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。     

仿生智能算法在自动组卷策略中的应用

随着计算机辅助教学的发展,自动组卷策略已成为目前研究的热点与难点。自动组卷策略是自动组卷系统的核心,目前流行的智能算法如:遗传算法、蚁群算法、鱼群算法及微粒群算法广泛被应用于自动组卷系统中来解决组卷策略。     

通用试卷库组卷策略及算法研究

重点介绍了常用的组卷算法,并对一种自动组卷方法的策略和算法进行了详细分析,分析比较了自动组卷常用的几种策略及它们的优缺点,并重点介绍遗传算法的原理。     

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.     

基于遗传算法的自动组卷设计

通过分析遗传算法的原理、步骤和运行参数,结合组卷要求提出自动组卷的模型,并根据遗传算法的主要控制参数建立了自动组卷数学模型,用VB程序实现了基于实数编码的遗传算法自动组卷实例。     

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。     

基于遗传算法的组卷系统的研究

介绍了计算机自动组卷系统的设计方法,并对遗传算法在计算机自动组卷系统中的应用进行了探讨,给出了基于遗传算法的组卷系统的实现方法。     

遗传算法在自动组卷中的应用

自动组卷策略是利用计算机自动完成试卷生成的一种方案,整个过程的人工投入少,在很大程度上解放了教师,提高了工作效率。能否自动组出满足用户要求的试卷,与组卷使用的算法紧密相关。采用遗传算法,按照选择编码方式、产生初始种群、计算自适应函数、进行遗传操作、试卷生成的过程,可完成自动组卷操作。     

机关单位干部考试系统的设计与开发

笔者针对现有的考试系统存在的一些不足,在研究大量文献关于考试系统组卷算法的基础上,以教育测量与教育统计为理论支撑,提出了遗传算法自动组卷策略。     

基于遗传算法的在线考试自动组卷方法研究

自动组卷是实现在线考试系统的核心技术之一。利用遗传算法在寻优和收敛方面的优点,结合组卷的约束条件,文中提出了基于遗传算法的自动组卷方法。     

Rapidio网络QoS多目标优化

针对现有Rapidio网络路由管理策略的缺点,提出了一种基于改进的遗传算法的优化策略。通过改进的路由分配策略以及对传统遗传算法编码、交叉和变异等方面的改进,明显提高了Rapidio网络服务质量（QoS）诸项指标;同时相对于传统遗传算法,改进的遗传算法拥有更快的收敛速度。该算法适用于基于Rapidio网络的嵌入式应用,具有较强的工程实用价值。     

A novel strategy for automatic test data generation using soft computing technique

Software testing is one of the most crucial and analytical aspect to assure that developed software meets prescribed quality standards. Software development process invests at least 50% of the total cost in software testing process. Optimum and efficacious test data design of software is an important and challenging activity due to the nonlinear structure of software. Moreover, test case type and scope determines the quality of test data. To address this issue, software testing tools should employ intelligence based soft computing techniques like particle swarm optimization (PSO) and genetic algorithm (GA) to generate smart and efficient test data automatically. This paper presents a hybrid PSO and GA based heuristic for automatic generation of test suites. In this paper, we described the design and implementation of the proposed strategy and evaluated our model by performing experiments with ten container classes from the Java standard library. We analyzed our algorithm statistically with test adequacy criterion as branch coverage. The performance adequacy criterion is taken as percentage coverage per unit time and percentage of faults detected by the generated test data. We have compared our work with the heuristic based upon GA, PSO, existing hybrid strategies based on GA and PSO and memetic algorithm. The results showed that the test case generation is efficient in our work.     

基于启发式遗传算法的SVM模型自动选择

支撑矢量机(SVM)模型的自动选择是其实际应用的关键.常用的基于穷举搜索的留一法(LOO)很繁杂且效率很低.到目前为止,大多数的算法并不能有效地实现模型自动选择.本文利用实值编码的启发式遗传算法实现基于高斯核函数的SVM模型自动选择.在重点分析了SVM超参数对其性能的影响和两种SVM性能估计的基础上,确定了合适的遗传算法适应度函数.人造数据及实际数据的仿真结果表明了所提方法的可行性和高效性.     

基于遗传算法的弹性TSP研究

文中针对遗传算法求解TSP问题，探讨了使用弹性边控制策略来保证群体的多样性，并结合TSP问题的特点，定义了一种新的衡量群体的多样性的方法。通过对算法的分析和测试表明，该算法的改进是有效的。     

初始信息素筛选的蚁群优化算法在HDFS副本选择中的研究

随着社会信息化程度的不断提高,各种形式的数据急剧膨胀.HDFS成为解决海量数据存储问题的一个分布式文件系统,而副本技术是云存储系统的关键.提出了一种基于初始信息素筛选的蚁群优化算法(InitPh_ACO)的副本选择策略,通过将遗传算法(GA)与蚁群优化算法(ACO)算法相结合,将它们进行动态衔接.提出基于初始信息素筛选的ACO算法,既克服了ACO算法初始搜索速度慢,又充分利用GA的快速随机全局搜索能力.利用云计算仿真工具CloudSim来验证此策略的效果,结果表明:InitPh_ACO策略在作业执行时间、副本读取响应时间和副本负载均衡性三个方面的性能均优于基于ACO算法的副本选择策略和基于GA的副本选择策略.     

Heuristically Seeded Genetic Algorithms Applied to Truss Optimisation

A heuristic method of seeding the initial population of a Genetic Algorithm (GA) is described, which enables better solutions to discrete truss optimisation problems to be found within a shorter time period, and with a negligible increase in computational effort (compared with the simple GA). The seeding method is entirely automatic, and makes use of the problem-specific routines used to calculate fitness, already present within the GA. The GA models natural, biological evolution as a means of producing a ‘good’ solution to a problem. The GA described here is implemented in various versions. The differences between each version are in the selection procedure and/or the generation of the initial population. To compare the effectiveness of each strategy the GA variants are applied to four example problems.     

均匀设计抽样混合遗传算法求解图的二划分问题

遗传算法(GA)的运行机理及特点是具有定向制导的随机搜索技术,其定向制导的原则是:导向以高适应度模式为祖先的"家族"方向。以此结论为基础,利用均匀设计抽样(UDS)的理论和方法,对遗传算法中的交叉操作进行重新设计,并在分析图二划分问题特点的基础上,结合局部搜索策略,给出了一个求解图二划分问题的新遗传算法,称之为基于均匀设计抽样的混合遗传算法。最后将该算法与简单遗传算法和佳点集遗传算法进行比较。通过模拟比较,可以看出新算法不但提高了算法的求解速度和精度,而且避免了常有的早期收敛现象。     

基于遗传算法的TDOA/AOA定位系统的最优布站算法

摘 要：推导了TDOA/AOA混合定位算法产生的定位误差的克拉美－罗下界,提出了利用遗传算法（GA）寻找规定平面区域内的TDOA/AOA定位系统最佳布站策略的方法,其所遵循的最佳布站原则是使得定位的目标空间的定位误差的克拉美－罗下界的平均值最小。文中对GA的站点位置编码和适应度函数的选择进行了研究,在此基础上提出了基于GA的寻优布站算法。并对基于GA的寻优布站算法在不同情况下进行了仿真实验。     

基于禁忌搜索算法的可扩展有限状态机模型测试数据自动生成

可扩展有限状态机(EFSM)模型的测试用例生成包括测试路径生成和测试数据生成两部分。然而,目前针对EFSM模型的测试研究大多集中于测试路径生成。为探索路径上测试数据的自动生成,提出一种面向EFSM路径的测试数据生成方法,利用禁忌搜索(TS)策略实现了EFSM测试数据的自动生成;分析了影响EFSM测试数据生成的关键因素,并与遗传算法(GA)的生成效率进行了比较。实验结果表明：基于TS算法的EFSM模型测试数据自动生成是确实可行的,其测试生成效率相对于GA有很大提高。