基于改进遗传算法智能组卷的研究

通过建立智能组卷数学模型,研究了改进遗传算法在智能组卷算法中的应用,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。     

一种改进遗传算法在智能组卷中的应用

目前,国内外许多科研单位和学校机构对智能组卷技术进行了大量的研究,其中基于遗传算法的智能组卷技术最为先进,但由于组卷问题的复杂性,仍然存在许多的不足,本文尝试从遗传算法在智能组卷中的实现上进行技术改进,以克服组卷时间长、算法收敛快等缺陷.     

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.     

基于差分进化算法的智能组卷研究

符合实际组卷需求的组卷问题模型和高效优质的组卷算法是实现计算机自动组卷的关键.针对当前计算机自动组卷模型在重要组卷指标上存在误差的现状,提出了一种能够满足用户精确组卷需求的改进组卷问题模型.将新出现的差分进化算法应用于所提出的模型,给出了一种新型智能组卷算法.利用不同规模的真实题库,进行了算法的模拟实验.实验结果表明,与基本遗传算法相比,该算法在组卷成功率和组卷质量方面具有更好的性能.     

浅议试题库智能组卷系统的设计

智能组卷是CAI中一个重要的研究课题.本文针对试卷生成的目标要求,给出了用遗传算法解决智能组卷问题的具体方法.实验结果表明该智能组卷算法能很好的解决试题库中智能组卷问题,具有较好的实用性.     

基于遗传算法的智能组卷的研究

智能组卷是计算机辅助教学(CAI)中一个重要的研究课题,本文针对试卷生成的目标要求,建立了智能组卷的数学模型,并给出了用改进的遗传算法解决此问题的新方法.实验结果表明该改进的遗传算法能很好的解决试题库中智能组卷问题,具有较好的性能和实用性.     

改进遗传算法在组卷系统中的应用

本文将改进的遗传算法应用于组卷系统中,对智能组卷问题进行研究和分析,通过对编码、适应度函数、遗传算子、控制参数指标等方面来进行研究设计,运用改进遗传算法的全局寻优的优点,得出解决适合要求的实用算法.从而确保的试卷的覆盖范围和准确性提高组卷效率.     

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。     

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.     

改进遗传算法智能组卷研究

为了更有效解决智能组卷问题,针对应用型本科院校《自动控制原理》课程特点,建立了试题库并提出一种简化数学模型。同时,为了改善单纯遗传算法在组卷过程中局部搜索能力差与早熟收敛问题,在组合遗传算法基础上,对精英策略进行改进,提出一种新算法。仿真实验结果表明,与单纯粒子群算法、单纯遗传算法及其改进算法相比,新算法具有明显的优势,有效克服了未成熟收敛现象,提高了算法收敛精度与速度,具有寻优能力强、稳定性好等优点。     

一种基于多亲遗传机制的多目标优化算法

给出了进化个体之间的关系和非支配集中不同个体之间的相关性质,参考快速排序的思想,提出了一种有效的构造非支配集的算法.在此基础上,将多亲遗传算法与改进的快速排序构造非支配集的算法相结合,提出了一种基于多亲遗传机制的多目标优化算法.最后对提出算法进行了分析,采用了测试函数进行了仿真实验,获得了理想的实验结果.     

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.     

混沌遗传模拟退火组合算法性能研究

提出了一种混沌遗传模拟退火组合算法.为了提高算法的收敛速度,对遗传算法的适应度进行了拉伸操作,并且对模拟退火算法进行了改进,使其搜索范围随退火温度的降低而缩小.最后通过对4个典型函数的模拟,对算法的性能进行了研究.实验结果表明,该算法能明显改善传统遗传算法的性能,具有较强的全局搜索能力和较快的收敛速度.     

基于改进遗传算法的智能组卷系统设计

针对大学课程考核及题库建设需求,设计并实现了一种基于改进遗传算法的智能组卷系统。系统采用Word文档保存试题的内容和答案;在组卷策略上采用了改进遗传算法,详细设计了组卷问题的染色体结构、适应度函数和遗传操作等,克服了传统随机组卷方法存在的局限性,科学合理地解决了智能组卷问题。通过测试后发现,本智能组卷系统可操作性强、组卷效率高,可以显著提高组卷的质量,完全能够满足课程考核的实际需求。     

基于元胞遗传算法的智能组卷的研究

智能组卷是一个包含多重约束条件的目标优化问题,遗传算法的群体搜索策略可以为多目标优化提供较好的解决方案。但传统的遗传算法在组卷过程中存在收敛速度慢、收敛性较差等缺点,组出的试卷质量不高。提出一种新的元胞遗传组卷算法,将群体中的所有元胞按照一定的演化规则演化之后,再进行遗传操作,并把该算法应用到智能组卷中。实验结果表明,新的元胞遗传组卷算法与传统的遗传组卷算法相比,可以有效地提高收敛速度,并能进一步改善收敛性,组出的试卷更加符合人们的要求。     

一种基于遗传算法的软件测试用例生成新方法

建立了一个基于遗传算法测试用例生成的系统模型,在该模型下通过分支函数插装的方法构造遗传算法所需的评价函数并针对软件测试用例生成问题的特点对传统遗传算法进行了改进;最后,给出了一个实例并分析了实例的执行情况。     

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。     

基于GA-PSO算法的路径测试数据自动生成*

为了实现测试数据自动生成,许多遗传算法及其改进算法应用到了测试领域。针对遗传算法具有较强的全局搜索能力,但局部搜索能力较弱,且收敛速度慢的特点。将遗传算法与粒子群算法结合起来形成新的混合算法（GA-PSO）,并成功应用到软件测试数据自动生成过程中。实验结果表明,该算法结合了遗传算法和粒子群算法的优点,在保证软件测试数据正确生成的情况下,极大地提高了数据生成的效率。