基于混合遗传算法的任务驱动分组优化研究

智能算法应用到教学领域来实现自动分组具有重要意义。针对网络学习环境下任务驱动教学中如何按最优分组方案进行小组划分的问题,综合考虑了分组问题中学习者之间的特征差异和任务难易程度等影响因素,构建了基于任务驱动分组优化问题的数学模型,提出了基于混合遗传算法的任务驱动分组优化策略。在MATLAB7.0平台上,运用混合遗传算法对任务驱动的分组优化进行了仿真实验。实验结果表明,基于混合遗传算法的任务驱动分组优化是可行且有效的。     

全局优化的改进鸡群算法

鸡群算法是一种新颖的群智能算法，模拟鸡群中的等级制度以及觅食行为，相比于传统的智能算法，其展现出了良好的寻优性能。在基本鸡群算法的基础之上，提出了一种改进版鸡群算法（ECSO），在公鸡位置的更新过程中引入自适应变异策略用于平衡算法迭代后期下降的种群多样性，提升收敛速度；在母鸡移动过程引入偏好随机游动策略来平衡了算法的“开发”与“探索”阶段，增强算法的稳定性；在小鸡位置更新时引入“领导者”策略，减少算法搜索的盲目性。最后，通过测试多组函数，并与基本蝙蝠算法和鸡群算法以及已有改进的鸡群算法进行对比，验证了改进算法的有效性。