基于改进遗传算法的自动组卷研究

在分析研究已有相关算法的基础上,提出了一种基于遗传算法的自动组卷优化算法。算法的优化主要体现在基于相对权重的适应度函数的设计、基于约束条件的初始种群选择及具有自适应性的算子设计。     

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。     

基于遗传算法的自动组卷研究与应用

随着在线考试系统的广泛应用,组卷算法决定了自动组卷的性能。为提高组卷成功率,提出基于遗传算法的自动组卷模型,根据总分、题型、难度、区分度等要求建立多目标、多约束条件的数学模型。采用ASP.NET编程实现,并进行编码、选择、交叉、变异等操作,使遗传算法能满足自动组卷要求。     

自动组卷策略中遗传算法的优化

自动组卷技术是计算机网络化考试系统中一项必不可少的重要技术,自动组卷技术实现的关键是组卷算法的选择与实现,它将直接影响到组卷的质量。通过建立组卷算法的数学模型,结合遗传算法理论,给出了一种优化的遗传算法的自动组卷策略。     

基于遗传算法的自动组卷研究与应用

随着在线考试系统的广泛应用,组卷算法决定了自动组卷的性能。为提高组卷成功率,提出基于遗传算法的自动组卷模型,根据总分、题型、难度、区分度等要求建立多目标、多约束条件的数学模型。采用ASP.NET编程实现,并进行编码、选择、交叉、变异等操作,使遗传算法能满足自动组卷要求。     

基于改进遗传算法智能组卷的研究

通过建立智能组卷数学模型,研究了改进遗传算法在智能组卷算法中的应用,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。     

基于遗传算法的自动组卷研究

随着基于网络的各种考试的引入和广泛应用,计算机组卷的算法得到了广泛的研究.计算机自动组卷是一个带约束的多目标优化问题,可以通过遗传算法采解决,并可以根据实际问题选择个性化的编码方案,提高遗传算法的效率.通过对计算机组卷问题及和遗传算法的分析,给出了一种基于遗传算法的计算机自动组卷算法.     

基于整数编码和自适应遗传算法的自动组卷

给出了基于整数编码和自适应遗传算法解决自动组卷问题。该算法首先采用整数编码，用没有重串的稳态繁殖技术和自适应遗传算法对组卷进行操作，有效地解决了试题库的自动组卷问题，具有较好的性能和实用性。     

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。     

基于改进遗传算法智能组卷的研究

组卷问题是解决在一个多约束条件下的多目标参数优化的问题,在研究组卷数学模型的基础上,对遗传算法进行了改进,通过对染色体分段编码、确定适应度函数、分段初始化种群、交叉概率和变异概率的自适应调整及最优个体保存策略措施,实现了智能组卷。通过实验数据测试结果表明,改进遗传算法比简单遗传算法能更好地完成组卷,有更高地组卷效率,有较好地实用性。     

基于遗传算法的试卷生成系统的设计与实现

系统以教育测量理论为基础,分析了试卷生成的约束条件,采用离散型随机变量的二项分布函数建立难度—分数对应关系模型,并以此为依据,利用自适应遗传算法生成和优化试卷。通过调用WebEditor插件,模拟Word环境,实现试题和试卷的操作,使命题环境更接近于传统命题环境;根据频繁访问数据库的特点,利用Hibernate进行对象和关系之间的映射,提高数据库访问效率,具备一定的稳定性和可移植性。     

基于协同进化遗传算法的模型拟合研究

普通遗传进化算法在解决模型拟合问题中,建模与优化顺序结构时优化效果有限、拟合速度慢、稳定性低。针对上述问题,提出基于协同进化遗传算法的模型拟合算法。该算法将建模与优化问题抽象成多种群间协同进化,通过种群间整体的适应度值交换,将种群关联起来,扩大智能算法建模过程中参数优化的时空作用范围。各种群间含有不同基因表达,在解决局部问题时具有自包含性,有利于更好地发挥各智能算法(遗传算法、遗传规划)的优势。实验结果表明,该算法的稳定性和收敛速度优于传统遗传进化算法。     

基于知识点约束的遗传算法组卷策略的研究

基于遗传算法的自动组卷策略采用分段实数编码,具有自适应型的交叉和变异遗传算子,基于知识点约束的分题型的组卷算法思想,为自动组卷算法的进一步发展提供了研究方向.     

基于免疫遗传算法的Web服务组合方法

针对Web服务组合提出一种免疫遗传算法(IGA)。该算法将免疫原理引入遗传算法(GA)中,提高算法的整体特性。主要表现在免疫选择可有效地防止早熟,基于免疫记忆的子群体信息交换策略可加速收敛。GA在Web服务选择上存在不足,而IGA可以在备选的Web服务中进行有效的选择并最终组成Web服务组合,提高服务组合的质量和收敛速度。仿真实验结果表明IGA比GA更有效。     

自适应遗传算法在智能组卷中的应用

传统遗传算法在组卷过程中存在收敛速度慢、迭代次数多,以及采用固定遗传概率在遗传操作中极易破坏高适应性个体等问题。为此,提出一种用于提高组卷效率的自适应遗传算法。根据组卷参数的不同,采用有侧重的不完全随机搜索策略,针对低适应性个体借助交叉、变异算子进行快速淘汰,同时在迭代过程中增加最优个体保存机制,以较小的运算代价获得较高的组卷效率。实验结果表明,该算法在迭代次数、运行时间和组卷准确性方面均优于传统算法。     

基于遗传算法的类对象测试数据自动生成研究

在测试数据自动化生成方法中,对类对象测试数据的生成目前在实际中还没有完善的解决方法。针对这个不足,研究了基于遗传算法的类对象测试数据自动生成技术。在扩展海明距离法的基础上,提出了一种在遗传算法中生成类对象测试数据的适应度函数改进方法,并在理论上证明了该方法在缩短执行时间上的可行性。最后将方法实验于实际系统,实验结果显示在生成类对象测试数据的效率和准确性上都有明显的提高。     

多层微波吸收材料的遗传算法设计

利用遗传算法(GA)编写多涂层优化设计程序,该程序可以调用矢量网络分析仪测量的电磁参数,根据吸波材料的电磁参数对0.5～6.0GHz范围内不同材料的涂层厚度进行优化设计;讨论了不同的目标函数和厚度优化方法对优化结果的影响,提出多常数权重法建立目标函数。结果表明:此方法可以简单地从材料电磁参数的数据库中,按照设定的要求计算得到最优的电磁波吸收涂层;利用提出的多常数权重法建立的目标函数可以更好的设计宽频带高吸收的电磁波吸收涂层。     

基于个体适应值灰模型的交互式遗传算法

为将交互式遗传算法应用于复杂的优化问题中,提出一种基于进化个体适应值灰模型预测的交互式遗传算法,为每代适应值序列建立灰模型,以衡量个体适应值评价的不确定性,通过对灰模型的灰预测,提取进化个体评价的可信度,在此基础上,给出进化个体适应值修正公式,将该算法应用于服装进化设计系统中。实验结果表明,该算法在每代都能获取更多的满意解。     

基于遗传蚁群融合算法的测试用例最小化研究

为缩减测试用例规模及降低回归测试成本,提出一种基于遗传蚁群融合算法的测试用例最小化方法。采用遗传算法进行遗传算子操作,其结果作为蚁群算法的初始信息素分布。使用蚁群算法进行蚂蚁路径转移和信息素的更新,得到最优解。实验结果证明,该方法能有效减小测试用例集规模,缩短运行时间,提高最小化效率。