基于PBIL算法的分层教学自动组班研究

分层教学模式的采用对选课排课工作带来了新的挑战.提出了一种基于PBIL的分层教学自动组班算法,重点论述了基因结构的设计,以及目标优化函数与自动组班约束条件之间的关系.基于实际数据的实验测试表明,本文提出的自动组班算法能够较好地解决分层教学模式下产生的排课选课问题,实际应用效果良好.     

一种新的高校自动排考算法

针对目前高校自动排考算法的不足,提出了一种新的高校自动排考算法。算法不仅解决了考试课程、考场及监考教师的自动安排,还实现了重修考生的自动安排,并在监考教师安排算法中利用监考权重系数、时间匹配串提高了监考教师安排的合理性和灵活性,经实际应用表明,算法较好地满足了组织此类考试的要求。     

一种新的高校自动排考算法

针对目前高校自动排考算法的不足，提出了一种新的高校自动排考算法。算法不仅解决了考试课程、考场及监考教师的自动安排，还实现了重修考生的自动安排，并在监考教师安排算法中利用监考权重系数、时间匹配串提高了监考教师安排的合理性和灵活性，经实际应用表明，算法较好地满足了组织此类考试的要求。     

基于PBIL算法的自动组卷系统研究

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。     

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。     

大学自动排考算法设计与实现

提出了一种应用于高等院校的自动排考算法.该算法结合了启发式算法的特点,同时建立静态冲突图来降低算法复杂程度,算法充分利用了应用领域经验和规则的优势,提高了自动排考的资源搜索能力.通过在实际工程中应用,表明该算法在解决复杂的高校排考问题时有较好的效果.     

高校学分制环境下排考问题的改进图算法

本文利用图论模型的转化,改进传统贪心算法,设计了一种新的求解高校排考问题的图算法.改进后的算法可以更好应对在现实学分制环境下,跨年级、跨专业、主辅修等复杂的选课因素.为了解决传统算法中仅靠人工优化来实现的软约束目标,改进后的图算法首先将排考图着色模型,转化为无向赋权图的分团覆盖模型,通过深度优先策略和赋权机制,求解同时满足排考硬约束条件和软约束条件的排考方案.经过数据验证,改进算法的排考效果,在排考效果上优于传统贪心算法,在时间效率上优于人工排考方式.改进后的新算法在近年我校的期末考务工作中发挥了一定作用.     

高校自动排考算法的设计与实现

高校的选课制有利于复合型人才的培养,这也增加了考试安排的难度。自动排考算法根据学生的选课记录,通过计算课程关系矩阵,保证考试课程无冲突,采用启发式搜索策略,能够求得考试总场次最少的可行解,若要进行连场考试,还能给出多个场次的最佳排列方案,实现连考人次最少的目标。实践证明这种算法是快速、有效的,能够满足普通高校的排考要求。     

PBIL算法在组合优化问题中的应用研究

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。     

基于群体递增学习算法的癌症化学疗法优化技术研究

探索分布估计算法中最频繁用于解决现实生活中优化问题的基于群体递增学习算法在优化癌症化疗中的应用能力，并与遗传算法作相应比较。实验表明基于群体递增学习（PBIL）算法的搜寻速度以及搜寻到的可行解质量均优于遗传算法。     

From UML specifications to mapping and scheduling of tasks into a NoC,with reliability considerations

This paper describes a technique for performing mapping and scheduling of tasks belonging to an executable application into a NoC-based MPSoC, starting from its UML specification. A toolchain is used in order to transform the high-level UML specification into a middle-level representation, which takes the form of an annotated task graph. Such an input task graph is used by an optimization engine for the sake of carrying out the design space exploration. The optimization engine relies on a Population-based Incremental Learning (PBIL) algorithm for performing mapping and scheduling of tasks into the NoC. The PBIL algorithm is also proposed for dynamic mapping of tasks in order to deal with failure events at runtime. Simulation results are promising and exhibit a good performance of the proposed solution when problem size is increased.     

基于PBIL算法的物流中心选址问题研究

介绍了基于种群竞争式学习的PBIL算法的基本原理和实现方法。比较了PBIL算法和遗传算法求解过程的异同点。分析了PBIL算法在物流中心选址问题中的应用,并且通过实例验证了算法的可行性和有效性,证明了PBIL算法比遗传算法具有更高的搜索效率。     

The convergence analysis and specification of the Population-Based Incremental Learning algorithm

In this paper, we investigate the global convergence properties in probability of the Population-Based Incremental Learning (PBIL) algorithm when the initial configuration p⁽⁰⁾ is fixed and the learning rate α is close to zero. The convergence in probability of PBIL is confirmed by the experimental results. This paper presents a meaningful discussion on how to establish a unified convergence theory of PBIL that is not affected by the population and the selected individuals.     

一种基于PBIL算法的快速图像匹配方法

为了解决图像匹配过程中计算速度慢和匹配精度不高的缺陷,提出了一种基于群体增量学习算法的匹配方法。PBIL算法是一种基于概率分析的进化算法。它集成了基于函数优化的遗传搜索和竞争学习两种策略,将进化过程视为学习过程,通过竞争学习所获得知识来修正生成概率,进而指导后代的生成。在实验中,将其与传统序贯相似性检测算法(SSDA)和遗传算法进行了比较。结果表明基于该算法的图像匹配具有运算速度快、匹配精确等优点,且收敛过程非常稳定。     

一个用于优化搜索的学习算法

在PBIL(population base dincremental learning)算法和自私基因算法的基础上,提出一个新的优化搜索算法——基因学习算法.该算法允许每个等位基因取多值(复等位基因),并且用信息熵作为结束条件的判据.在学习过程中还与局部启发式搜索法相结合.最后用基因学习算法解决了3个典型的组合优化问题(最大截问题、调度问题和旅行商问题),取得了比现有文献最优值还好的结果.     

基于PBIL的快速图像匹配方法的研究

为了解决图像匹配过程中计算速度慢和匹配精度不高的缺陷,提出了一种基于群体增量学习(Population-based Increased Learning,简称PBIL)算法的匹配方法。PBIL算法是一种基于概率分析的进化算法。它集成了基于函数优化的遗传搜索和竞争学习两种策略,将进化过程视为学习过程,通过竞争学习所获得知识来修正生成概率,进而指导后代的生成。给出了理论分析和实验分析。在实验中,分析了不同终止条件下的算法性能,并将其与传统序贯相似性检测算法(SSDA)和遗传算法进行了比较。实验结果表明基于该算法的图像匹配具有运算速度快、匹配精确等优点,且收敛过程非常稳定。     

应用于组合优化的自适应PBIL算法研究

为解决组合优化过程中最优解的搜索效率问题,研究了一种基于自适应理论的PBIL算法。通过引入系统熵值,使传统PBIL算法的学习概率和变异率能根据系统熵值的变化作自适应调整,形成具有自学习和变异能力的自适应PBIL算法（APBIL）。通过实例验证了该算法的实用价值和有效性。