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.     

基于蚁群算法的智能组卷算法研究

抽象出组卷问题的数学模型,提出使用组卷吻合度来评估组卷质量,成功地将组卷多目标优化问题转换成典型的线性优化问题,基于蚁群算法原理设计了一种新型的智能组卷算法。实验结果表明,与随机算法、遗传算法相比,该算法在组卷效率与组卷质量方面均具有更好的性能。     

基于随机数的计算机智能组卷算法探索

智能计算机辅助教学中一个重要问题是试题库的智能组卷。本文介绍的基于随机数的组卷算法简单、易行地解决了计算机智能组卷算法中抽题的随机性,难度可控性,知识点分布的合理性等方面问题。实践结果表明,该方法具有较好的性能和实用性。     

基于粒子群算法的智能组卷系统研究与实现

依据企业人才培养的考核要求,对组卷环节进行研究和改善,建立起规范高效的智能组卷系统.组卷问题是一个在多约束条件共同作用下的优化问题,难以用传统的计算方法进行求解.引入粒子群优化算法,实现了问题的快速求解.实现了基于粒子群算法的组卷模型,测试结果表明,基于粒子群算法的自动组卷系统成功率高、耗时短,系统界面友好,满足用户需求,有效地提高了工作效率.     

多目标优化差分进化算法

个体的适应度赋值和群体的多样性维护是进化算法的两个关键问题。首先,一方面,定义了Paretoε-支配关系的相关概念,通过Paretoε-支配关系确定个体的强度Pareto值,根据个体的强度Pareto值对群体进行Pareto分级排序,实现优胜劣汰;另一方面,使用拥挤距离估算个体的拥挤密度,淘汰位于拥挤区的一些个体,维持群体的多样性。然后,根据差分进化算法的特点,使用适当的进化策略和控制参数,给出了一种用于求解多目标优化问题的差分进化算法DEAMO。最后,数值实验表明,DEAMO在求解标准的多目标优化问题时性能表现优良。     

PBIL进化算法在自动组卷系统中的应用

进化计算是一种搜索方法,广泛用于求解各类优化问题。PBIL算法将进化获得的知识———学习概率用以指导后代的产生,使搜索更具方向性,因而往往能取得更好的效果。自动组卷问题是一个典型的组合优化问题。文中针对PBIL算法的特点,设计了一个自动组卷求解方案,并用实验数据进行计算。结果表明:该算法计算速度快、稳定性好,尤其是在约束条件比较多的情况下,显示出算法的高适应性,是解决组卷问题较为理想的算法。     

PBIL进化算法在自动组卷系统中的应用

进化计算是一种搜索方法，广泛用于求解各类优化问题。PBIL算法将进化获得的知识——学习概率用以指导后代的产生，使搜索更具方向性，因而往往能取得更好的效果。自动组卷问题是一个典型的组合优化问题。文中针对PBIL算法的特点，设计了一个自动组卷求解方案，并用实验数据进行计算。结果表明；该算法计算速度快、稳定性好，尤其是在约束条件比较多的情况下，显示出算法的高适应性，是解决组卷问题较为理想的算法。     

集成协方差矩阵自适应进化策略与差分进化的优化算法

不同智能优化算法在求解优化问题时通常表现出显著的性能差异.差分进化(DE)算法具备较好的全局搜索能力,但存在收敛慢、效率低的不足,协方差矩阵自适应进化策略(CMA–ES)局部搜索能力强,具备旋转不变性,但容易陷入局部最优,因此, DE和CMA–ES之间具有潜在的协同互补能力.针对上述问题,提出了一种集成协方差矩阵自适应进化策略与差分进化的优化算法(CMADE).在CMADE框架中, DE算法负责全局搜索, CMA–ES算法进行局部搜索.通过周期性解交换机制实现CMA–ES和DE两个算法间协同交互和反馈控制.在解交换时,从DE种群中选择优秀个体,利用CMA–ES算法在优秀个体周围进行局部搜索.同时在DE和CMA–ES的混合种群中,综合考虑解的多样性和最优性,选取一定比例的解作为DE算法的新种群进行全局搜索,实现全局搜索与局部搜索的动态平衡.将CMADE算法与CMA–ES, DE, SaDE, jDE, EPSDE, ACODE和SHADE算法在CEC2014标准测试集上进行比较实验.结果表明, CMADE整体性能显著优于其它比较算法.     

多智能体差分进化算法

基于多智能体与差分进化算法的各自优势,充分地将对多智能体环境的感知和反作用于环境的能力与差分进化速度和全局寻优能力有机结合,提出一种多智能体差分进化算法.引入差分进化算子以提高智能体更新速度并保持群体多样性,同时应用正交交叉算子以改善智能体协作特性确保有效竞争,并通过局部寻优算子提高算法的寻优精度.对几种典型测试函数进行了测试,实验结果表明所提出的算法具有较强的全局寻优能力.     

基于极值优化的混合差分进化算法

针对标准差分进化算法在求解复杂优化问题时易陷入局部最优的问题,提出了一种基于极值动力学机制的混合差分进化算法。该算法的核心在于,当种群聚集度较高时, 利用极值优化算法强大的波动性,通过引入基于种群的极值优化算法来提高种群多样性,从而协助差分进化算法跳出局部最优。仿真实验表明,该混合算法具有较好的全局收敛性,能有效避免早熟收敛。     

基于入侵杂草优化的大学英语试题组卷方法

在大学英语教学中,如何从庞大的英语试题库中生成符合一定测试目标或教学要求的英语考试试卷是英语辅助教学的重要手段.针对大学英语考试试卷的总体评价目标及试题的整体测试参数进行了分析,给出了一个有效的组卷模型,同时提出了基于入侵杂草优化的大学英语试题库自动组卷方法.实验结果表明,该方法能有效生成一份满足大学英语教师或教学大纲要求的英语考试试卷,极大地节约了高等学校英语教学的人力资源.     

基于遗传算法的智能组卷系统数据库结构的研究

论文在分析了现存的组卷系统的组卷算法及相应的数据库结构的基础上,基于遗传算法提出了一种新的数据库结构,并给定具体结构的确定方法。实践证明,这种结构下的数据库很好地配合遗传算法实现了智能组卷,并且系统效率更高,冗余度更小。     

基于改进自适应遗传算法的智能组卷算法

传统的组卷算法具有组卷速度慢、成功率低和组卷质量不高等缺陷。为了解决该问题,提出一种基于正弦形式自适应遗传算子的改进遗传算法的组卷算法,理论分析和实验结果表明,与基本遗传算法和自适应遗传算法相比,改进的遗传算法更能满足组卷的实际需求,在全局搜索性能、收敛速度和组卷成功率较基本遗传算法和自适应遗传算法有显著提高,证明了改进算法的有效性和优越性。     

基于改进遗传算法的智能组卷系统研究

传统组卷算法在组卷质量和组卷速度方面,都难以达到令人满意的效果。鉴于此,建立了智能组卷系统问题求解的理论模型,并结合遗传算法来解决考试系统中的智能组卷问题:在选择算子中采用适应度排序在前一半的个体进入下一代的繁殖;在交叉算子中采用最优保持策略;在成卷前调整试卷知识点的分布。该组卷算法在不同的要求下都能得到较为满意的效果。     

CAT中智能组卷系统的设计与实现

随着计算机技术的迅猛发展，网络应用的不断扩大和普及，伴随着教学要求的不断提高，远程教育作为现代教育的一个重要组成部分也日趋成熟和广泛，计算机辅助测（Computer Assistance Test，CAT）是其中一个重要的方面。文章对CAT中基于Web的智能组卷系统的设计与实现进行了研究。该系统采用当前流行的B／S模式架构，运用ASP网络编程技术构建而成，其技术解决方案对其他类似的在线考试平台和自动组卷系统同样具有借鉴和参考价值。     

改进遗传算法在试题自动组卷中的应用研究

针对传统的组卷算法具有组卷速度慢、成功率较低、组卷质量不高等缺点。本文提出了一种用改进的遗传算法来求解试题组卷问题的方法。实验结果表明,新方法的组卷成功率和收敛速度都得到明显提高,并且较好地克服了未成熟收敛现象,取得了较满意的组卷效果。     

基于差分演化与猫群算法融合的群体智能算法

提出一种基于差分演化与猫群算法融合的群体智能算法。该算法基于猫群算法的两种行为模式,引进差分演化的思想,根据分组率随机把群体分成两个种群,一个种群执行猫群算法搜寻模式,另一种群执行差分变异模式,算法采用一种信息共享机制,使两个种群在搜索最优解时可以实现协同进化,信息交流。既实现了不同进化模式间的优势互补,又可以增加种群的多样性。对5个基准函数进行仿真实验并分别与DE和CSO进行比较,表明混合算法同时具有全局搜索和局部搜索最优解性能,收敛速度快,计算精度高,更适合用于求解高维复杂函数。     

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。      

基于遗传算法智能组卷的去重题方法

针对遗传算法智能组卷过程中出现的重题问题进行研究,提出一种重题优化策略,包括重题甄别和重题替换2个部分。该策略能快速甄别并替换试卷中的重题,同时最大限度地保留整张试卷的优势。实验数据表明,采用该策略的组卷算法能有效缩短组卷时间,同时提高生成试卷的满意度。