改进遗传算法在智能组卷中的应用

智能组卷是一个多约束目标的组合优化问题,针对传统算法在组卷方面存在的不足,提出了一种改进遗传算法.此算法不仅克服了未成熟收敛,而且速度和性能都有显著提高.实验结果表明,改进遗传算法提高了组卷效率.     

基于改进遗传算法的智能组卷模型优化

建立了一种多目标优化的数学模型,并针对标准遗传算法易早熟收敛和进化缓慢的特点,提出了一种改进的组卷遗传算法对模型进行求解.该算法在编码策略、基因修正和算子概率3个方面对标准遗传算法进行了改进.实例分析及仿真验证表明:提出的建模方法将组卷成功率提高到100％,算法运行时间降低到300ms以内,总体上极大地提高了智能组卷任务的执行效率,并能够定量地评估和控制组卷质量.     

基于遗传算法的智能组卷系统研究

通过对智能组卷系统的需求分析,采用遗传算法作为试题搜索工具,实现了将遗传算法应用于智能组卷系统.并针对遗传算法及组卷的特点从程序流程、染色体编码、适应度函数、以及各种遗传算子上都作了探讨和改进,为系统实现作准备.     

智能组卷系统与遗传算法

目前,国内外许多科研单位和学校机构对智能组卷技术进行了大量的研究,其中基于遗传算法的智能组卷技术最为先进,但由于组卷问题的复杂性,仍然存在许多不足,对遗传算法在智能组卷中的实现上进行技术改进,以克服组卷时间长、算法收敛快等缺陷.     

基于遗传算法的试题库智能组卷系统研究

试题组卷是考试系统的重要组成部分。本文通过在编码策略、适应度函数、遗传算子、控制参数等方面的研究提出一种适应于试题智能组卷的改进遗传算法。对适应度函数的适当定标和建立自适应的交叉概率和变异概率,有利于克服未成熟收敛和遗传漂移现象,同时能在维持群体多样性的情况下,防止群体进入局部最优。实验证明改进遗传算法能更有效地提高组卷的效率。     

基于遗传算法的智能组卷研究

分析了智能组卷约束条件,建立了智能组卷系统的数学模型,并给出了改进的遗传算法求解智能组卷问题的新方法.实验结果表明所提出的新组卷算法相对于其他算法更能有效地解决自动组卷问题,组卷成功率高,组卷速度快,具有较好的性能和实用性.     

基于混合求解算法的智能组卷研究

智能组卷是一个多约束目标的组合优化问题,针对传统算法在组卷方面存在的不足,将遗传算法和模拟退火算法相结合,提出了一种混合求解算法.新算法不仅克服了未成熟收敛,而且速度和性能都有显著提高.实验结果表明,新算法提高了组卷效率.     

遗传算法在智能组卷中的应用

将遗传算法应用于智能组卷中,利用遗传算法的高效、全局寻优的特点设计寻求符合要求的试卷模型结构的算法,计算结果表明该算法具有较高的搜索效率和精度.     

一种渐进式的遗传算法在智能组卷中的应用

智能组卷是一个多约束目标的组合优化问题。针对传统遗传算法在组卷解决问题方面存在的不足,提出了一种渐进式的遗传算法,此算法针对传统遗传算法的不足做了改进,速度和性能都有显著提高,尤其是针对大规模题库的组卷,仿真结果表明这种方法是有效的。     

基于遗传算法的信息技术类课程自动组卷应用研究

研究了遗传算法在信息技术类课程组卷中的应用。应用矩阵理论的方法建立组卷的数学模型,在分析标准遗传算法基本原理和关键技术的基础上,针对组卷问题应用对标准遗传算法的编码方法、适应度函数、遗传算子和组卷策略等方面进行了设计和改进。在大量组卷实验的基础上,分析组卷实验结果,选择适合的组卷参数。实验表明,选择组卷参数提高了遗传算法的组卷效果。     

改进的人工鱼群混合算法在智能组卷中的应用

现有的智能组卷多采用单一算法,而每种算法都有其各自的缺点,针对此缺陷提出了结合人工鱼群算法和遗传算法的优点组成混合智能组卷算法.在智能组卷开始时,采用人工鱼群算法快速靠近组卷目标,在组卷过程中,当最优个体在连续多个迭代过程中无变化或变化极小时采用遗传算法对人工鱼个体进行跳变,提高收敛速度.通过模拟计算证明,该混合智能算法能有效地优化其中单一算法独自进行智能组卷的成效     

改进的混合遗传算法的组卷系统模型及算法

在基本遗传算法基础之上,针对试题库组卷系统对算法进行改进,设计了一种运用于组卷系统的数学模型和混合遗传算法,从而提高组卷质量和系统的通用性。     

基于小生境遗传算法的自动组卷

通过对当前自动组卷方法的分析,将小生境技术引入到遗传算法自动组卷中,以期望解决遗传算法组卷的早熟问题,提出一种基于小生境遗传算法的组卷方法.该方法采用功能段结构的整数编码方式,可以克服常规采用二进制编码搜索空间过大和编码长度过长的缺点,提高求解速度和精度,同时减少迭代次数加快算法收敛.在组卷模型中以题型、题量和分值为基础,在形成初始种群和进化的过程中始终保持题型、题量和分值不变,从而简化优化目标.试验结果显示,该方法能有效限制种群中相似个体的过多复制,从而维持群体的多样性,抑制出现早熟现象,改进遗传算法在自动组卷中应用的效率,其运行时间更短,误差更小.     

在线教育的智能组卷算法研究

智能组卷是在线教育的重要组成部分,通过对在线教育智能组卷过程中的各种性能指标和约束条件进行分析,建立一个合适的智能组卷数学模型。基于智能组卷多目标优化的特点,选择遗传算法来实现智能组卷,并基于智能组卷的特点,对基于遗传算法中的试卷个体的编码、遗传算子和适应度函数进行了研究。     

遗传算法在智能组卷系统中的应用研究

为更好地解决遗传算法在智能组卷过程中出现的早收敛问题,以及组卷质量和组卷速度呈负相关的问题,提出一种基于分段整数编码、多点交叉的遗传算法.通过大量实验,有针对性地对该算法中的编码结构、选择算子、交叉算子和变异算子进行优化设计;对相关控制参数进行合理调整,实验结果表明,该算法不仅有效地提高了组卷质量和组卷速度,而且具有很好的收敛性.     

一种可调整式的多元变量渐近寻优组卷策略

论述了基于智能组卷策略的题库系统设计的意义,分析了目前已有智能组卷策略存在的问题,针对目前智能组卷策略存在的组卷效率低,灵活性差的问题,提出了一种新的智能组卷策略.新策略采用条形码标识试题,按照对试卷整体约束条件影响的大小依次选取控制参数,优化了搜索路径,提高了智能组卷的效率,增强了智能组卷的灵活性.对不同题库系统进行了软件测试,并对软件测试结果进行了简要的分析,实际运行结果表明,新策略优化了搜索过程、减少了时间开销、提高了组卷的成功率.     

基于遗传算法的智能组卷系统的研究与实现

为解决传统组卷算法存在的工作量大、耗时长和试卷主观性强的问题,本文研究并实现了基于遗传算法的智能组卷系统。实现遗传算法的关键是设计适应度函数,适应度函数是描述试卷是否符合要求的函数,因此适应度函数设计的好坏直接决定了试卷的质量。为此研究设计的适应度函数能够对试卷难度、知识点考察数、区分度等多个试卷指标做出综合评判,生成令人满意的试卷。实验结果表明,基于遗传算法的智能组卷系统生成的试卷在难度、知识点覆盖数和区分度等指标上能够达到要求,满足课程考核的需要。     

基于遗传算法的智能组卷研究与实现

通过研究提出了一种基于遗传算法的智能组卷算法,对基本的遗传算法进行了两次改进,既充分扩大搜索范围,又保证每次迭代都保留好的个体。其次,对遗传算法中的交叉概率和变异概率按个体的适应度大小进行自动调整。这样,既不会破坏高适应度的个体结构,又克服了搜索速度缓慢的现象,从而有效地提高了组卷的速度和质量。实验结果表明:改进的算法明显改善了算法全局寻优能力,加快了收敛速度,并具有较高的鲁棒性。     

遗传算法在试题库智能组卷中的应用

智能组卷是现代智能教学系统中一个非常重要的课题。以考查点、难度系数和题型为主要控制参数建立了组卷问题的数学模型，并给出了用遗传算法解决组卷问题的新方法。重点阐述了组卷问题的染色体编码方法、适应度函数和遗传算子的设计与实现。实验结果表明，所设计的组卷方法性能好、效率高，而且能确保在一份试卷中不出现考查点重复的试题，是一种实用、有效的组卷方法。     

基于遗传算法的在线考试系统设计

建立了基于遗传算法的智能组卷模型,介绍了遗传算法的实现流程和关键步骤,模型能满足复杂的组卷要求。