基于改进粒子群算法的多目标智能组卷研究

组卷问题是一个多约束多目标组合优化问题。建立了一种新的组卷数学模型,提出了一种改进粒子群算法（IPSO）的智能组卷算法。在组卷之前,先采用贪婪算法进行预处理,有效提高了算法的收敛速度。在进化过程中引入保优策略,避免适应值高的粒子被淘汰。采用自适应交叉和变异算子进行调整,避免了局部收敛现象。实验结果表明,改进的粒子群算法应用在多目标智能组卷中具有较好的组卷性能。     

粒子群算法在智能组卷中的应用

在C语言程序设计在线考试系统中如何组卷是系统开发的核心,组卷算法的研究则是提高组卷智能化的关键,系统采用了一种改进的粒子群优化算法进行组卷,通过检验该算法能有效提高其收敛速度,改善算法的全局寻优能力,并具有较高的鲁棒性.     

一种改进的粒子群优化算法在智能组卷系统中的应用

本文提出了一种改进的粒子群优化算法,并将其应用于智能组卷系统。设计智能组卷算法的数学软件模型,并且改进传统的粒子群优化算法惯性权重为非线性形式。为了验证这一算法,进行了计算研究。结果证实,此算法能够成功应用于智能组卷,组卷成功率高于遗传算法和传统的粒子群优化算法。     

粒子群优化算法研究进展

粒子群优化算法是根据鸟群觅食过程中的迁徙和群集模型而提出的用于解决优化问题的一类新兴的随机优化算法．介绍了PSO算法的基本原理和一些改进措施及PSO算法的应用，并对其将来的发展进行了展望．     

粒子群优化算法研究进展

粒子群优化算法是根据鸟群觅食过程中的迁徙和群集模型而提出的用于解决优化问题的一类新兴的随机优化算法.介绍了PSO算法的基本原理和一些改进措施及PSO算法的应用,并对其将来的发展进行了展望.     

粒子群优化算法的研究与展望

粒子群优化算法是一种基于群智能的随机优化算法,具有简单易实现、设置参数少、全局优化能力强等优点.着重对粒子群优化算法中的基本算法、改进算法、应用领域和研究热点等方面做了较为详细的论述.     

粒子群优化算法在函数优化上的研究与发展

粒子群优化算法(PSO)与其他演化算法相似,也是基于群体的。每个粒子被随机初始化以表示一个可能的解,并在解空间通过更新迭代搜索最优解。该算法的特点是简单容易实现而又功能强大。该算法最初被提出来主要应用于函数优化。经过几年的发展,已经出现了大量的改进算法。本文总结了这些改进算法的基本主要形式,并给出了未来可能的研究方向。     

小水电群智能优化调度算法研究

小水电群的优化调度是一个大规模、多目标、复杂的多阶段决策过程,通常采用传统的动态规划法.探讨了智能优化算法在小水电优化调度中的应用问题,分析了改进遗传算法的工程实现方法及仿真结果,着重分析了算法的收敛特性、算法的计算速度等,说明了遗传算法求解该问题的不足,并提出了采用粒子群算法、蚁群算法等的设想.     

基于粒子群优化算法的多阈值图像分割

为确定图像分割的最佳阈值，基于粒子群优化算法提出了一种多闽值图像分割方法．由最大熵或最大类间方差法得到优化的目标函数，用粒子群算法对其进行优化，得到分割的最佳阈值，并用该阈值对图像进行分割．将分割结果与遗传算法的多阈值分割结果相比较可以看出，该算法不仅可实现正确的图像分割，并可使分割速度大大提高．     

基于差分进化的量子粒子群优化算法的研究

为了提高量子粒子群算法(QPSO)的性能,利用差分进化对量子粒子群算法进行了优化.该优化算法(DE -QPSO)在粒子更新过程中,首先通过添加一个扰动来产生一个变异粒子,然后对变异粒子进行交叉操作产生新的试验粒子,最后对试验粒子进行选择操作,确定进入下一次迭代的个体.用5种标准测试函数对DE -QPSO、QPSO和 粒子群算法(PSO)的性能进行对比测试,结果表明DE-QPSO算法的性能明显优于PSO和QPSO算法,具有较好的应用价值.     

基于一种改进遗传算法的智能组卷的研究

在智能组卷中,为了避免简单遗传算法收敛速度慢及局部收敛的问题,引入了一种改进遗传算法.该算法利用不断淘汰相似个体,并不断补充新个体的方法,达到了扩大搜索空间,稳定群体的个体多样性目的.试验结果表明,只要试题库中的试题数量适中,试题完备,分布合理,由该算法产生的试卷就能满足用户的各项需求指标.     

基于遗传算法的智能组卷研究

通过分析以知识点、难度系数、区分度、试试卷总分和作题时间等为核心属性的智能组卷的各项约束条件,智能组卷数学模型,以实现采用遗传算法实现智能组卷的技术。     

基于改进的粒子群和遗传算法的混合优化算法

分析粒子群算法在求解组合优化问题中的运行原理,对警车分布的优化问题建立了粒子群优化的数学模型,对基本粒子群优化算法中的速度范围、惯性权重等参数进行了改进,并通过仿真与基本粒子群算法比较,显示改进的粒子群算法,提高了优化结果.在改进的粒子群算法中引入遗传算法,将形成的新混合算法应用到求解警车最优执勤地点的分布问题,并与遗传算法和改进的粒子群算法仿真比较.结果表明,混合优化算法在收敛速度和精度上均有明显的提高.     

基于小生境粒子群的属性约简算法

遗传算法（GA）及蚂蚁算法（ACO）等进化属性约简算法,具有全局寻优的优点,但存在算法时间复杂度高,搜索空间大等不足;粒子群（PSO）属性约简算法,虽然可提高求解效率,但易陷入局部最优.本文引入小生境技术,提出基于小生境粒子群的属性约简算法,利用小生境技术造就种群的多样性,使解保持多样化,以此避免粒子群属性约简算法易早熟收敛的缺点.理论分析及实验结果表明,该算法是有效可行的.     

题库系统智能成卷理论和组卷方法研究

分析了组卷目标要求,建立了智能组卷系统问题求解的理论模型。结合组卷问题求解领域知识与专家选题思想,提出了一种基于自适应混合进化机制的智能组卷方法,采用了基于题型的分段编码、段内进化算子、误差加权适应度评估方法。通过实例分析,实验结果表明所提出的新组卷方法具有组卷成功率高和组卷速度快的优点。     

基于多目标粒子群算法的泊位-岸桥分配研究

为得出合理且符合实际生产状况的泊位-岸桥分配,建立了船舶在港时间和码头运营成本最小的多目标优化模型,并使用了多目标粒子群算法进行求解。通过多目标粒子群算法分别求解30、40、50、60、70艘船舶的优化模型,得到的可行解使时间和成本这两个目标达到最优平衡,并证明了模型和算法的有效性。试验结果表明,多目标优化方法与单目标而言,可以使码头得到更大的运营效益。     

基于粒子群算法的自适应滤波器研究及应用

针对神经网络自适应滤波器易于陷入局部极小的缺陷,采用抑制局部最优的粒子群算法优化神经网络的权系数,设计了基于改进粒子群算法训练的三层神经网络的自适应滤波器,并将其应用于自适应噪声抵消器.仿真表明,该系统与传统自适应噪声抵消系统相比具有很好的噪声抵消能力,信噪比大大提高.     

网络考试系统智能组卷模块设计与应用

作为计算机网络考试系统核心程序之一的智能组卷模块,其设计的科学性对网络考试系统运行效果有较大影响。通过对智能组卷模块采用预设抽题单、应用随机函数、题目随机排序进行模块设计,从而实现网络考试系统的智能组卷功能。该智能组卷方法应用于昆明冶专2013年秋季26个班级的“思想政治”理论课教考分离网络考试,通过实际应用对自动生成的20份考试试卷进行分析,组卷模块产生的考试库其题目知识点覆盖面、题型分布、题目难易程度完全按照抽题单设定抽取题目,特别在试题题目独立性即题目不重复性方面,效果较好。     

应用混合微粒群算法优化设计热油管道

考虑到年输量随油田产量和市场需求的影响而随机变化的实际,采用最佳平方逼近法确定热油管道的设计输量,在此基础上建立了包含年输量模型和参数优化模型的热油管道优化设计两级递阶模型.用微粒群算法和混合离散变量随机搜索法构成的混合微粒群算法解热油管道的参数优化模型,实现了热油管道的整体优化设计.算例表明,该综合算法优化设计热油管道得到的方案比单一采用离散变量随机搜索法、离散变量复合型法和基本的微粒群算法计算得到的方案更能节约年费用,且考虑年输量随机变化的管道设计方案更符合热油管道运行的工程实际.     

基于粒子群算法的新安江模型参数的优化

文中利用滦河流域大黑汀、桃林口及滦县站多年降水、蒸发及来水量资料,建立了区间年来水量的新安江模型,并利用基于粒子群优化算法对此模型的参数进行了优化。