基于遗传算法的自动组卷问题的研究磁

对自动组卷问题进行分析,使用遗传算法来解决这个带约束的多目标优化问题。为组卷系统建立了一个合适的数学模型,并在此数学模型的基础上,应用遗传算法全局寻优和智能搜索的特性,在试题的各种属性满足数学模型的控制指标的基础上,从题库中既快又好的抽出一组符合教师要求的试题,有效地解决了试题库中的自动组卷问题,具有较好的性能和实用性。     

在线组卷策略的研究与设计

为了解决在线培训考试系统中多目标约束下的组卷问题,对组卷过程建立了多目标约束的数学模型,采用了基于改进的遗传算法的智能组卷策略,通过模拟生物种群演化来完成对符合约束条件的试题筛选,同时提出了二次组卷分发策略来保证试卷中试题分布的随机性。实验结果表明,改进的遗传算法提高了算法的收敛性和搜索能力,相应的智能组卷策略提高了多目标约束下组卷的质量和效率,生成的试卷能够满足用户的需求,二次组卷分发策略保证了在线考试的公平性。     

基于多种群的多目标免疫算法

借鉴遗传算法中采用并行机制避免局部收敛的思想,提出了一种基于多种群的多目标免疫算法。在该算法中建立多个子种群分别进行免疫操作,子种群之间通过优秀个体转移进行信息交换,可有效地提高种群的多样性,加速收敛。采用几种典型的多目标优化函数进行实验,并同常用的多目标遗传算法NSGA-II进行比较,仿真结果表明了该算法能有效解决多目标优化问题且具有一定的优越性。     

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。     

决策理论在多目标自动组卷系统中的应用

在多目标自动组卷系统中,由于目标间存在一定的关联性,当使用遗传算法解决自动组卷问题时,加入决策理论分析方法,可以将多目标问题进行必要的简化,提高组卷的效率,通过MATLAB软件进行仿真验证结果。采用VB与ADO相结合的技术实现组卷系统,特别给出决策理论核心代码及相关软件界面。融入决策理论的多目标遗传算法是解决多目标自动组卷系统的应用典范。     

基于矩阵编码的遗传算法及其在自动组卷中的应用

对组卷问题进行了分析，提出了采用遗传算法来解决这个带约束的多目标优化问题。提出了应用于自动组卷中的基于矩阵编码的遗传算法，充分利用领域知识来设计解的编码和遗传算子。试验结果表明，基于矩阵编码的遗传算法相对于其它方法能够取得更有效的结果。     

基于模拟退火遗传算法的自动组卷系统的研究

从题库中抽出一组满足多项要求的试题是一组合优化问题,针对该问题,比较了目前几种组卷的特点,提出把一种实数编码的模拟退火遗传算法应用在自动组卷问题中。为了对群体中每个个体进行调整并改善单一遗传算法的性能,该算法以遗传算法流程作为主体流程,在主流程中嵌入模拟退火算法,与现有遗传算法相比,该算法能较好地克服未成熟收敛现象,并且组卷的成功率和速度有明显的提高。     

基于模拟退火遗传算法的自动组卷系统研究

从题库中抽出一组满足多项要求的试题是一个组合优化问题,针对该问题,比较了目前几种组卷算法的特点,提出把一种实数编码的模拟退火遗传算法应用在自动组卷问题中.为了对群体中每个个体进行调整并改善单一遗传算法的性能,该算法以遗传算法流程作为主体流程,在主流程中嵌入模拟退火算法.与现有遗传算法相比,该算法能较好地克服未成熟收敛现象,并且组卷的成功率和速度有明显的提高.     

多约束分级寻优结合预测计算的智能组卷策略

针对智能组卷中多约束制约降低组卷成功率且难以实现知识点自动均匀分布的问题,提出一种多约束分级寻优的策略,通过分级降低问题规模,利用树形结构管理知识点实现知识点均匀分布;针对中小型题库组卷成功率低的问题,在分级寻优中针对章节约束和题型约束提出了一种基于预测计算的无回溯的智能组卷算法,提高组卷成功率。实验测试表明,算法适用于大、中、小型题库,均能得到较理想的组卷结果。     

基于混合并行遗传算法的多目标约束优化技术研究

多目标约束优化问题属于NP问题。并行遗传算法是解决该类问题的常用算法,它具有较强的全局搜索能力和并行性,但局部搜索能力差,禁忌搜索算法则比较适合于局部搜索。提出了一种基于混合并行遗传算法的多目标约束优化方法,该方法综合了并行遗传算法和禁忌搜索算法的优势,改进了并行遗传算法的性能,能有效避免局部最优解。     

多种人工智能算法的数据库技术课程自动组卷比较

在线考试被广泛应用在远程教育上,自动化组卷是在线考试的关键技术,组卷问题即是多目标期望值的求解问题,其往往存在多个解,人工智能算法对于求解多目标函数有明显优势.采用遗传算法及蚁群算法的多目标优化求解更加高效,能更好胜任于本文数据库技术课程的自动化组卷.在讨论人工智能算法在组卷应用基础上,构建了组卷指标体系,建立多目标约束数学模型,并对多目标期望值进行优化求解.多次实验结果论证表明,人工智能算法的成功率最高,平均达到98%以上（含蚁群算法100%,遗传算法96%）,而非人工智能的算法成功率较低,随机变量法62%,回溯试探法84%.应用人工智能方法特别是遗传算法和蚁群算法,提升了自动化组卷效率,满足了实际各种组卷的需要,使其在远程教育和在线考试中有很好的应用前景.     

遗传算法与人工免疫算法对车间调度问题求解

针对求解job-shop调度问题中存在的易出现局部最优、效率低下的问题,提出了一种新算法。该算法 采用了一种评价种群过早收敛标准的方法,引进了新的加快遗传算法进化速度的交叉算子,最后设计了人工免 疫算法中疫苗的提取和接种方法,即基于加工机器的基因片断抽取疫苗方法和最后完工机器个体的接种方法。 通过实验证明该算法能够有效地解决易出现局部最优、效率低下等问题。     

改进的自适应遗传算法求解0/1背包问题

为提高遗传算法求解问题的性能,提出一种改进的自适应遗传算法,该算法在交叉概率和变异概率公式中引入了当代迭代次数因子,提出了基因差别比例（Ca）的概念。Ca越大的基因位发生交叉、变异的概率越大,产生新个体的可能性越大;在模式生成操作中,确定基因位的选取同样由Ca决定。仿真结果表明,此算法在求解0/1背包问题时,其寻优能力有很大提高。     

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。     

多路径段平滑过渡的自适应前瞻位姿插补算法

任务空间多路径段平滑过渡可提高工业机器人的运动速度.在非对称S曲线加减速控制的路径长度约束下,以给定速度不为零的路径衔接点和半径调节参数为基准,根据路径段的长度变化,自适应前瞻规划出路径段间最优衔接速度,并在相邻路径段间采用圆弧进行平滑过渡,路径段全程采用非对称S曲线加减速控制.为提高算法的通用性,根据S曲线加减速区段函数的特点,对加速和减速区段函数进行优化.在6自由度工业机器人实时控制系统平台上进行实验验证,结果表明,与传统加减速控制算法相比,该前瞻算法的作业执行效率可提高22.03%以上,并可实现多路径段间速度的平滑过渡和轨迹的修形.     

基于自适应遗传模拟退火算法的矩形件排样

研究一种自适应遗传模拟退火算法,应用于矩形件优化排样问题。以整数编码矩形件的排样序列,采用经验选择与随机生成相结合的策略构造初始种群。运用自适应交叉和变异概率动态地控制遗传算法的收敛速度,通过模拟退火算法引导全局最优搜索,采用启发式最低水平线择优算法对排样序列进行解码,形成排样方式。多组对比实验结果表明,自适应遗传模拟退火算法求解速度较快,可以有效提高板材的利用率。     

基于基因库求解旅行商问题的遗传算法

针对传统遗传算法(genetic algorithm, GA)求解旅行商问题(traveling salesman problem, TSP)存在寻优效率低、实验结果缺乏一致性等问题,提出了一种基于基因库的遗传算法(genetic algorithm based on genes pool, GPGA)。GPGA从种群中搜索减小哈密顿圈长度的边,并当做优良基因构成基因库。父代哈密顿圈在基因库引导下产生更优的子代哈密顿圈,基因库也随着种群的不断进化而同步更新,引导种群个体逐步向最优解靠近。算例结果表明在同样条件下,GPGA比传统遗传算法和几种改进遗传算法的性能更优。     

改进型遗传算法智能组卷系统研究

研究测试理论和组卷过程的数学模型,分析利用遗传算法来实现智能组卷的目标：求解出满足用户条件要求的一套最优试卷。同时重点研究简单遗传算法＂早熟＂现象的原因,对参数编码、种群初始化、遗传操作和控制参数等方面加以改进。通过仿真实验表明,改进型遗传算法比简单遗传算法具有收敛速度快、稳定性高的优点,同时能有效地避免＂早熟＂现象,从而较好地实现智能组卷。     

指针网络改进遗传算法求解旅行商问题

针对遗传算法在求解旅行商问题时,受限于初始种群质量而存在收敛速度慢、易陷入局部最优等问题,提出一种基于指针网络改进遗传算法种群模型。通过经改进指针网络生成初始种群取代原种群,并结合基于汉明距离轮盘赌策略对种群个体进行择优,形成个体质量和种群多样性高的新种群。实验在TSPLIB标准库上多组实例进行测试,并和研究进展种群改进算法和多种主流启发式算法进行多项系数对比。结果表明,经过优化后算法的收敛速度和寻优能力有显著提高,能够有效用于改善遗传算法在旅行商问题上的应用。     

基于web的英语在线学习系统

介绍一个基于web技术的英语在线学习系统,详述了系统的设计方案及关键技术问题.首先,对系统中智能组卷算法与策略进行分析,以算法的实用性和可操作性需求指标建立一个智能组卷的数学模型,并设计一种基于改进遗传算法求解该模型的优化方法,实现通过对试卷指标的组合来随机生成符合约束要求的试卷,满足不同用户的个性化需求;其次,通过融合Ajax技术,实现系统在线测试中对考试进行时间控制,解决因B/S结构引起的“瓶颈”问题,减缓了数据流量.