遗传算法在计算机自动组卷中的应用研究

遗传算法具有价格低廉且自动组卷效率较高的优势特点,将遗传算到法运用计算机自动组卷过程中,是提高自动组卷执行效率,促进自动组卷质量的有效措施。文章在论述了遗传算法的基本原理及其特征的基础上,分析了组卷问题的有关数学模型以及遗传算法的基本原理,并提出了改进遗传算法在试题组卷中的应用的具体方案,包括:确定编码方案、适应度函数的确定、组卷问题中对遗传算子的改进、遗传算法控制参制四个主要方面。     

改进遗传算法在组卷中的应用

国内外许多科研机构对基于遗传算法的组卷问题进行了大量的研究,但由于组卷问题的复杂性,仍存在许多不足.本文尝试在遗传算法基础上进行技术改进,以克服组卷速度慢、算法局部收敛的缺陷.     

基于改进遗传算法的自动组卷问题研究

为了解决传统遗传算法在自动组卷中容易出现未成熟收敛和收敛速度慢等问题,提出了一种基于改进遗传算法的自动组卷方法。采用分段二进制编码策略,对每个子空间进行初始种群选择,保证了初始种群舍有丰富的模式,从而增加搜索收敛于全局最优的可能性。并对交叉算子和变异算子进行了优化,实现了交叉和变异概率随解的变化而自适应调整。实验结果表明,改进的遗传算法能有效地解决自动组卷问题,提高了收敛速度和组卷的成功率。     

智能组卷系统的研究

本文研究智能组卷系统,针对传统遗传算法极易未成熟收敛和后期搜索效率低的情况,引入小生境技术,提出优化的混合遗传算法,改进了组卷策略等关键技术,实验结果表明,新算法在全局搜索性能和收敛速度上有显著提高。     

改进的遗传算法及其在测试数据自动生成中的应用

传统遗传算法在测试数据生成方面是一种实用的算法,但是其自身存在局限性,如过早收敛、优化效率低等。本文对遗传算法的自改进、与其他智能优化算法的混合改进方法以及改进后的算法在测试数据自动生成方面的能力的国内外研究现状进行了系统的研究与讨论,最后分析了相关算法改进的实质。     

自适应遗传算法在智能组卷中的应用研究

以传统自适应遗传算法为基础,提出了一种改进的智能组卷算法,基于该算法,设计并实现了一个《编译原理》课程智能组卷系统.结合实际问题建立了组卷问题的数学模型,并针对该数学模型对遗传算法的编码方式和种群最优保存策略进行了改进.改进后的算法在保证组卷质量的前提下,提高了搜索速度并且有效避免了传统遗传算法中经常出现的早熟现象.     

基于遗传算法的自动组卷策略

自动组卷是一个多约束条件的最优求解问题,传统组卷算法存在速度慢、成功率低、组卷质量不高等不足,已不符合现行要求。为此,文中采用整段交叉,段内变异的方法,通过确定适应度函数和遗传算子探索了遗传算法在自动组卷中的应用,在一定程度上克服了已有算法的不足,并用算例验证了其有效性及适用性。     

基于改进遗传算法的试卷生成算法研究

针对应用传统遗传算法在组卷中出现的早熟和收敛速度慢等问题,提出基于改进遗传算法的试卷生成算法。详细介绍改进的遗传算法应用于组卷的步骤,包括编码方法、适应度函数、交叉算子和变异算子的确定等关键内容。该算法采用分组自然数形式进行个体编码,同时,一改传统交叉方法,采用自适应交叉概率和遗传概率的方法进行运算。仿真实验表明,该算法有效提高了组卷的效率。     

基于改进遗传算法的组卷策略与实现

为了更好地解决组卷质量和组卷速度之间的矛盾，文章提出了一种基于改进遗传算法的组卷策略．对遗传算法的个体编码、初始种群、杂交运算进行改进。实验结果表明，该算法提高了组卷速度，具有较好的实用性。     

蚁群混合遗传算法的研究及应用

为解决组卷过程中在一定约束条件下存在的多目标优化问题,结合蚁群算法和遗传算法各自的优点和它们融合的基础,提出了一种蚁群算法融合到遗传算法的策略:在组卷的前阶段利用遗传算法群体性全局搜索能力,快速形成初始解,在满足终止遗传算法的条件后,将遗传算法调度的较优解转化为蚁群算法所需要的初期信息素,然后利用蚁群算法所具有的正反馈、高效等特点快速形成试卷最优解。实践结果证明此算法改善了试卷的质量以及系统的运行效率,生成的试卷符合要求,达到预期的结果。     

一种改进的混合排课算法研究与实现

针对目前常用的排课算法中存在的不足,分析了基于遗传算法的单一排课算法存在影响排课因素多、难以进行最优组合及排课效率低等问题,提出了一种基于优化的遗传算法和贪婪算法组合的混合排课算法。该算法首先采用改进的遗传算法对教学时间片进行安排,然后再采用贪婪算法进行教学场地安排,该算法的创新点在于简化了影响排课结果的因素,将一个复杂的过程分解为两个阶段来实现,保证了排课结果的合理性、提高了自动排课的效率、有利于后期部分课程的手动调整。     

基于改进遗传算法的图像分割

分析了OTSU图像分割算法和遗传算法,针对基本遗传算法在优化OTSU图像分割算法中存在的易于早熟、陷入局部最优的不足,提出了一种基于改进遗传算法的图像分割算法。结合OTSU对遗传算法中的适应度函数进行改进,使得对个体的评价更合理,提高算法的全局搜索能力,避免了遗传算法陷入局部最优。实验结果表明,与基于基本遗传算法的图像分割方法相比,改进的图像分割算法在图像分割中获得的分割效果更佳。     

利用文本相似度改进遗传算法的组卷实现与研究

在分析遗传算法适应度对遗传算法收敛性影响的基础上,针对试题试卷部分的信息参数和评价指标,对遗传算法在组卷中的应用进行了具体的论述,分析了遗传算法在组卷系统中各个部分的实现方法,提出了组卷模块的体系结构。针对遗传算法本身的原理特性进行讨论,研究其理论基础及其所具有的过早收敛的"早熟"现象,并利用排挤算法的早熟现象将组卷系统中的遗传算法进行改进。随后建立向量模型进行快速的试题相似性检测,使考试内容和考试质量得以提升。最终将研究结果进行实验对比与分析,并对研究结果进行了工程实现。     

基于遗传算法的QoS组播路由算法的改进

QoS组播路由技术在网络技术发展中占有很重要的地位,是一种关键的技术。在分析网络模型的基础上,建立了组播问题的数学模型。遗传算法是一种经典的寻优算法,应用广泛,提出了改进的算法。并且结合改进Dijkstra算法,使算法能很好地体现实际组播路由问题的特点。试验表明,这种新的算法可靠性更高,适应了当今网络性能优化的需要。     

网络教学平台中基于改进SGA的在线考试的研究与设计

首先介绍了网络教学平台结构及在线考试功能,然后针对在线考试系统组卷时使用传统遗传算法产生的早熟问题,提出了一种改进的遗传算法SGA。该改进遗传算法在染色体编码、染色体库新个体引入机制等方面作了改进。最后介绍了在线考试阅卷方法及技术。通过系统测试和学生考试实用,结果表明基于改进遗传算法的在线考试系统避免了早熟的产生,缩短了组卷时间,提高了组卷质量和组卷效率。     

机器学习算法在数据挖掘中的应用

针对数据挖掘算法中常用的机器学习型算法进行研究。机器学习型算法特色是运用了人工智能技术,能在大量样本集训练和学习后自动找出运算需要的参数和模式。以机器学习型算法中的人工神经网络为例研究数据挖掘技术,针对学习速度慢、抗干扰能力弱以及容易陷入局部最小值等缺点和传统的遗传算法存在算法早熟以及局部寻优能力弱等问题,提出一种通过改进常规遗传算法的染色体结构和遗传算子,并且通过引入自适应交叉和变异概率来对BP神经网络结构参数进行优化的改进型遗传优化BP神经网络模型。最后通过煤矿空压机故障诊断系统这一实例来研究改进型算法的数据挖掘技术的性能。研究结果表明,改进后的算法建立的诊断模型相比常规神经网络的诊断模型诊断准确率更好,诊断效率更快。     

SAGA在软件测试数据自动生成中的应用

总结了测试数据自动生成的通用模型,把模拟退火遗传算法(SAGA)引入模型中作为核心搜索方法,避免了单一遗传算法易陷入局部最优的问题。在算法中,通过实施模拟退火筛选、改进加速适应度函数和控制温度迭代方式达到了模拟退火算法(SA)与遗传算法(GA)的有机融合,并优化了SA的邻域构造方式,加入了遗传算法的最优保留策略,使得算法在收敛效率等方面更加有效。试验证明,该方法是有效的测试数据自动生成方法。     

基于改进遗传算法的组卷系统在电子商务模拟系统中的应用

遗传算法是对初始的种群进行逐渐搜索,通过对染色体的选择、交叉、变异,直到找到较好的个体。它因在处理组卷问题时具有全局寻优、效率较高等优势,得到了较为广泛的应用。但传统的遗传算法,初始种群是随机产生,其结果是求解的效率并不是很高。本文设计了一种改进遗传算法的智能组卷算法过程。组卷的速度和成功率都得到显著提高,可适用于大型题库系统和复杂约束条件的组卷需求。     

一种单纯形遗传算法及其应用

本文深入分析了智能天线应用中广播波束成形权值反向求解的工程优化问题,引入单纯形算法对传统遗传算法进行改进并提出了一种新的单纯形遗传算法。通过具体应用验证,实现了较好自动求解权值的目的。同时,本算法也可在其他网络规划和网络优化等寻优问题中参考使用。     

基于遗传算法的试题库组卷研究

组卷问题是一个多重优化约束目标求解问题,使用传统方法解决此种问题较困难,考试题库以及组卷算法的设计决定了组卷的效率和质量。文中提出一种基于遗传算法的组卷方法,给出了初始种群方法,分段编码及交叉算子、变异算子,优化了搜索过程,实验证明求解组卷问题采用该方法行之有效,有利于实现考试的规范化、科学化、教考分离。