在线组卷策略的研究与设计

为了解决在线培训考试系统中多目标约束下的组卷问题,对组卷过程建立了多目标约束的数学模型,采用了基于改进的遗传算法的智能组卷策略,通过模拟生物种群演化来完成对符合约束条件的试题筛选,同时提出了二次组卷分发策略来保证试卷中试题分布的随机性。实验结果表明,改进的遗传算法提高了算法的收敛性和搜索能力,相应的智能组卷策略提高了多目标约束下组卷的质量和效率,生成的试卷能够满足用户的需求,二次组卷分发策略保证了在线考试的公平性。     

基于遗传算法的智能组卷的研究

智能组卷是计算机辅助教学(CAI)中一个重要的研究课题,本文针对试卷生成的目标要求,建立了智能组卷的数学模型,并给出了用改进的遗传算法解决此问题的新方法.实验结果表明该改进的遗传算法能很好的解决试题库中智能组卷问题,具有较好的性能和实用性.     

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.     

多种群变异遗传算法在自动化组卷中的运用

基于自动化组卷模型中对各个组卷参数要求精确程度的不同,通过对传统模型的改进,本文建立了新的自动化组卷的数学模型;并在此数学模型基础上,针对传统遗传算法组卷速度较慢,存在“封闭竞争”问题等等,本文借鉴生物界中存在的“杂交”优势原理,提出了基于多种群变异技术的单亲遗传算法,提高了组成试卷的质量,缩短了组卷时间。     

基于混合智能算法的组卷策略研究

提出了基于混合智能算法的组卷策略,将神经网络、改进遗传算法的计算优势与自动组卷数学模型相结合,以用户理想试卷中的试题参数作为神经网络的训练样本,对影响组卷效果的各项指标的权重进行自学习,将得到的权重矩阵用于遗传算法的适应度函数的设计中,并对遗传算法的编码方案、遗传算子进行了改进。实验结果表明,该算法可以有效地提高智能组卷的速度以及成功率。     

改进遗传算法在组卷系统中的应用

本文将改进的遗传算法应用于组卷系统中,对智能组卷问题进行研究和分析,通过对编码、适应度函数、遗传算子、控制参数指标等方面来进行研究设计,运用改进遗传算法的全局寻优的优点,得出解决适合要求的实用算法.从而确保的试卷的覆盖范围和准确性提高组卷效率.     

利用遗传算法实现试题库自动组卷问题

提出并实现了利用遗传算法求解试题库组卷的数学模型,定义了组卷问题的适应度函数,讨论了运用遗传算法求解在一定约束条件下的多目标参数优化问题,通过初始化种群、选择算子、交叉算子和变异算子,等过程不断进化,最后得到最优解,实验结果表明,遗传算法相对于其它算法更能有效的解决试题库自动组卷问题,提出了实现不相邻试卷分配的补遗随机算法,为求解类似的多目标约束问题及不相邻组合问题提供一种新的方法。     

基于改进遗传算法的智能组卷研究

组卷问题是一个多目标约束优化问题,采用集合论思想,将智能组卷的要求形式化,提出了一种基于改进遗传算法来进行智能组卷的方法.该算法针对传统智能算法组卷速度慢、成功率低的缺点,针对简单遗传算法的编码、遗传算子存在的问题进行了改进.实验结果表明,改进的算法在保证试题产生的质量前提下,提高了智能组卷的运行速度,具有较好的实用性.     

一种应用于试题库组卷的遗传算法的实现

计算机自动组卷是计算机辅助教学（CAI）中一个重要的研究课题,本文结合遗传算法的原理和思想,针对试卷生成的目标要求,对考试自动组卷问题进行了研究,设计了试题库的数据组织结构,并给出了应用遗传算法进行高质量组卷的新方法。     

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GA-PSO算法的路径测试数据自动生成*

为了实现测试数据自动生成,许多遗传算法及其改进算法应用到了测试领域。针对遗传算法具有较强的全局搜索能力,但局部搜索能力较弱,且收敛速度慢的特点。将遗传算法与粒子群算法结合起来形成新的混合算法（GA-PSO）,并成功应用到软件测试数据自动生成过程中。实验结果表明,该算法结合了遗传算法和粒子群算法的优点,在保证软件测试数据正确生成的情况下,极大地提高了数据生成的效率。     

对于测试用例生成的遗传算法改进

软件测试技术中,高效的测试用例生成能够大幅简化测试工作,提高测试效率,节省软件开发成本. 遗传算法作为一种高效的搜索寻优算法已被广泛应用到测试用例自动生成的研究中,然而传统的遗传算法虽然具有良好的全局搜索能力,但对于局部空间的求精问题却不是很有效,存在早熟问题. 针对这些问题,结合禁忌搜索算法,对传统的遗传算法在适应度函数、遗传算子方面进行改进,并进行遗传导向控制,能够有效控制遗传早熟问题,提高遗传算法的局部寻优能力. 实验结果表明,本文所建议的方法在测试用例生成的效率和效果方面均优于基于传统遗传算法的测试用例方法.     

基于改进遗传算法的测试数据自动生成的研究

测试数据自动生成是软件测试的基础,也是测试自动化技术实现的关键环节。为了提高测试自动化的效率,在 结合 测试数据自动生成模型的基础上,提出一种 传统遗传算法的改进算法。该算法使用了自适应交叉算子和变异算子,并引入模拟退火机制对其进行改进。同时,该算法还对适应度函数进行了合理的设计,以加速数据的优化过程。通过三角形程序、折半查找和冒泡排序程序,与基本遗传算法、自适应遗传算法进行了比较与分析,并且对改进算法做了性能分析。实验结果表明了该算法的实用性以及在测试数据生成中的可行性和高效性。     

基于UML活动图及混合遗传算法的测试场景生成

有效降低测试成本是软件测试优化的重要研究问题。将遗传算法引入到软件测试中,对生成测试场景提供了必要的动力,然而遗传算法局域搜索能力差,在进化后期搜索效率低,导致算法比较费时。基于UML活动图提出了混合遗传算法生成测试场景的方法,该方法结合遗传算法和爬山法,有效地加快了测试场景的生成速度。为了避免局部性问题,在算法每次进行爬山操作之前调用种群生成函数。实验结果表明,与简单的遗传算法相比,混合遗传算法不仅有效地解决了局部性问题,而且较大地提高了生成测试场景的效率,降低了软件测试成本。     

基于遗传禁忌搜索算法的自动组卷问题研究

研究了自动组卷的多目标数学模型,采用权重系数法将多目标转化为单目标,解决了多目标的冲突问题。对该模型的各个约束条件进行了详细的讨论,将禁忌搜索算法引入到遗传算法中,设计了求解组卷问题的一种新的通用混合算法。     

多种人工智能算法的数据库技术课程自动组卷比较

在线考试被广泛应用在远程教育上,自动化组卷是在线考试的关键技术,组卷问题即是多目标期望值的求解问题,其往往存在多个解,人工智能算法对于求解多目标函数有明显优势.采用遗传算法及蚁群算法的多目标优化求解更加高效,能更好胜任于本文数据库技术课程的自动化组卷.在讨论人工智能算法在组卷应用基础上,构建了组卷指标体系,建立多目标约束数学模型,并对多目标期望值进行优化求解.多次实验结果论证表明,人工智能算法的成功率最高,平均达到98%以上（含蚁群算法100%,遗传算法96%）,而非人工智能的算法成功率较低,随机变量法62%,回溯试探法84%.应用人工智能方法特别是遗传算法和蚁群算法,提升了自动化组卷效率,满足了实际各种组卷的需要,使其在远程教育和在线考试中有很好的应用前景.     

二进制编码遗传算法在试题组卷中的应用研究

采用基因段遗传算法解决多目标试题组卷优化问题是目前比较常用的组卷方法,但其存在适用题库规模较小,遗传算子约束条件多,收敛速度慢等缺点。采用多染色体并行遗传算法解决多目标试题组卷优化问题,就是按照不同的题型划分为多个染色体种群,然后根据每种题型的目标要求,并行进行遗传算法操作,将优化结果拟合成最终试卷。这种方法不仅目标控制灵活、方便、收敛速度快、而且适用规模较大的题库。     

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。     

基于基因表达式编程的计算机组卷算法研究

随着计算机技术的发展,传统的手动组卷方法难以满足新时代下的各种领域的需求,为解决传统手动组卷在性能、速度、题型分配等方面的缺陷,基于计算机技术的智能组卷问题日渐变为人们关注的问题。然而目前的组卷算法存在成功率低、计算时间久、知识点覆盖不完整、难度系数难以把握、生成的试卷难以满足要求等问题,导致了生成的试卷无法达到理想的效果。为改善上述问题,引入了基因表达式编程算法,通过使用适当的遗传算子,采用线性定长的编码方式,构造了新的智能组卷方法,避免了传统组卷算法成功率低以及适应性差等问题,解决了多约束条件下试卷的分数分配、章节分配、难度等一系列问题。实验证明,该算法有着较高的效率,能够快速地生成满足要求的试卷。