排序方式: 共有24条查询结果,搜索用时 390 毫秒
1.
本文设计了一个基于网络的智能题库系统,并给出了关键算法-基于PBIL进化算法的组卷算法。 相似文献
2.
PBIL算法在组合优化问题中的应用研究 总被引:1,自引:0,他引:1
基于群体的增量学习(PBIL)算法有效结合了遗传算法和竞争学习的优点,运行过程简单,解决问题快速准确。本文提出将PBIL算法应用于求解CMN组合优化问题,以物流中心选址优化问题为例,介绍了基于PBIL求解CMN组合优化问题的一般方法,提出了针对此类问题的个体产生算法。为了提高算法的收敛速度和寻优能力,提出了基于当代最优解与历代最优解比较结果的概率学习加速方法。最后,通过实验仿真验证了上述改进的有效性。 相似文献
3.
总结了现阶段常用程序设计教学语言的共性,在此基础上提出了程序设计语言通用测试系统的设计方案。方案扩展了试题库的含义和结构,针对通用平台的设计目标,提出了“插件式”的题库管理方案,简要介绍了以蓝图为中心的组卷策略和基于XML的蓝图结构,并阐述了程序设计的阅卷策略和系统实现过程中的若干关键技术。 相似文献
4.
在用传统方法解决一些复杂而规模较大的组合优化问题,尤其是NP难题,出现困难时,一些近似算法相继推出。启发式搜索法、模拟退火算法及进化算法等的出现,为解决这些优化问题提供了非常好的手段。近年来,出现了一种概率学习的进化计算模型,如Baluja的PBIL算法与Corno的自私基因算法。概率学习的进化计算模型通过不断地学习每一代的最优个体,最终收敛于最优或较优的解的等位基因概率,其过程描述如下: 相似文献
5.
前馈神经网络的一种优化BP算法 总被引:2,自引:0,他引:2
1引言
在1986年,Rumelhart,Hinton和Williams等完整而简明地提出一种人工神经网络的误差反向传播学习算法(简称BP算法)[1],这个算法的学习过程是由正向和反向传播两部分组成:首先是正向传播过程,由输入信息向前传播到隐层或中间层的结点上,经过选定的激活函数(又称传递函数,从理论上讲,激活函数可以多种多样,但由于sigmoid型激活函数不仅映射算法简洁而且收敛性能好,因此常被用作人工神经元的激活函数)运算后,从隐层结点逐层把信息传播到输出层结点,在这个过程中,每一层神经元的输出状态只影响下一层神经元输出,即输入层的输入参数集经隐层逐层映射至输出层;如果输出层的实际输出值与期望值之间的误差大于允许值,则转入反向传播过程,它将误差信号沿原来的连接通路返回,伴随误差从输出层向输入层逐层反传,在这个过程中适时地修改各层神经元间的连接权值,减少输出误差,至此一个学习周期结束.如此经多个学习周期至误差等于或小于允许值,学习过程结束. 相似文献
6.
试题库自动组卷问题是一个NP难题。本文首次采用PBIL算法解决试题库自动组卷问题,重点讨论了优化目标函数与组卷约束条件之间的关系。研究结果表明,用该方法解决自 动组卷问题,对附加约束条件适应性强,计算结果稳定,是一个比较理想的算法。本文还使用信息熵来估计进化进行的程度。 相似文献
7.
8.
9.
10.