自适应遗传算法解决组卷问题的探讨

用遗传算法讨论了在一定约束条件下的多目标参数优化问题.提出了功能块的概念,介绍了一种新的编码方式、交叉算子和突变算子.实验表明这种遗传算法较其它算法能更有效地解决组卷问题.     

基于自适应的小生境遗传算法的智能组卷

简分析智能组卷的多目标问题,将遗传算法中的小生境遗传算法引入到智能组卷中,用实数编码对试题进行编码,采用改进的自适应遗传算子,解决早熟现象,提高了对试题库进行全局搜索的能力,改善智能组卷效率.     

基于遗传算法的自动组卷技术

针对网络考试系统中的组卷需求,建立组卷的数学模型,采用整数编码策略,将遗传算法进行改进并应用到自动组卷模块中.测试结果表明,该算法能够较好地完成智能组卷工作,提高组卷的质量和效率.     

基于VBA的计算机自动组卷设计方法

本文分析了无纸化考试中自动组卷的作用,并给出了一种从Excel试题库表中随机抽取试题生成试卷的自动组卷及阅卷评分的VBA程序。     

一种基于改进遗传算法的组卷算法

为了能更好地解决组卷质量和组卷速度之间的矛盾,提出了一种基于整数分段编码的遗传算法．该算法在保证组卷预期效果的前提下,不仅搜索速度快,而且能够避免遗传算法中经常出现的“早熟现象”,具有很好的收敛性和实用性．实践结果表明,该方法可以有效地解决智能组卷中的约束优化问题．     

基于遗传算法的自动组卷策略与实现

结合遗传算法的原理和思想,对考试自动组卷的问题进行了研究,建立了实现抽题的数学模型,通过实例分析,获得了与考试试题控制属性指标符合的试题模型的解决方法。     

遗传算法在单招面试自动组卷系统中的应用

应用遗传算法高效地解决了单招面试时自动组卷问题,并结合试验给出结果验证和分析。实验证明,对于一个在一定约束条件下的多目标参数优化问题,采用遗传算法十分有效。     

CAI中基于遗传算法的智能组卷设计与实现

分析了几种智能组卷算法的优缺点,并选择使用遗传算法作为CAI系统自动组卷算法.在组卷中,随机生成初始种群,对种群个体进行按题型分区域编码,并按适应度值进行排序选择最优个体,在遗传过程中通过交叉概率Pc和变异概率Pm来控制交叉和变异操作,直到达到设定的遗传代数,并选择种群最优个体作为最终试卷的组成.     

工程制图试题库智能组卷系统中的自动排版技术

工程制图试题库与一般试题库在排版输出方面有着很大的差异,一般试题库以文字、公式和表达式为主,情况单一,工程制图试题库则以图形为主,幅面有Ａ３,Ａ４,Ａ５三种,且每种图幅又分为水平放置和竖直放置等情况,与前者相比,其分页及版面布置要复杂得多,试卷内容确定以后,如何在技术上实现自动排版,使其既合理又迅速,并符合人工出卷情况。是一个值得研究的问题。本文在采用优化设计,成组技术和专家决策思想的基础上,提出     

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。     

一种自适应递阶遗传算法

针对简单递阶遗传算法的不足 ,首先提出了个体浓度的概念 ,以衡量种群的多样性 .结合个体浓度和进化代数 ,提出一种自适应递阶遗传算法 ,该算法不但可以提高种群的多样性 ,而且可以保证收敛性和快速性 .应用实例表明了本算法的有效性 .     

自适应分层交互式遗传算法及其应用

针对交互式遗传算法存在用户易疲劳问题，提出基于求同算子的自适应分层交互式遗传算法，给出分层的思想、分层时机的选择以及分层方法，分析算法的效率，将其应用于服装设计中，实验结果验证了方法的有效性。     

自适应遗传算法在多边多议题协商中的应用

为了使基于智能体电子商务中协商智能体最大限度地达到协商的最优解,并且提高协商的效率,提出将自适应遗传算法AGA应用于基于智能体电子商务的多边多议题同时出价的协商中. 经过1000次实验,标准遗传算法SGA平均需要210次才能达到协商的最优解,而AGA平均仅需要187次. 这表明,在基于智能体的电子商务中,自适应遗传算法可以使多边多议题协商中的智能体高效达到协商的最优解.     

一种新的自适应退火遗传算法

在函数的全局优化算法中,模拟退火算法和遗传算法的结合可较好地改善算法的性能。基于这个思想提出一种新的自适应退火策略用于遗传算法中选择概率的计算以增强算法的收敛性,在交叉和变异概率的选取上也进行了自适应处理,以进一步改善算法的稳定性和收敛性。基于典型算例的仿真结果验证了该算法对高维复杂函数最优化的有效性和高效性,其性能明显优于传统遗传退火算法、改进的进化规划方法。     

一种改进的自适应遗传算法

遗传算法是一种借鉴生物界自然选择和自然遗传机制的随机搜索算法.针对传统遗传算法和自适应遗传算法存在"早熟"现象及收敛速度慢的不足,提出了一种改进的自适应遗传算法,并对交叉概率和遗传概率进行改进.仿真结果说明了改进的自适应遗传算法比传统遗传算法和自适应遗传算法在收敛性能和搜索能力上都有很大的提高.     

改进自适应遗传算法的结构优化设计

介绍了离散变量的结构优化设计方法——遗传算法(Genetic Algorithms)的来源和运行参数。考虑到遗传算法在运算过程中表现出的缺点以及交叉率和变异率的选取对遗传算法的搜索能力和搜索效果的影响,同时为了提高遗传算法的收敛性,避免发生早熟收敛,对遗传算法进行了改进,引入一种基于个体适应度值的自适应遗传算法。并通过算例表明这种改进自适应遗传算法较基本遗传算法是更有效的,提高了算法的运行效率和计算精度。     

面向时滞测试生成的改进遗传算法

在提出的无冒险的时滞测试能量函数的基础上,对传统的遗传算法进行了改进,即在搜索中根据进化程度对群体尺寸进行调整来加速收敛,用于时滞测试生成。实验证明该方法是一种较有发展前途的算法。     

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.