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。     

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。     

基于选择压力的全局优化元胞遗传算法分析

元胞遗传算法将遗传操作限制在邻域内进行,减缓了优势个体在群体中的扩散速度,具有更好的全局收敛性,在求解复杂优化问题中显示出优越性。与传统遗传算法对比,以选择压力作为分析手段,对元胞遗传算法进行定性分析。通过求解具有不同特征的函数,分析进化过程群体多样性变化,从进化过程群体分布图,直观得出元胞遗传算法具有较好的维持群体多样性能力;从计算的统计结果,得出元胞遗传算法能极大提高全局收敛率,并且求解稳定性更好。     

一种遗传蚁群算法的机器人路径规划方法

研究遗传算法和蚁群算法可作为新兴的智能优化算法,在解决多目标、非线性的组合优化问题上表现出了传统优化算法无可比拟的优越性。基于将两种智能优化算法动态融合的思想提出了一种新的遗传蚁群算法(GA-ACO)。与已有的将遗传算子引入蚁群算法的结合方式不同之处在于,GA-ACO算法第一阶段采用了遗传算法生成初始信息素分布,在第二阶段采用蚁群算法求出最优解,从而有效地结合了遗传算法的快速收敛性和蚁群算法的信息正反馈机制。仿真结果表明,在具有深度陷阱的特殊障碍物环境下,应用GA-ACO算法求解机器人路径规划问题可以得到较好的的结果。     

基于遗传模拟退火算法的智能组卷研究

考试数据库中的智能测试组卷是在一定约束条件下的多目标参数优化问题。通过应用传统的数学方法,很难解决这个问题。该文给了一个数学模型,并提出了一种新的遗传模拟退火算法来解决这个问题。通过对该算法的测试表明,新算法能够很好地提高组卷的成功率,并且在组卷的收敛速度和防止早收敛方面有了很明显地改善。     

基于改进元胞多目标遗传算法的机床主轴优化

为了进一步提高元胞遗传算法在求解多目标优化问题时的收敛性和分布性。在多目标元胞遗传算法的基础上,引入了三维空间元胞,提出了三维元胞多目标遗传算法。采用多目标基准测试函数对该算法进行了测试,并将其与目前比较流行的几种多目标遗传算法进行对比。结果表明,此种算法在收敛性和分布性上取得了更好的效果。采用以上这几种算法分别对机床主轴多目标优化问题进行了求解,相比其他几种算法,改进的多目标元胞遗传算法得到了更优的结果,说明了改进的算法在求解此问题时行之有效。     

二进制编码遗传算法在试题组卷中的应用研究

采用基因段遗传算法解决多目标试题组卷优化问题是目前比较常用的组卷方法,但其存在适用题库规模较小,遗传算子约束条件多,收敛速度慢等缺点。采用多染色体并行遗传算法解决多目标试题组卷优化问题,就是按照不同的题型划分为多个染色体种群,然后根据每种题型的目标要求,并行进行遗传算法操作,将优化结果拟合成最终试卷。这种方法不仅目标控制灵活、方便、收敛速度快、而且适用规模较大的题库。     

概率表示的二进制粒子群算法在组卷中的应用

在组卷优化问题的研究中,组卷受到多约束条件的限制。为提高在线考试系统中试卷的质量,提出采用概率表示的二进制粒子群优化算法(BPSO)的智能组卷策略,采用粒子群优化算法有效克服遗传算法的局部搜索能力差,以及导致"早熟"和收敛速度不理想等缺陷。在标准粒子群算法基础上,利用贝叶斯公式对粒子群算法进行改进,克服人为因素对算法收敛速度的影响,同时算法的时间性能和空间性能得到进一步提升。通过仿真证明改进算法是一种切实可行的组卷策略。     

基于改进遗传算法的智能组卷研究

组卷问题是一个多目标约束优化问题,采用集合论思想,将智能组卷的要求形式化,提出了一种基于改进遗传算法来进行智能组卷的方法.该算法针对传统智能算法组卷速度慢、成功率低的缺点,针对简单遗传算法的编码、遗传算子存在的问题进行了改进.实验结果表明,改进的算法在保证试题产生的质量前提下,提高了智能组卷的运行速度,具有较好的实用性.     

基于遗传算法的智能组卷系统的研究与实现

组卷系统的研发不仅涉及到组卷数学模型建立的问题,还包括对其应用适合的组卷算法的研究。由于遗传算法具有全局寻优和智能搜索的特性,所以本文将该算法引入智能组卷。然而若要寻求到真正适合的组卷算法,必须对现有的遗传算法加以改进。本文对遗传算法改进主要体现在以下几个方面:编码策略、适应度函数的选取和遗传算子及控制参数的设计等等。改进的遗传算法在组卷中的应用可以有效克服未成熟收敛,加快了收敛速度,明显地改善了其全局寻优能力,提高了组卷的成功率,取得了满意的组卷效果。     

一种用于智能组卷的自适应小生境遗传算法

在采用遗传算法进行智能组卷的过程中,常出现选择策略缺乏多样性保护机制的现象,易出现早熟收敛。为解决智能组卷的早熟收敛问题,提出一种自适应小生境遗传算法。采用小生境技术可提高个体的选择概率,增加个体的多样性选择机率;在保证算法收敛速度的情况下,给出一种一致变异算子,同时调节个体的变异概率和变异范围,提高种群多样性。最后,通过具体实例验证了该算法在较短的组卷时间内,可以实现全局寻优的结果,从而证明该算法的有效性。自适应小生境遗传算法在智能组卷中的应用具有实际意义。     

一种自适应权重的并行PSO快速装箱算法

随着智能制造时代的到来,生产线后期产品的智能装箱已成为工业生产的重要环节,如何更快速地得到装箱结果对于提高生产效率尤为重要。以快速装箱为目标,文中提出了一种适用于工业生产线的智能化装箱算法。该算法采用自适应权重法改进了粒子群优化算法,相较于标准粒子群优化及遗传等传统启发式算法有更快的收敛速度;并采用GPU加速,实现了高性能的并行计算,大幅加快了计算速度。实验表明,所提算法同样能得到很好的空间利用率, 同时其收敛速度也显著优于传统算法。     

遗传-粒子群的投影寻踪模型

以前的投影寻踪研究都是采用遗传算法来寻找最优的投影方向,但遗传算法对初始种群的选择有一定的依赖性,收敛速度较慢,而且得到的也未必是最优解。粒子群算法是一种模拟鸟群飞行觅食的行为,通过个体之间的协作来寻找最优解的进化计算技术。根据遗传算法和粒子群算法的优缺点,将两者有效地结合在一起,提出了遗传-粒子群的投影寻踪模型。该方法能有效地解决投影寻踪模型中投影方向的寻优问题,并将该方法应用于文本分类,在Reuters-21578文档集上分别采用KNN和朴素贝叶斯方法进行实验,结果表明此方法能有效提取投影方向,取得了满意的分类效果,也提高了算法收敛到最优解的能力。     

基于混合遗传算法的自动组卷问题的研究

针对遗传算法(GA)容易出现未成熟收敛和进化后期计算效率低的问题,提出了一种基于混合遗传算法(HGA)的智能组卷算法.将自适应遗传算法(AGA)与位爬山法相结合,提高组卷性能.在进化前期采用AGA进行全局寻优,增强GA的收敛速度同时避免GA的未成熟收敛.在进化后期启动位爬山法增强AGA的局部搜索能力.试验结果表明,HGA相对于AGA在有效性、稳定性和计算效率三方面都有较大提升,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.     

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。     

基于衰减因子和动态学习的改进樽海鞘群算法

樽海鞘群算法是一种新型的群智能优化算法.与其他智能优化算法相比,樽海鞘群算法的优化求解策略仍有待改进,以进一步提高该算法的求解精度和寻优效率.本文提出一种基于衰减因子和动态学习的改进樽海鞘群算法,通过在领导者更新阶段添加衰减因子,提高算法的局部开发能力,在跟随者更新阶段引入动态学习策略,提高算法的全局搜索能力.本文对16个测试函数进行实验,将提出的改进算法与其他智能优化算法比较,实验结果表明,本文提出的改进算法在收敛精度和收敛速度方面有较大提升,具有良好的优化性能.     

Memetic算法在智能组卷问题中的应用

Memetic算法是一种启发式搜索方法,常用于解决一些NP问题。本文通过对遗传Memetic算法的改进与优化,结合智能组卷问题的特点,提出一套完整的解决方案。算法使用Memetic算法框架,全局搜索策略采用分段实数编码的遗传算法,融合了算法的交叉变异操作,局部搜索策略采用模拟退火算法,有效解决陷入局部最优问题。通过不同算法的对比实验表明,本文提出的Memetic算法能够快速高效地解决智能组卷问题,大大提升试卷生成质量,减少迭代次数,可快速获得最优解。      

A hybrid intelligent genetic algorithm

Application of genetic algorithms to optimization of complex problems can lead to a substantial computational effort as a result of the repeated evaluation of the objective function(s) and the population-based nature of the search. This is often the case where the objective function evaluation is costly, for example, when the value is obtained following computationally expensive system simulations. Sometimes a substantially large number of generations might be required to find optimum value of the objective function. Furthermore, in some cases, genetic algorithm can face convergence problems. In this paper, a hybrid optimization algorithm is presented which is based on a combination of the neural network and the genetic algorithm. In the proposed algorithm, a back-propagation neural network is used to improve the convergence of the genetic algorithm in search for global optimum. The efficiency of the proposed computational methodology is illustrated by application to a number of test cases. The results show that, in the proposed hybrid method, the integration of the neural network in the genetic algorithm procedure can accelerate the convergence of the genetic algorithm significantly and improve the quality of solution.