基于并行遗传算法的K-means聚类研究

针对传统K-means聚类算法对初始聚类中心的选择敏感,以及聚类数K难以确定的问题,提出一种基于并行遗传算法的K-means聚类方法.该方法采用一种新型的可变长染色体编码方案,随机选择样本点作为初始聚类中心形成染色体,然后结合K-means算法的高效性和并行遗传算法的全局优化能力,通过种群内的遗传、变异和种群间的并行进化、联姻,有效地避免了局部最优解的出现,同时得到了优化的聚类数目和聚类结果.实验表明该方法是一种精确高效的聚类方法.     

基于遗传算法的自适应文本模糊聚类研究

针对FCM聚类算法时初始聚类中心的选择敏感,以及聚类数C难以确定的问题,提出一种基于遗传算法的自适应文本模糊聚类方法.该方法首先将文档集合表示成向量空间模型,并采用一种新型的可变长染色体编码方案,随机选择文本向量作为初始聚类中心形成染色体,然后结合FCM算法的高效性和遗传算法的全局优化能力,通过遗传进化,有效地避免了局部最优解的出现,同时得到了优化的聚类数目和聚类结果.实验表明该算法是一种精确高效的文本聚类方法.     

基于遗传算法的智能组卷方案研究

组卷问题是一个多目标约束优化问题，为了快速组成难度呈正态分布的高质量试卷，就必须降低约束目标。文章提出一种基于遗传算法的智能组卷方案，采用十进制分段编码，改进了传统的初始化种群方法，优化了搜索过程。实验证明该方案具有较好的性能和实用性。     

一种改进的自适应无线网络拥塞控制方案

拥塞控制的主要目标是在变化的网络环境下达到较高的带宽利用率，公平性和响应性．然而这些目标相互冲突．很难达到平衡．本文提出一种能在竞争连接的条件下取得相对稳定且延迟较小的拥塞控制算法．该算法主要通过改变AIMD拥塞控制算法中的增加因子和减少因子。使原算法中的参数可根据当前网络条件动态改变．仿真实验表明改进后的算法能有效地避免延迟抖动．具有较强的稳定性．     

中小型田径运动会计算机管理系统设计与实现

田径运动会的编排、记录和公告工作是一项复杂而且准确性、及时性要求较高的工作,使用计算机进行田径运动会的编排、记录和公告工作,可以提高工作效率,保证竞赛成绩统计的快速准确,减少人为的出错,同时也是田径比赛现代化的重要标志.     

基于小生境混合遗传算法的文本特征词聚类研究

提出一种基于小生境混合遗传算法的文本特征词聚类方法.该方法首先采用贝叶斯语义模型对语料库进行统计分析,并以K-L距离度量特征词间的距离,然后将小生境遗传算法与K-Means算法相结合,对文本特征词进行聚类,为文本特征词聚类提供了较高的效率和精确度.实验表明该方法是一种高效可行的文本特征词聚类方法.     

基于混合并行遗传聚类的文本特征抽取方法研究

同义词和近义词现象以及强关联语义信息加大了文本向量的特征维数,对文本分类的效率和精度都会带来极大影响.为了有效降低文本向量的特征维数,提出一种基于混合并行遗传聚类的文本特征抽取方法.该方法首先使用K-means聚类算法进行特征词粗粒度聚类,然后采用混合并行遗传算法对各类特征词进行细粒度聚类,最后对各聚类中的特征词进行分析并压缩,得到最终能反映文本类别特征和语义信息的文本特征词集合.实验证明,该方法是一种有效的文本特征抽取方法,能切实提高文本分类的效率和精度.     

基于混合并行遗传算法的多目标约束优化技术研究

多目标约束优化问题属于NP问题。并行遗传算法是解决该类问题的常用算法,它具有较强的全局搜索能力和并行性,但局部搜索能力差,禁忌搜索算法则比较适合于局部搜索。提出了一种基于混合并行遗传算法的多目标约束优化方法,该方法综合了并行遗传算法和禁忌搜索算法的优势,改进了并行遗传算法的性能,能有效避免局部最优解。     

基于混合并行遗传算法的文本聚类研究

针对传统K-Means聚类算法对初始聚类中心的选择敏感,易陷入局部最优解的问题,提出一种基于混合并行遗传算法的文本聚类方法。该方法首先将文档集合表示成向量空间模型,并在文档向量中随机选择初始聚类中心形成染色体,然后结合K-Means算法的高效性和并行遗传算法的全局优化能力,通过种群内的遗传、变异和种群间的并行进化、联姻,有效地避免了局部最优解的出现。实验表明该算法相对于K-Means算法、简单遗传算法等文本聚类方法具有更高的精确度和全局寻优能力。     

“项目教学法”在《数据库原理与应用》课程教学中的应用

针对《数据库原理与应用》课程的特点以及教学中存在的问题,在这门课程教学中应用＂项目教学法＂,深入探讨了＂项目教学法＂的具体实施步骤以及应注意的地方。实践证明,＂项目教学法＂把理论与实践有机地结合起来,不仅提高了学生理论水平和实践能力,而且也培养了学生团队合作、解决问题等综合能力。