。2.需支持Mysql、PostgreSQL、Hive、Mongo、达梦等主流关系型与非关系型数据库的数据接入。3.支持用户对个人数据源进行管理，允许用户将个人数据源共享给他人。三、建模分析挖掘1.支持可拖拽图形操作界面与多功能建模画布，用户可基于业务数据流转，选择算法库中的算法及数据，实现搭积木式的分析流程快速构建。支持放大、缩小、撤销、自适应画布、添加备注、清空画布、组件重命名、全屏显示等交互式画布操作方便用户进行模型构建。2.支持分析任务流程图的保存与加载，支持流程的嵌套。3.支持将模型共享给其他用户，实现多个用户协作共同完成一个分析模型。4.支持多种建模方式：交互式建模、可视化建模。四、模型训练与评估1.支持模型的保存、运行、停止、另存等功能用户进行模型的构建。支持从当前节点运行、运行当前节点、运行至当前节点等多种模型调试方式，模型训练过程支持灵活的参数配置与优化。2.支持模型监控功能，用户可以对模型进行实时日志与状态监控，查看模型运行结果。3.支持模型可视化能力，支持数据密度分布、树结构模型的可视化。4.支持二分类评价、多分类评价、混淆矩阵、均方根误差等多种模型评价方法，支持矩阵图、ROC曲线、PR曲线等图表进行模型评估。5智能分析教学实验课程资源包1机器视觉算法包：一、数据预处理支持随机欠采样、分层采样、数据行合并、数据列合并、列删除、缺失值填充、数值过滤、数据标准化、线性归一化等常用数据清洗算法，不少于9种。二、统计分析支持常用的统计分析方法模型，包括但不限于均值估计、方差估计、核密度估计、发散度分析、T检验、方差分析、正态分布校验、时间序列分析、孤立森林、相关性分析。算法总数不少于10种。三、特征工程支持常用的数据特征筛选与处理方法，包括但不限于主成分分析、卡方选择器、特征编码、奇异值分解、特征离散、One_Hot编码、数据分箱、特征离散。算法总数不少于8种。四、机器学习1.支持包含分类、回归、聚类、推荐等四大类的机器学习算法。2.支持包含线性回归、逻辑回归、支持向量机、朴素贝叶斯、随机森林、K近邻、梯度提升回归树、梯度提升分类决策树、分类决策树、Kmeans聚类、谱聚类、协同过滤等不少于15种的常见分布式机器学习算法。五、深度学习支持常用的深度学习算法，支持对Tensorflow、PyTorch等深度学习框架的集成与应用，支持CPU与GPU资源调度执行，包含卷积神经网络、循环神经网络、LSTM等算法。六、自然语言处理1.支持常用的自然语言处理与理解算法。覆盖从文本标注、内容抽取到文本分类、应用分析的分析链路。2.支持包含不少于12种算法组件，包括但不限于基础分词、词性标注、实体识别、关系抽取、事件抽取、摘要抽取、关键词抽取、情感分析、文本分类、相似度计算、语种识别、繁简转换。课程资源包：一、《python编程》 课程资源不少于32个教学视频、20个课件和20个实验手册，视频时长不少于260分钟。课程主要讲解Python编程基础，包括变量与数据类型、运算符与表达式、数据结构、字符串、控制结构、循环结构、类与对象、函数的使用、异常处理、文件操作、模块的使用等内容。二、《大数据智能理论与方法》 课程资源不少于115个教学视频、4个课件和15个实验手册，视频时长不少于1000分钟。课程基于大数据智能的相关背景、基本原理和应用方法展开，主要讲解大数据智能基础知识、大数据智能计算理论与方法、大数据智能感知理论与方法和大数据智能系统原理及应用四部分内容。三、《人工智能应用基础》 课程资源不少于14个教学视频和14个实验手册，视频时长不少于200分钟。课程作为人工智能入门实验课程，通过人工智能的热点应用为案例，从Python基础用法讲起逐步过渡到机器学习、深度学习、计算机视觉、自然语言处理、生物特征识别实验，提升学生人工智能学习兴趣。四、《机器学习》 课程资源不少于68个教学视频、12个课件和8个实验手册，视频时长不少于690分钟。课程使用数据领域最主流语言Python，对于机器学习经典算法给出完整的原理推导并基于实例进行讲解，包括线性回归、逻辑回归、决策树、随机森林与集成算法、贝叶斯、线性支持向量机、降维算法等。五、《深度学习》 课程资源不少59个教学视频、5个课件和11个实验手册，视频时长不少于670分钟。课程从最基本的神经网络开始讲起，从神经网络的架构、细节进行全面分析，讲解卷积神经网络与递归神经网络，CNN与RNN的原理与细节，Tensorflow基础过渡到深度学习各大神经网络案例实战。六、《自然语言处理》 课程资源不少于72个教学视频和23个实验手册，视频时长不少于750分钟。课程讲解自然语言处理入门基础知识、算法原理，并基于真实数据集通过实际案例进行项目实战，内容覆盖当下热门技术与经典框架实战，包括掌握Python在自然语言处理领域必备工具包使用方法，基于经典框架展开项目实战等内容。七、《知识图谱》 课程资源不少于69个教学视频、10个课件和5个实验手册，视频时长不少于700分钟。课程讲解知识图谱的基本概念、知识图谱相关技术体系、知识图谱构建中的领域本体建模技术、实体关系抽取技术、知识推理技术的原理和应用等内容。八、《数据标注》 课程资源不少于18个教学视频、9个课件和9个实验手册，视频时长不少于100分钟。课程包含图像、语音、视频、文本数据标注五部分内容，介绍了标注工具的安装及基本使用，并通过案例进行标注工具的实战操作。九、《数据挖掘实战》 课程资源不少于37个教学视频和4个实验手册，视频时长不少于330分钟。基于真实数据集进行案例实战,使用Python数据科学库从数据预处理开始一步步进行数据建模。对于每个案例首先进行流程解读与数据分析,建立特征工程,详细解读其中每一步原理与应用。课程全部内容皆以案例为导向，通过实际案例分析讲解其中涉及的每一个知识点，以实际演练的方式阐述每一个数据挖掘任务的核心问题与建模应用。十、《机器学习典型案例》 课程资源不少于21个教学视频和3个实验手册，视频时长不少于200分钟。课程基于项目建设的机器学习算法案例进行开发，包含信用卡欺诈检测、中文新闻分类任务、饭店流量预测三个案例。十一、《深度学习典型实例》 课程资源不少于21个教学视频和6个实验手册，教学视频不少于130分钟。课程主要介绍深度学习的典型实例，包括图片分类、波士顿房价、CIFAR10、情感分析、垃圾信息分类、文本情感分类、ECG数据分类、语音识别与分类等。十二、《自然语言处理案例实战》 课程资源不少于33个教学视频、5个课件和5个实验手册，教学视频不少于300分钟。课程基于项目建设的算法案例进行开发，包含基于Twitter数据的社区发现分析实战、中文新闻分类任务、JS数据实体识别、JS数据关系抽取、新闻情感分类任务五个案例。6智能工业视觉应用平台2智能工业视觉应用平台，以离散制造业典型加工流水线为原型，搭建的基于人工智能技术进行视觉检测行业应用的实训平台。系统提供工业现场设备组装与控制、视觉组件搭建与调试、AI目标检测算法开发、云平台应用与开发等完整的全链路开发实训。有利于提升学生对机器视觉系统的整体认识，能够熟悉和掌握相关基础知识，并达到运用这些理论知识来解决机器视觉实际工业应用的目的。既培养学生成为具有实际操作技能的实用型人才，同时也锻炼学生的研究能力，创新思维以及独立解决技术难题的能力。平台既可以支持相关专业学生的教学、竞赛、创新创业，也可以支持相关老师进行科研项目开发。1、高精度机械臂（数量：1）（1）参数规格轴数：4；最大负载：≧500g；最大伸展距离：≧320mm；重复定位精度：≧0.2mm；通信接口：USB；电源输入：12V/6.5ADC；工作环境：-10°C-60°C；（2）轴运动参数运动范围：底座：≧﹣90°~﹢90°；大臂：≧0°~﹢85°；小臂：≧﹣10°~﹢90°；末端旋转：≧﹣90°~﹢90°；最大运动速度（250g负载）：大小臂、底座旋转速度：≧320°/s；末端旋转速度：≧480°/s；(3)末端执行器吸盘：吸盘直径≧20mm，压强≧-35Kpa；爪子：张合大小≧27.5mm；驱动方式：气动，力度8N；（4）配套软件与功能配套windows系统下的使用软件；支持示教再现、脚本控制、Blockly图形化编程等功能；具有丰富的I/O扩展接口，支持用户二次开发；2、工业厂线教学传送带（数量：1）传送带参数：运行负载：≧500g；有效运载长度：≧600mm；最大速度：≧120mm/s；最大加速度：≧1100mm/s²；尺寸≧700mm×215mm×60mm；3、传感器套件（1）光电开关传感器单元（数量：3）距离测量范围：3~80cm；信号：数字输出；供电电压：4.5-5.5V；（2）颜色识别传感器单元（数量：1）供电电压：3~5V；功能：可检测不发光物体颜色，白色LED，亮、灭可控；4、工业视觉摄像头套装（1）摄像头（数量：1）：传感器：1/2.33"CMOS；快门类型：滚动快门；曝光模式：卷帘曝光；相机类型：彩色；最高像素：≧1600万；分辨率@帧率：4608*3456@15FPS；2592*1944@15FPS；2304*1728@30FPS；2048*1536@30FPS；1920*1080@30FPS；1600*1200@30FPS；800*600@30FPS；镜头接口：CS/C；视频输出接口：USB3.0；像元尺寸：1.335umx1.335um；标准配件：USB3.0线3米1根；变焦方式：手动；对焦方式：手动；（2）镜头（数量：1）：镜头规格：16-48mm变焦低畸变；镜头接口：C；水平视角：9-20度；工作温度：-10~50°C；（3）光源（数量：1）：电压：AC60-260V；功率：4-10W；灯光颜色：白光；光源类型：LED灯；亮度调节：0-100%可调； 工作距离：≧60-180mm；色温指数：6500K-7000K；有效光距：75-150mm；5、边缘网关（数量：1）供电：19V，120W；处理器：I5-1135G7；显卡：Intel锐炬核心显卡；外设连接：3*USB3.1Gen2（Type-A），1*雷电3；存储：8G内存条+500G固态硬盘；工作温度：32-140°F/0~60°C；工作湿度：0%-90%相对湿度，无冷凝；6、工业视觉组件控制板(数量：1)供电：USB5V；通信接口：USB转UART；光电传感器接口：2个；传送带控制接口：1个；外设：预留功能配置拨码开关；外壳：铝合金外壳；7、配套设备包含HDMI接口显示器1台：大于等于17.3寸；屏幕刷新率：60Hz；亮度:300cd/㎡；无线鼠标键盘：1套；8.课程资源包提供《工业智能视觉应用开发》课程资源包，涵盖图像数据采集、数据标注、模型训练、模型推理等AI全流程开发内容，以及工业视觉系统介绍、组件控制等实训内容。提供以下两个工业视觉检测案例的开发及教学材料，需要有对应的课件PPT及实验手册：（1）芯片异常检测识别。（2）螺丝螺帽检测识别。教学资源包包含：课程架构：excel文件1份，列出课件与实验清单。课件PPT：不少于20份课件（PPT格式），总页数不少于300页。实验手册：不少于15份实验手册（word格式），总页数不少于300页。7脉冲图像实训科研设备1一、硬件要求：1.分辨率：≥1000×1000；2.帧率：≥10,000fps；3.像素尺寸：≥17μm×17μm；4.数据输出率：≥10Gbps；5.颜色：支持灰度/彩色；6.动态范围：≥110dB；7.灵敏度：≥15个脉冲/lux；8.阈值电压：16级可调；9.光学尺寸：1.5″；10.数据接口：QSFP，USB3.0，CameraLink，RS232/GPIO同步信号接口；11.电源：DC12V/4A；12.芯片工艺：110nmFSI工艺。二、软件要求：1.支持高速物体检测；2.支持同回放时长联动调节保存时长；3.支持累加积分的重构方式；4.支持重构脉冲窗口大小；5.支持重构脉冲窗口步长；6.支持调整回放的时长和保存的时长；7.支持设定跳过的脉冲帧数；8.支持存储的图像帧数；9.支持调整图像亮度；10.支持旋转、翻转图像；11.支持彩色脉冲数据重构；12.支持播放本地已录制的dat文件；13.支持实时界⾯&回放界⾯双界面预览。8智能算法教学学习平台11.要求平台基于C/S架构设计；2.需提供一键开机功能；3.需包含Hopfield神经网络、BP神经网络、RBF、卷积神经网络、堆栈式自编码器、受限玻尔兹曼机、自适应学习率、RMSProp、Adam等深度学习算法内容；4.需包含朴素贝叶斯、Logistic、Adaboost、GBDT、Bagging、RF算法、Xgboost、GMM、PCA、LDA、K-SVD、SVD、低维嵌入、APRIORI、FP-growth、KNN、决策树、支持向量机、随机森林、岭回归、多项式回归、K均值聚类、Ariori算法、AP聚类、均值漂移、层次聚类、DBSCAN等机器学习算法内容；5.需包含梯度下降、牛顿法、共轭梯度法、鲍威尔法、变尺度法、单纯形法、蒙特卡洛法、随机搜索、遗传算法、模拟退火算法、粒子群优化算法、蚁群算法、罚函数法、复合刑法等优化算法内容；6.支持打开多页面后，通过右键单击操作进行刷新、关闭、关闭其他和关闭全部页面的功能，同时关闭全部页面时不会关闭首页；7.需提供算法讲义，包含：MathematicsforAlgorithmic、贪心算法、分治算法、动态规划、平摊分析、哈希表、二叉搜索树、图算法、字符串匹配、排序算法、线性时间排序算法、计算几何学、计算复杂度、近似算法、线性规划算法、附录、代码、参考等内容；8.需包含编译器、计算几何学、ComputerArchitecture、ComputerScienceEngineering|Technology、java、操作系统、并行计算等内容；需要提供代码编辑及运行环境；9.需支持手动点击Run按钮运行代码，运行时需要实现算法列表、实现代码、流程图、运行结果同屏显示，能够实时同步运行进度条、代码流程图和每步代码运行结果。代码流程图可随着鼠标滚轮滚动来放大缩小，当前执行代码行底色与其他行颜色不一致；10.需支持通过修改Interval的参数控制算法运行速度；11.需提供分治算法、动态规划算法和二叉搜索树算法，内容需包含对算法的分析；12.需支持输入关键字搜索算法功能；13.需要提供knight's_tour、N皇后问题等回溯算法及实现代码；14.需提供AffineCipher、caes