改进的遗传算法在智能组卷系统中的应用研究

试题组卷是考试系统的重要组成部分,而遗传算法是考试系统中最常用的一种算法。本文分析智能组卷问题的目标要求,并建立该问题的数学模型,提出使用基于遗传算法GA(Genetic Algorithm)解决组卷问题的新方法。将该方法运用到Java课程智能组卷系统中,实验证明该算法在组卷中的应用可以有效克服遗传算法中早熟的现象,加快了收敛速度,明显地改善了其全局寻优能力,提高了组卷的成功率,并且保证了组卷的质量。     

基于群体适应度方差的自适应混沌粒子群算法*

已有的混沌粒子群算法多使用Logistic混沌映射,但Logistic混沌映射产生的混沌序列不够均匀,影响了混沌粒子群算法的性能。提出在混沌粒子群算法中引入均匀性更好的An混沌映射,利用An混沌映射初始化粒子群的位置和速度,并通过适应度方差的变化来自适应控制部分粒子进行混沌更新,来改善混沌粒子群算法的性能。数值仿真的结果表明,改进算法的收敛性和全局搜索能力都有所提高,能有效避免早熟收敛。     

基于遗传算法的高校智能排课系统

新形势高校的发展,高校教务管理中的排课问题显得更为复杂。排课问题是一个典型的组合优化和不确定性调度问题,也是一个完全问题。该文根据高校实际情况,从遗传算法的基本理论着手,研究如何利用遗传算法解决高校排课中的资源冲突、课表优化等问题,并引用了哈希表和时间粒度的概念,对传统遗传算法染色体的编码模式进行了有益修正,增强了模式的灵活性。实验证明．遗传算法能够简化程序的复杂度和减少生成最佳课表的时间。达到了较高的师生满意度。     

一种改进遗传算法在模糊控制器优化中的应用

针对使用ITAE积分性能指标作为目标函数存在的不足,通过在目标函数中加入控制量、误差、上升时间和超调量等综合因素,形成性能更好的目标函数。分析了用基本遗传算法优化模糊控制器的优缺点,通过使用并行遗传算法,选取适当的操作算子,精英保留等策略得到一种改进的遗传算法,并将其用于优化模糊控制器。仿真结果表明了该方法的有效性。     

基于遗传算法求解排课问题的研究

排课问题实际上是时间表问题,由于其超大的求解规模和众多的约束条件,是运筹学领域和计算机领域一直致力寻求解决但没有得到解决的NP难解问题,本文讨论了遗传算法设计中的编码方案以及遗传算子的实现方法,利用遗传算法求解排课问题,其搜索过程带有自组织的智能性和并行性,且操作简单,可以更少地依赖于实际问题的情况,实现课表的优化。     

遗传算法求解邮递员问题的探讨

邮递员问题是目前一个尚未完全解决的图论问题,而遗传算法则是一个比较好的全局搜索算法,本文提出了一种换方法,以此为基础,用遗传算法实现了对有向图邮递员问题的求解,较传统方法更加容易实现,在求解大规模复杂网络时,其效率更高。     

基于有序爬山法的前向启发式搜索规划

根据快速前向启发式搜索规划器FF中放宽规划图和有利动作之间的关系,定义了状态适用度函数的概念,可对后继扩展状态的启发式估值进行快速近似的比较。在此基础上,结合增强型爬山法搜索后继状态的贪婪选择机制,提出了一种改进的局部搜索算法——有序爬山法,即根据状态适应度函数对所有待扩展的后继状态进行排序,并加入到扩展优先队列。在启发式估值阶段,适应度高的状态将被优先计算评估,有利于更快地发现较优状态,从而减少调用启发式估值程序的次数。通过在国际规划大赛基准测试领域的实验结果表明,该方法减少了搜索节点的数目和搜索时间,有效地提高了启发式搜索效率,而计算状态适应度及对状态进行排序的时间消耗几乎可以忽略,因此整体规划性能比FF有显著的提升。     

余弦度量和适应度函数改进的聚类方法

K-均值算法因其简单和高效性, 在文本聚类中占有重要地位. 针对传统的K-均值算法对初始点敏感、易陷入局部最优的问题, 结合遗传算法已经成为一种趋势. 在充分发挥K-均值算法的高效性的同时, 该文利用遗传算法的全局自适应优化特点克服了对初始点敏感的问题. 同时, 以余弦度量评价对象间的相似性并以此构造新的遗传算法适应度函数、收敛准则以及遗传算法种群更新方式, 提高了K-均值和遗传算法这种结合方式的聚类精度, 并增强了该结合算法的稳定性.     

基于混沌和动态变异的蛙跳算法

针对混合蛙跳算法SFLA(shuffled frog leaping algorithm)易陷入局部最优、收敛速度慢的问题,提出一种改进的混合蛙跳算法。该算法首先用混沌的Tent序列初始化青蛙群体以增强群体的多样性,提高初始解的质量;再根据每只青蛙的群体适应度方差值选取不同的变异概率,有效增强了SFLA跳出局部最优解的能力。通过对6个经典函数的仿真测试,结果表明,新算法比SFLA和ISFLA1的寻优能力更强,迭代次数更少,解的精度更高。     

非均匀演化的动态遗传算法

针对传统遗传算法的缺陷,提出一种基于基因位置分布差异而进行演化的改进算法.该算法利用2进制编码位置的差异性,在评价机制的基础上对种群进行动态的划分,并针对各个不同子种群的特点,使用动态的演化参数进行独立的演化操作,使得算法种群的构成类型能够保持多样性的发展,有效地抑制了“早熟”现象的发生.通过后续多个测试函数的对比实验结果表明,该算法在收敛速度、精度及稳定性上有所提高.该算法简单、易于实现、具有较强的通用性,是一种有效解决优化问题的方法.