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.     

基于优化遗传算法的智能组卷系统研究

智能组卷技术是计算机无纸化考试系统中一项必不可少的重要技术,而改进组卷算法和提高组卷质量已成为当前的研究热点.重点分析研究组卷算法,通过建立组卷数学模型,结合遗传算法理论解决考试系统中的智能组卷问题.在选择算子中采用适应度排序在前一半的个体进入下一代的繁殖;在交叉算子中采用最优保持策略;在成卷前调整试卷知识点的分布.使组卷算法在不同的要求下都能得到较为满意的效果.智能组卷在通用计算机考试系统建设中具有较高的应用价值.     

遗传算法在自动组卷中的应用

给出了利用遗传算法的全局寻优和收敛速度快的特点,解决组卷问题的方法,重点阐述了自动组卷问题中的染色体编码方法、适应度函数和遗传算子的设计。     

基于DNA编码的多重约束目标的智能组合优化

在组卷策略中,多重约束目标的智能组合优化问题一直是人们研究的热点．大多数的优化算法都是基于传统的遗传算法,这些算法的适应度不高,并且交叉算子和变异算子对适应度的影响很大．针对这些缺陷,本文提出了一种新的优化算法DNA_YH算法,该算法将DNA编码引入到多重约束目标的组合优化问题中,并完成了DNA编码、初始化种群、个体适应度计算和遗传操作的优化过程．经过实验证明DNA_YH算法的最优适应度高于其他相关算法,并且交叉算子和变异算子对适应度的影响都很小,得到了较好的优化效果．     

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.     

基于正态云模型的自适应细菌觅食优化算法

在研究细菌觅食算法趋化、复制、迁徙操作等相关理论的基础上,将云模型和遗传算法相关理论引入,对细菌觅食算法进行优化和改进,在趋化操作中运用X条件云发生器自适应调整细菌灵敏度,控制游动步长,提高了算法的收敛速度;在复制操作中利用遗传算法交叉编译原理,设计交叉算子和遗传算子对算法的复制操作改进,提高算法的局部搜索能力和种群的多样性;在迁徙操作中,利用正向正态云发生器,修正非线性自适应的迁移概率,增强了算法全局寻优能力。最后将改进后的算法应用于自动组卷系统,并与遗传算法进行实验结果比较分析。     

基于多目标约束数学模型的组卷算法研究

针对计算机辅助测试中试卷生成问题的约束指标,详细设计了试题的数据结构,在解决试卷难度、曝光度和章分数约束的基础上,建立了组卷问题的多目标约束数学模型.以此数学模型作为适应度评价函数,利用遗传算法进行组卷.在组卷过程中,完成了编码方案和遗传算子的优化设计.     

网上考试系统中组卷策略的实现

在网上考试系统中,组卷策略的好坏在很大程度上影响着组卷的效率.对常用的组卷策略进行分析,在此基础上提出了对组卷采用改进的遗传算法.采用实数编码方案,对各种遗传算子也进行了改进,有效地提高了遗传算法的执行效率.     

一种改进的整数编码遗传算法在车辆路径优化问题中的应用

针对基于路径组合编码的遗传算法应用于求解VRP问题时，顺序交叉算子局部寻优能力不足的缺陷，引入一种进化逆转算子，改进了遗传算法求解VRP问题时的局部搜索能力。设计的两组仿真试验结果显示，进化逆转算子的局部寻优能力很强，用它改进的遗传算法求解VRP问题的结果表明，算法的收敛性明显好于标准遗传算法。     

遗传算法在网络考试系统中的应用

为了提高网络考试系统中抽题组卷的性能,对遗传算法的基本要素进行了研究,设计了一种基于遗传算法的抽题组卷算法,并用数据流程图和伪语言进行了详细的描述.实验数据表明,该算法性能比随机组卷算法更优.     

一类模拟退火算法与遗传算法混合优化策略

提出一类模拟退火算法（GA）和遗传算法（SA）的混合策略。算法结构上,提出模拟退火算法与遗传算法相结合,既发挥模拟退火算法搜索面广、遗传算法收敛快的优点,又克服前者收敛速度较慢而后者收敛容易早熟的问题。在算法操作细节上,加入杰出个体保护策略及自适应调整的遗传操作,以及增加记忆功能的模拟退火操作与收敛准则。从而既防止算法陷入局部最优,又提高收敛速度及搜索效率。     

混合遗传蚁群算法的改进及在TSP问题中的应用研究

蚁群算法（ACA）与遗传算法（GA）都属于仿生型优化算法,是解决组合优化问题的强有力工具,并都分别成功应用于旅行商问题（TSP）中。本文将两种算法进行融合,并给出了新的融合方式。实验结果表明,新的遗传蚁群混合算法有效地改进了算法的全局收敛性,并加快了收敛速度。     

一种矩形件布局问题的求解方法

布局问题来源于生产实际,在提高板材利用率以节约原材料,降低成本,提高经济效益,对各行业均有重要意义。针对遗传算法在矩形件布局问题中的实际特点,并分析了矩形件布局给定排放顺序的排放算法,并提出了一种新的排放算法——最低水平线旋转搜索法,并将这种算法和遗传算法结合应用于矩形件布局问题的求解。计算实例表明这种新的排放算法可以和遗传蚁群算法有效的结合。     

KMP算法与特殊子串滑动算法整合的构想与实践

在数据结构模式匹配算法中,Brute-Force算法是一个重要的基础算法,但是在性能上远不及KMP算法。而理解KMP及其改进算法是一个复杂的问题,其关键是KMP函数的求解过程。通过特殊子串滑动算法与KMP算法整合的实践,简化了特殊问题,省略了KMP函数的求解过程,在很大程度上提高了模式匹配问题的工作效率。     

一种基于DNA计算的改进遗传算法

针对遗传算法求解复杂函数极值问题中出现的早期收敛和微调能力差的问题,提出了一个具有DNA编码特征的改进遗传算法,并引入了新的操作(算子).编制了一系列可在Matlab平台上实现的算法程序,并通过数值模拟验证了算法的有效性.     

蚂蚁算法在工件排序问题中的应用

蚂蚁算法是近年来新出现的一类随机型仿生算法。它已被成功的应用于组合优化问题中,如旅行商(TravelSalesmanProblem,TSP)问题等。运用蚂蚁算法研究m台机器目标函数为最小时间表长的同顺序车间作业排序问题(Fm|prmu|Cmax),设计出解决该问题的算法步骤与流程;并将蚂蚁算法与解决该问题的其它启发式算法进行了比较。比较的结果说明,蚂蚁算法能有效地解决此类问题,其最优结果优于或者与其他算法的最优结果相当。     

一种基于遗传操作的神经网络混合训练算法

介绍了一种改进遗传算法的基本操作,并讨论了综合应用遗传算法及ＢＰ算法进行神经网络的权值训练。通过实例比较和分析了这种混合算法与ＢＰ算法的实验效果。     

一种改进的模糊C-均值聚类算法

分析了现有FCM聚类算法存在的问题,提出了一种改进的FCM聚类算法.该算法引入了最近邻聚类算法来初始化FCM算法的聚类数和聚类中心.实例分析表明改进后的FCM算法不仅能提高聚类的准确性,而且能有效地避免陷入局部最优.     

基于多重遗传算法的单核苷酸多态性特征选择

应用统计机器学习方法研究大规模单核苷酸多态性(SNP)与复杂疾病的关联关系面临着"维数灾难",首要的工作是把大规模SNP缩减为较小集合.为此,提出了多重遗传算法用于单核苷酸多态性的特征粗选择.该方法首次提出了用互信息衡量SNP与疾病间关联的紧密程度并作为遗传算法(GA)的适应值,通过多次运用遗传算法并合并寻优的结果得到候选的特征SNP集合.在SNP仿真数据上的实验及与最大熵(ME)方法性能比较表明,该方法最大可能丢弃了SNP集合中与疾病无关的SNP,同时保留了与疾病相关的SNP,为进一步研究提供了合适规模的SNP数据,本方法可用于规模中等或较大的SNP集合.     

蚂蚁算法在TSP问题求解的应用

蚂蚁算法是目前解决大规模复杂问题比较有效的算法。同时TSP问题是经典的NP-C问题,已被广泛应用于在VLSI芯片设计、网络路由和车辆选路等领域,对TSP问题的求解的突破意味着大量NPC问题的求解可以迎刃而解,因而有着重要的实际价值和理论意义。文章系统地介绍了TSP问题,并在此基础上对蚂蚁算法求解TSP问题做了相关探讨。实验结果表明,蚂蚁算法对参数的初始值也具有敏感性,对于一个好的初始值的确定,需要建立在大量试验的基础上。