基于Tabu搜索和变区域遗传算法的组卷问题研究

针对目前大型题库中组卷算法效率低的问题，给出了多目标约束条件下的组卷问题数学模型，提出了基于Tabu搜索和变区域遗传算法的TS-CAGA算法。本算法用遗传算法作全局搜索，用禁忌搜索算法作局部搜索，给出了搜索区域动态变化的条件，通过种群规模自适应调整，可以加快收敛速度和避免局部最优化。实验结果表明，算法的组卷效率和选题质量有显著提高。     

基于Tabu算法的声源定位方法

提出一种Tabu搜索算法的声源定位方法．该方法在获得声源信号后，使用基于声到达时间差TDOA方法计算信号的时间延迟，最后应用Tabu搜索算法搜索最佳声源位置．模拟结果表明，该方法是一种定位精度高、效率高的声源定位方法。     

TS+BS混合算法及在Job Shop调度问题上的应用

为解决较大规模的最小化完工时间 Job Shop调度问题 ,在 Tabu Search(TS)和 Beam Search(BS)方法基础上 ,提出一种采用基于问题结构信息的搜索树生成方法和搜索策略的调度算法 ,该算法采用通过有选择地对解空间进行分枝和评估相应的分枝实现算法迭代的 Beam Search机理 ,并利用局部搜索能力强的 Tabu Search搜索算法进行各分枝的评估 ,进而确定适合 Beam Search算法迭代的理想分枝 ,以降低 Beam Search算法漏掉好解的可能性。并用 4 0个最小化完工时间 Job Shop调度问题的 Benchm ark实例进行了数值计算。计算结果表明 ,该算法效率高 ,解的性能令人满意 ,并适应于较大规模的调度问题     

基于改进的邻域搜索算法对立库货位分配优化的研究

以自动化立体仓库中堆垛机的存取货物的先后顺序作为研究对象,为提高堆垛机的工作效率,以缩短总工作时间为目标,对货位的状态进行编码,货物的操作时间作为约束条件,建立货位优选模型,对货物在立体仓库中存取的顺序进行优化.之后研究了该模型的Tabu搜索算法的实现过程,最后编程求解.实验结果分析表明：改进后的算法收敛效果大幅提升,可快速找出更高质量的解.     

基于禁忌搜索的混合算法在驾驶压力识别中的应用

驾驶员在压力状态下行车会对驾驶安全产生很大影响,严重时甚至会造成交通事故。为准确检测驾驶员的压力状态,提取了驾驶员生理信号的多模态特征并提出了一种基于多种过滤式算法(Multi-filter,MF)与禁忌搜索算法(Tabu Search,TS)相结合的混合算法来选择有效特征向量。该算法首先采用多种过滤式算法的综合评分对原始特征集进行排序和过滤,有效降低特征维度;然后利用禁忌搜索算法进一步选出最优特征组合;最后采用支持向量机对3种不同驾驶压力水平进行分类。实验结果表明,本文提出的混合算法不仅有效地消除了高维特征向量中的冗余信息,还提升了分类准确率。     

基于改进的禁忌搜索算法求解带2维装箱约束的低碳车辆路径问题

同时考虑2维装箱和车辆路径2个NP难问题,以碳排放量为目标函数,对低碳环境下带2维装箱约束的车辆路径问题进行研究.求解思路是以禁忌搜索算法(Tabu Search,TS)为主要框架,然后基于贪心的思想采用4种启发式装箱策略生成初始解,并通过改进编码解码方式以及使用动态增长的禁忌长度对TS算法进行改进; 由给出算例的计算结果可知,改进的禁忌搜索算法对于求解该类问题具有一定的优越性.     

一种模糊高斯混合说话人识别模型

为了研究模糊聚类算法在高斯混合模型（GMM）参数获取方面的应用,采用模糊C均值算法（FCM）进行语音特征矢量的聚类,并结合Tabu搜索算法得到全局最优的聚类结果,进一步用EM算法得到GMM模型参数.使用TIMIT数据库中的语音进行测试,开集和闭集说话人辨认实验都表明,该方法获取的GMM参数比普通EM算法获得的GMM模型参数性能更优,能有效降低说话人辨认系统的误识率.     

一机两流的连铸生产计划模型与算法

编制高效的连铸生产计划是现代钢铁企业提高生产率和降低能耗的有效手段,在此基础上,讨论了某大型钢铁企业一机两流的连铸生产计划编制问题,建立了基于目标规划的数学模型,目标是在满足生产规程的同时取得最大的效益·为解决该问题,提出了一种将遗传算法和禁忌搜索算法进行结合的智能搜索算法以加强遗传算法局部搜索能力·同时,在遗传算法中采用动态变异概率以防止出现早熟现象,在禁忌算法中采用自适应惩罚系数调整策略来满足模型中的约束,实际的计算结果证实了模型的可行性和算法的有效性     

随机选题算法的设计与实现

提出一种随机选题算法,给出网上自动生成试卷的随机选题例程．实践证明,该算法能够满足实际需要．     

基于Tabu搜索和蚂蚁算法的系统可靠性分析

为了快速有效地找出同时满足可靠性和限制成本的配置策略,提出一种能搜寻近似最优可靠性分配的混合启发式算法.该算法在传统蚂蚁算法的基础上,引入了Tabu串列及期望准则,以解禁局域搜索,加快收敛速度,从而提高全局搜索的效率.实验仿真结果显示,所提出的优化算法较一般算法有更好的效果,可为实际系统的备件配置提供有力的支持.     

基于Apriori算法的改进关联规则的算法研究

关联规则是数据挖掘的一个重要研究内容,主要用于从大量数据集中挖掘出有价值的数据项之间的关联关系.典型案例是超市的购物篮分析,主要对顾客的购买记录数据库进行关联规则挖掘,可以发现顾客的购买行为.本文依据Apriori算法的两个基本性质,即任何大项集的子集一定是大项集,非大项集的超集一定是非大项集,对经典的Apriori算法要多次扫面事务数据库的问题,作了一些改进,并进行仿真计算,结果表明,改进的算法确实减少了扫描次数.     

零售业中商品选择问题的遗传算法研究

选择经营哪些商品是零售业面对的一个重大决策问题,这个问题需要考虑到商品之间的交叉销售效果。最近的研究成果表明这一问题是NP难问题。采用定量关联规则技术来计算交叉销售效果,并提出一个面向商品选择问题的遗传算法。由于交叉销售效果是一个不精确的信息,根据遗传算法的要求,进一步研究了面向不精确信息的适应度函数,从而使遗传算法适用于基于交叉销售效果分析的商品选择问题。     

双题匹配的MPI方法及其在平行试卷生成中的应用

大规模考试的公平性备受关注,探索能够生成多份平行测验并能保证测验质量的组卷方法十分重要.原用于计算机自适应测验(CAT)的基于最大优先级指标已开始用于组卷,但只局限于单题之间的匹配.为了增加求解空间,该文提出了一种基于最大优先级指标的双题匹配的组卷方法,实现题库中双题与种子试卷双题之间匹配,并结合平行试卷质量调整方法,用于生成平行试卷.将已有的组卷方法与双题匹配方法进行实验对比,结果表明:双题匹配方法有效地提升了生成的平行测验质量.     

一种快速的智能成卷算法

根据考试命题者的考试要求，以最小知识点为信息收集单位，提出了一套独特的收集题库资源的方法和选题风险的概念．首先，选取试题资源最少的指标分量，再从试题资源信息库中找出满足该指标分量的所有知识点，计算所有满足条件的试题的选题风险．找出风险最小的试题，直至满足考试要求为止．该算法具有速度快、成卷质量高的特点，为实现大规模网络化考试提供了一种很好的成卷方法．     

基于邻近项目的Slope One协同过滤算法

协同过滤是个性化推荐系统中的常用技术,数据稀疏性是影响协同过滤算法预测准确度的主要因素。提出了改进的Slope One算法,在该算法中,首先根据用户历史评分计算项目间相似性,然后依据项目相似性选取当前活跃用户评价过的k个相似项目记为邻近项目集合,并计算目标项目与其邻近项目的评分偏差,最后以项目间相似性为权重,计算当前活跃用户对目标项目的评分预测值。该算法使用邻近项目进行计算,降低数据的稀疏性,同时减少了计算量。使用标准MovieLens数据集对该算法的预测结果进行验证,结果表明：相对于原算法,该算法提高了预测的准确性,与其他协同过滤算法相比,推荐准确度也有明显的提高。     

计算机化自适应测验技术在情绪智力智能测评中的初步应用——基于项目反应理论

在项目反应理论(IRT)框架下,采用计算机化自适应测验技术实现对情绪智力的智能测评.基于IRT系列分析(含单维性检验、模型拟合检验、局部独立性检验以及项目质量分析),构建了符合IRT测量学要求的情绪智力测评的题库,并以此为基础探讨了计算机化自适应测验技术在情绪智力智能测评(CAT-EI)中的应用.实验结果表明:(i)CAT-EI相关算法具有较高的参数估计精度,同时具有较理想的测量信度和效度;(ii)CAT-EI可使用较少的题量(M_ean=9.88题)达到使用整个题库(67题)的测量精度,它一方面能做到减轻被试的测试负担,另一方面实现了对情绪智力高效、快速、准确的智能测评.总之,该研究为实现对情绪智力智能测评提供了一种新的测量技术支持.     

基于题号二进制编码的遗传组卷算法

文章提出了基于题号二进制编码的遗传组卷算法，解决了传统二进制编码算法中的题目重复抽取问题，并提高了算法的效率。     

通用考试题库管理系统GIBMS的设计与实现

通用考试题库管理系统（ＧＩＢＭＳ２．０）包括试题库的建立、管理、维护、查询、打印生成试卷、试卷质量分析以及考试成绩统计分析等功能,具有较好的通用性。该系统是在ＦｏｘｐｒｏｆｏｒＷｉｎｄｏｗｓ下开发的,操作简便,可以适应各学科各门课程建立试题库及自动生成试卷的要求。它还具有适用范围广,选题分布性好,速度快,对试卷质量评价客观合理以及对考试结果进行分析等特点。     

基于K-medoids项目聚类的协同过滤推荐算法

针对传统协同过滤推荐算法通常针对整个评分矩阵进行计算,存在效率不高的问题,提出一种基于K-medoids项目聚类的协同过滤推荐算法.该算法根据项目的类别属性对项目进行聚类,构建用户的偏好领域,使用用户偏好领域内的评分矩阵进行用户间相似度的计算,得到目标用户的最近邻居集,并生成推荐结果.与常用的K-means聚类方法相比,采用K-medoids方法对项目类别属性进行聚类,不仅克服了评分聚类可靠性不高的问题,而且算法还具有更好的鲁棒性.实验结果表明,该算法能有效提高推荐质量.