基于改进遗传算法智能组卷的研究

组卷问题是解决在一个多约束条件下的多目标参数优化的问题,在研究组卷数学模型的基础上,对遗传算法进行了改进,通过对染色体分段编码、确定适应度函数、分段初始化种群、交叉概率和变异概率的自适应调整及最优个体保存策略措施,实现了智能组卷。通过实验数据测试结果表明,改进遗传算法比简单遗传算法能更好地完成组卷,有更高地组卷效率,有较好地实用性。     

智能组卷系统中对遗传算法的改进研究

,本文提出一种改进的自适应遗传算法用于求解智能组卷优化问题.改进的算法通过使用混合熵来度量种群的多样性,并在交叉概率以及变异概率的确定方面做出了相应的改进,使之更有针对性地求解智能组卷优化问题.该算法的提出为求解智能组卷系统的数学模型提供了先进的技术手段.     

基于改进遗传算法的自动组卷问题研究

研究自动组卷优化问题,由于题库组卷的随机性,难度很大.在自动组卷研究中,遗传算法(GA)容易出现早熟、收敛速度慢等问题,为了快速可信地组卷,提出一种基于改进遗传算法的智能组卷算法(IGA).IGA算法在传统遗传算法的基础上,用符合组卷问题特点的实数编码、条件初始种群和分段交叉和变异算子来保证种群的多样性,防止早熟现象,采用加权误差的适应度函数加快收敛速度.通过进行仿真,结果表明,IGA相对于自适应遗传算法和标准遗传算法,提高了组卷有效性、稳定性和计算效率,能有效解决自动组卷问题.     

基于改进遗传算法的自动组卷问题的研究

自动组卷优化问题的研究,由于题库组卷的随机性,难度很大。针对传统遗传算法在自动组卷中存在的未成熟收敛和收敛速度慢等问题,为了快速可信地组卷,提出了一种改进的遗传算法。该算法采用模拟小生境法选择算子进行种群选取,并对交叉算子和变异算子进行了优化,实现了交叉和变异概率的非线性自适应调整。进行仿真实验,结果证明,改进的遗传算法在组卷的有效性、稳定性和收敛速度等方面有显著的提高,更能有效解决自动组卷问题,具有较好的使用性能和实用性,能够极大的满足用户组卷的需求。     

基于改进遗传算法的智能组卷研究

因为传统组卷方法的时间和空间开销大、成功率较低,简单遗传算法的收敛速度慢、稳定性差,所以提出了基于改进遗传算法的智能组卷方法,通过根据个体适应度值自适应地选择个体,调整交叉概率和变异概率等措施,加快了算法向最优解的逼近速度,提高了组卷的效率和成功率。论文介绍了该组卷方法的组卷策略,数学模型,各模块的详细设计。     

基于粒子群遗传算法的智能组卷策略

在线考试摒弃了传统纸质考试固有的缺点,在网络教育领域里获得了非常广泛的应用。人工智能化考试组卷,是完成在线考试高效性的重要技术之一。组卷问题,是多发展目标的组合优化问题,一般来说具备数个解。人工智能算法对于寻找此类问题的最优解具有明显优势。本文首先分析和研究目前主流的智能组卷算法,并结合组卷的有关原理及数学实验模型,提出一种基于粒子群遗传算法的智能组卷策略,将群体中的粒子和个体极值、群体极值进行遗传算法中的交叉操作与粒子本身展开变异操作,同时通过自适应调节交叉概率和变异概率、分段实数编码等方式,提升算法性能。最后经过对比实验验证该算法的优势。     

基于改进遗传算法的智能组卷系统研究

试题组卷是考试系统的重要组成部分.通过在编码策略、适应度函数、遗传算子、控制参数等方面的研究提出一种适应于试题智能组卷的改进遗传算法.对适应度函数的适当定标和建立自适应的交叉概率和变异概率,有利于克服未成熟收敛和遗传漂移现象,同时能在维持群体多样性的情况下,防止群体进入局部最优.实验证明改进遗传算法比传统的遗传算法能更有效地提高组卷的效率.     

基于改进遗传算法的智能组卷方法

组卷问题是一个多约束多目标优化问题。建立了一种新的试卷矩阵数学模型,提出了改进的遗传算法编码方式,并通过改进初始群体的产生方法和遗传算子,有效提高了遗传算法的收敛速度,并较好地避免了局部收敛现象。实验结果表明,在试题库试题数量适中、分布合理的情况下,本算法产生的试卷能够很好满足各项组卷指标。     

改进遗传算法智能组卷的研究与应用

组卷问题是一个多目标的约束优化问题,是在线考试系统的重要组成部分。通过对智能组卷建立数学模型,提出了一种基于改进遗传算法来进行智能组卷的方法,实验结果表明,改进的算法在智能组卷的运行速度方面,具有较好的实用性。     

改进的遗传算法在组卷中的应用研究

文章主要论述了使用遗传算法组卷的基本步骤,对初始种群的生成、染色体编码及控制参数等进行了研究;并对遗传算子做了适当改进,成功地运用到了智能组卷中;最后通过2次实验分别检验了改进前后的遗传算法对组卷质量的影响以及种群的大小对组卷质量的影响,结果表明改进了遗传算子的遗传算法和适当提高种群的大小能大大提高组卷的质量。     

改进遗传算法在自动组卷中的应用研究

为了避免遗传算法在自动组卷中存在的未成熟收敛和收敛速度慢等弱点,根据群体适应值的分布特点,采用了基于小生境的改进自适应遗传算法。该算法采用模拟小生境法选择算子进行种群选取,并对交叉算子和变异算子进行了优化,实现了交叉和变异概率的非线性自适应调整。改进后的算法明显提高了组卷的成功率和收敛速度,取得了满意的组卷效果。     

基于遗传算法车间流控制中调度问题的研究

提出了实现车间调度的混合遗传算法的设计方案，把经典的启发式算法、自适应算法与遗传算法相结合，将启发式搜索运用于初始种群的生成，充分发挥遗传算法良好的全局搜索能力和启发式搜索结构简单搜索速度快的特性，采用自适应方法改进交叉概率与变异概率，并通过实验验证了算法的有效性、     

基于改进遗传算法的排课问题研究

针对遗传算法在解决排课问题中易陷入局部最优解的缺陷,提出一种改进的遗传算法。在传统遗传算法基础之上,融合模拟退火思想,使交叉得到的子代以一定概率进入下一代,并对传统的基于概率的计算方法进行改进, 编排出优质的课表。实验结果表明改进算法不仅加快了前期进化速度,而且解决了遗传算法后期易陷入局部最优解的缺陷。     

基于遗传算法的自动组卷系统的设计与实现

组卷问题是一个在一定约束条件下的多目标参数优化问题,采用传统的数学方法求解十分困难,自动组卷的效率和质量完全取决于试题库设计以及抽题算法的设计。本文以省级《数据结构》精品课程建设为背景,在分析传统组卷算法的优缺点和组卷策略参数的基础上,选用遗传算法,设计并实现了一个自动组卷系统。该算法按照试题类型、数量、难度、区分度、分值和时间等约束条件进行快速搜索并寻找最优解,其中采用分组自然数编码,减少了染色体长度空间;运用自适应理论改进交叉概率及变异概率,使得算法总能找到合适的交叉和变异概率。系统采用C#.NET编程实现,目前已应用于实际教学,取得了良好的教学效果。     

基于遗传算法的K均值聚类分析

传统K均值算法对初始聚类中心敏感,聚类结果随不同的初始输入而波动,容易陷入局部最优值。针对上述问题,该文提出一种基于遗传算法的K均值聚类算法,将K均值算法的局部寻优能力与遗传算法的全局寻优能力相结合,在自适应交叉概率和变异概率的遗传算法中引入K均值操作,以克服传统K均值算法的局部性和对初始中心的敏感性,实验证明,该算法有较好的全局收敛性,聚类效果更好。     

改进量子遗传算法在多峰值函数寻优中的应用

针对标准量子遗传算法(QGA)在寻找多峰值最优时存在局部寻优能力较差和易早熟的缺陷,提出一种改进量子遗传算法(QQGA),运用基于概率划分的小生境协同进化策略初始化量子种群,并采用动态量子旋转角调整策略来加快收敛速度;加入量子移民和保优选择策略,提高规划效率,避免陷入局部最优。利用复杂二元函数测试改进量子遗传算法,结果比标准量子遗传算法效率高。     

一种基于距离测度的自适应遗传算法

为了提高基于距离测度的自适应遗传退火算法的收敛概率和收敛速度，提出了一种改进的算法，定义基于距离密集度和适应度的自适应变异概率，采用改进的算术交叉操作和模拟退火操作，并在群体趋于一致时保留最优个体，重新产生其他新个体。利用改进的距离测度实数编码遗传算法对带边界约束函数优化问题进行了仿真计算，结果表明该算法收敛概率较高，收敛速度快，是一种有效的算法。