基于改进遗传算法的智能组卷研究

因为传统组卷方法的时间和空间开销大、成功率较低,简单遗传算法的收敛速度慢、稳定性差,所以提出了基于改进遗传算法的智能组卷方法,通过根据个体适应度值自适应地选择个体,调整交叉概率和变异概率等措施,加快了算法向最优解的逼近速度,提高了组卷的效率和成功率。论文介绍了该组卷方法的组卷策略,数学模型,各模块的详细设计。     

改进遗传算法在自动组卷中的应用研究

为了避免遗传算法在自动组卷中存在的未成熟收敛和收敛速度慢等弱点,根据群体适应值的分布特点,采用了基于小生境的改进自适应遗传算法。该算法采用模拟小生境法选择算子进行种群选取,并对交叉算子和变异算子进行了优化,实现了交叉和变异概率的非线性自适应调整。改进后的算法明显提高了组卷的成功率和收敛速度,取得了满意的组卷效果。     

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。     

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C#．NET的在线考试组卷算法的设计与实现

组卷是在线考试系统中的一个重要环节,而组卷性能的优劣主要取决于组卷算法,将遗传算法应用于组卷中,使组卷的成功率和收敛速度都得到明显提高,不仅适合于较大型题库系统,而且也能满足复杂条件的组卷要求。利用C#．NET的类程序设计遗传组卷算法,既利于系统的模块化设计又利于组卷算法功能的优化和改进。     

改进的遗传算法在智能组卷系统中的应用研究

试题组卷是考试系统的重要组成部分,而遗传算法是考试系统中最常用的一种算法。本文分析智能组卷问题的目标要求,并建立该问题的数学模型,提出使用基于遗传算法GA(Genetic Algorithm)解决组卷问题的新方法。将该方法运用到Java课程智能组卷系统中,实验证明该算法在组卷中的应用可以有效克服遗传算法中早熟的现象,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,并且保证了组卷的质量。     

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。     

题库自动组卷算法的设计与实现

各种题库管理系统中，试题的自动组卷成功率是一个关键性的问题，本文以试题库的结构设计和随机抽题组卷算法设计为基础，提出了一种提高组卷成功率的新方法。     

改进的遗传算法在测井模拟器考核系统中的应用

针对测井模拟器考核系统的开发过程中,采用一般考试系统的组织结构存在试题库结构冗余、组卷效率低下、难以保证培训考核效果的问题,引入变种的遗传算法思想,来设计和实现测井模拟器考核系统。介绍了该系统的总体架构,并探讨了具体开发流程和实现。通过实验表明应用变种遗传算法后明显降低了系统冗余度,提高了系统自动组卷的成功率和收敛速度,取得了满意的组卷效果。     

自动组卷的建模和仿真研究

研究优化自动组卷问题,自动组卷要求快速获得满足用户的组卷,是一个NP难题,传统组卷组算法存在耗时长、效率低等缺陷,组卷成功率低.为了提高组卷成功率,提出一种遗传算法的智能组卷模型.首先按照试卷难度、区分度、考试总分、考试时间和题型要求建立多目标、多约束数学模型,然后采用遗传算法对数学模型进行求解,得到最优组卷方案.仿真结果表明,相对于其它自动组卷算法,改进遗传算法提高了组卷速度和效率,组卷成功率也相应有所提高,获得组卷质量更优,有效地解决优化自动组卷方法问题.     

分段组卷伪并行遗传算法的研究与实现

遗传算法组卷存在收敛速度慢和未成熟收敛问题,难以满足考核要求。已有较多算法采用了分段编码、分段进化的策略,以降低算法的复杂度,提高算法的性能,但均未实现分段组卷,没能从根本上提高算法的性能。为此提出分段伪并行组卷的方法,即:分段组成符合要求的试卷段,再组合成一份完整的符合用户需求的试卷。实验证明,该方法能够大大加快收敛速度,提高组卷质量。     

基于差分进化算法的智能组卷方法

如何从庞大试题库中自动生成符合教学和考试要求的一套试卷是目前我国利用计算机进行辅助教学的一个重要研究内容.通过分析用户对组卷的要求和试题结构特征.构建了一个智能优化组卷新模型,同时给出了求解的差分进化算法.数值试验结果表明,所给的方法在组卷效率和质量方面具有更好的性能.     

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。     

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.     

DOPGA: a new fitness assignment scheme for multi-objective evolutionary algorithms

In this article, a new fitness assignment scheme to evaluate the Pareto-optimal solutions for multi-objective evolutionary algorithms is proposed. The proposed DOmination Power of an individual Genetic Algorithm (DOPGA) method can order the individuals in a form in which each individual (the so-called solution) could have a unique rank. With this new method, a multi-objective problem can be treated as if it were a single-objective problem without drastically deviating from the Pareto definition. In DOPGA, relative position of a solution is embedded into the fitness assignment procedures. We compare the performance of the algorithm with two benchmark evolutionary algorithms (Strength Pareto Evolutionary Algorithm (SPEA) and Strength Pareto Evolutionary Algorithm 2 (SPEA2)) on 12 unconstrained bi-objective and one tri-objective test problems. DOPGA significantly outperforms SPEA on all test problems. DOPGA performs better than SPEA2 in terms of convergence metric on all test problems. Also, Pareto-optimal solutions found by DOPGA spread better than SPEA2 on eight of 13 test problems.     

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。     

基于修正后拟牛顿算法的织物实时模拟

选用质点-弹簧模型来描述整个织物运动系统,提出了两种新的基于拟牛顿算法的方法用于织物的实时模拟,同时给出了一种开关算法,根据实时状态对两种方法进行自动选择,以保证更好的收敛速度.对新算法的收敛速度进行了理论上的证明和讨论,并将修正后拟牛顿算法的实验数据和结果与已有的研究成果作了深入的比较和分析,结果表明修正后拟牛顿算法无论在收敛速度还是整体性能上都比已有算法优越.     

两种新的有效的非线性系统最小二乘辨识算法

提出了两种新的有效的最小二乘算法--改进的双对角化最小二乘算法MBLS-Ⅰ 与MBLS-Ⅱ.在存在舍入误差的条件下,证明了算法的收敛性.该算法具有几乎不受舍入 误差影响的优点,优于一般常用的最小二乘算法.包括数值性态极佳的SVD算法.同时,基 于该算法及SVD算法,构造出了一种新的NARMAX模型结构与参数辨识的一体化算法. 仿真结果证明了此新算法的优越性.     

基于全局排序的高维多目标优化研究

目标数超过4的高维多目标优化是目前进化多目标优化领域求解难度最大的问题之一,现有的多目标进化算法求解该类问题时,存在收敛性和解集分布性上的缺陷,难以满足实际工程优化需求.提出一种基于全局排序的高维多目标进化算法GR-MODE,首先,采用一种新的全局排序策略增强选择压力,无需用户偏好及目标主次信息,且避免宽松Pareto支配在排序结果合理性与可信性上的损失;其次,采用Harmonic平均拥挤距离对个体进行全局密度估计,提高现有局部密度估计方法的精确性;最后,针对高维多目标复杂空间搜索需求,设计新的精英选择策略及适应度值评价函数.将该算法与国内外现有的5种高性能多目标进化算法在标准测试函数集DTLZ{1,2, 4,5}上进行对比实验,结果表明,该算法具有明显的性能优势,大幅提升了4~30维高维多目标优化的收敛性和分布性.