臺北市 106 學年度高級中等學校
學生電腦軟體設計競賽 開放組決賽試題
題目一：設定安全的使用者密碼
設計說明：資訊安全議題日益重要，許多網站在創建帳號時會檢查使用者的密碼強 度。如果發現使用者的密碼不符規則，網站會請使用者輸入更安全的密碼。 1. 請設計一個網頁介面，提供使用者輸入帳號名稱與密碼(帳號無命名規則)。 2. 使用者輸入密碼(長度至少 8 個字元)後，系統會檢查密碼是否符合以下規則： 甲、至少要有一個大寫英文字母。 乙、至少要有一個小寫英文字母。 丙、至少要有一個阿拉伯數字，且不為開頭字元。 丁、至少要有一個特殊符號，且不為結尾字元。 3. 當按下確認送出的按鈕時，程式需檢查密碼的設置規則，若滿足甲~丁中三種以 上的規則，就視為設置成功，跳出「註冊完成」的提示。否則需跳出密碼設置規 則的提示。 4. 使用者輸入完新密碼之後，資料庫必須儲存符合所有條件的密碼。 ASCII table 提供如下：(資料來源：維基百科)評分標準： 1. 具備帳號密碼的輸入介面(10%) 2. 密碼內容有屏蔽(10%) 3. 判斷密碼規則的程式邏輯(50%) 4. 註冊成功的提示框(10%) 5. 註冊失敗的提示框(20%)
題目二：看顏色學英文遊戲
設計說明：玩家依據畫面中央出現的顏色方塊，選擇按下對應顏色的英文字按鈕， 之後自動進入下一題，連續五題之後，網頁顯示答對題數的結果。 1. 遊戲一開始的畫面上方有一個標題顯示遊戲名稱以及一個開始按鈕(如圖一)。 2. 按下開始按鈕進入遊戲畫面，畫面上方顯示題號，畫面中央顯示一個由後台傳來 的隨機顏色，畫面下方有玩家依據顏色按下對應顏色的英文字按鈕。(如圖二所 示) 3. 按下合適的按鈕之後，畫面自動進入下一題，一共有五題。 4. 五題答完之後，進入結束畫面，畫面上方顯示遊戲結束，畫面中央以較大的紅色 文字顯示玩家答對題數的結果。(如圖三所示) 5. 後台產生的顏色只有五種，分別為紅、橙、黃、綠、藍，而對應顏色的英文字按 鈕只有五個分別為 Red、Orange、Yellow、Green、Blue 評分標準： 1. 用戶端與伺服端的連線功能 40％ 2. 開始與結束畫面 10% 3. 遊戲畫面 20% 4. 伺服端邏輯判斷 30%看顏色學英文
開始遊戲結束
答對
5
題
第
1
題
Red Orange Yellow
題目三：寶可夢資料庫系統
為了讓玩家可以建立自己所收集的寶可夢角色，因此我們建立一個寶可夢資料庫系 統，玩家可以在抓到寶可夢後，將自己的寶可夢相關資料儲存在資料庫中。我們在 這個系統設計了簡易的操作介面 (如新增寶可夢、清單寶可夢、搜尋寶可夢、刪除寶 可夢) 藉以管理寶可夢資料的內容。請分別寫出此系統用戶端與伺服端的程式。 1. 用戶端的程式能提供玩家 (1)選擇對伺服器端進行下列操作功能 (新增、清單、搜 尋、刪除) (2)若是新增功能，輸入寶可夢的相關資訊，包含圖鑑編號、中文名稱、 出沒地點、屬性(例如電、格鬥、飛行)上傳到網路遠端伺服器並顯示是否成功，其 中圖鑑編號為不可重複編號且登載時間為新增資料的時間 (3)若是清單操作，以登 載時間近至遠排序，每頁顯示 10 筆寶可夢資訊 (4)若是搜尋操作，輸入寶可夢的 出沒地點或屬性後顯示符合的寶可夢資訊 (5)若是刪除操作，輸入圖鑑編號後刪除 符合的寶可夢資訊並顯示是否成功。 2. 伺服端的程式能提供 (1)接收自用戶端輸入的寶可夢資訊，以及玩家傳送來的操作 指令 (2)依據指令進行對應的功能 (3)回傳處理後結果。 【程式執行範例說明】 選擇「新增」、「清單」、「搜尋」、「刪除」功能 選擇「新增」後 顯示輸入寶可夢的圖鑑編號、中文名稱、出沒地點、屬 性玩家可以輸入寶可夢的圖鑑編號、中文名稱、出沒地 點、屬性將新增的資訊儲存於伺服器並自動帶入寶可夢 編號與新增時間顯示是否成功 選擇「清單」後 以寶可夢建立時間近至遠排序，每頁顯示 10 筆寶可夢資訊 選擇「搜尋」後 顯示輸入寶可夢的出沒地點或屬性輸入寶可夢的出沒 地點或屬性顯示符合搜尋條件的所有寶可夢 選擇「刪除」後 顯示輸入寶可夢的圖鑑編號輸入寶可夢的圖鑑編號 詢問是否刪除顯示是否成功 *註: 寶可夢資訊包含圖鑑編號、中文名稱、出沒地點、屬性與新增時間 *註: 新增時間包含“年月日時分秒” (如 2017/10/22 15:30:45) 評分標準： 功能項目 配分 得分 用戶端可新增寶可夢資訊 (新增) 40% 用戶端可顯示寶可夢清單 (清單) 15% 用戶端可搜尋寶可夢資訊 (搜尋) 15% 用戶端可刪除寶可夢資訊 (刪除) 15% 用戶端輸入介面是否完整 (介面) 15% 總分題目四：深度學習-運算感知機模型
深度學習是人工智慧中機器學習的分支，根基於類神經網路的框架，2016 年擊敗世 界棋王的 Google AlphaGo 是其最佳代言。深度學習主要三個步驟是建構類神經網 路，設定學習目標，開始訓練學習，最終學習到最佳的函數以解決問題。1943 年 McCulloch 和 Pitts 提出第一個類神經元運算模型。神經心理學家 Hebbian 提出學習 現象的發生，乃在神經元間突觸產生某種變化。Rosenblatt 將這兩種創新結合，提出 感知機模型，是最簡單且最早發展的類神經網路模型，用來做為分類學習器。 本題目實做一個簡化的一次運算感知機模型，模型如下。 其中，n 是介於 2~10 的整數，表示學習的特徵值個數。 x1,..xn是輸入的特徵值，為整數。 w1, w2, ..,wn，是神經網路傳遞的權重，為介於 0~1 的小數，小數位數 2 位。 w1+ w2+ ..+ wn= 1。 累加器 F 的計算，v=F(X, W)= x1× w1+x2× w2+…+xn× wn 限制器 G 的計算，y= 0 1 0 1 ) ( G v if v if v 這個感知機又可稱為分類器，透過機器學習調整神經網路傳導的權重 w1, w2, ..,wn，可以針對輸入 x1,..xn，予以辨識分類兩個不同種類，+1 和 -1。 例如: 如果運用到辨識兩個手寫字母 a, b，若 n=3 表示手寫字母 a, b 可以取得 3 個特 徵值分別是，x1, x2,x3。假設輸入 x1=-3, x2=2, x3=2 假設感知機神經元權重 w1=0.20, w2=0.30, w3=0.5，則 v=-3× 0.20+2× 0.30+2× 0.50=1.00。 由於 v0，G(1.00)輸出 y = +1，代表感知機辨識出 a。反之若輸出 y=-1，代表 累加器 F 限制器 G 最後輸出 y x1w1 x2w2 … xnwn 輸出 v 輸 入
(1) 設計網頁程式，輸入 n (如圖一，假設 n=3)(10%)，按下送出，出現輸入 w1, w2, ..,wn 網頁(如圖二，假設 w1=0.20, w2=0.30, w3=0.5) (15%)，按下送出，出現輸入 x1, x2, .., xn的網頁(如圖三，假設 x1=-3, x2=2, x3=2) (15%)，按下送出，得到輸出 y 顯示於 網頁(如圖三，v=1.00，y=G(1.00)= +1)(50%)。 (2) 網頁程式要能偵測錯誤輸入。(10%) 圖一 圖二 圖三 圖四
