基于改进自适应遗传算法的组卷研究

针对遗传算法容易出现早熟和收敛速度慢的问题,根据群体适应值分布的变化特点,启发性地提出了一种新的基于小生境技术的自适应遗传算法（ANGA）。根据群体中各个个体的适应值分布情况加以启发,引入了一个自适应的常数Cmin,通过白适应调整Cmin以适时改变群体适应值的分布,优化了各个个体被选择的概率。详细介绍了ANGA应用于组卷问题的步骤。涵盖了其中的各项关键技术：组卷策略、编码方案、适应值函数的确定、选择交叉变异箅子的实现。并以目前的计算机等级考试三级信息管理技术的组卷为例,采用ANGA算法进行了仿真计算。仿真结果表明,ANGA算法能够成功地应用于自动组卷。算法能够以100％的概率在较短的时问内完成组卷,组卷效率高、成功率高;且算法对初值不敏感．具有较好的鲁棒性。     

基于Web的组卷系统的设计与实现

本文简要概括了基于Web的组卷系统的系统设计,全面分析了组卷系统的核心功能,给出了基于随机搜索逐步优化的自动组卷算法的基本思想和算法步骤。开发实践证明,自动组卷算法组卷成功率较高,系统性能稳定。系统既能满足学生在线自测的需要又能为教考分离提供技术上的支持。     

MCWDP模型的算法设计

本文详细分析了题库组卷系统中的组卷算法,重点对多约束性离差求解MCWDP(Multiple Constraint Weighted Deviations problem)简称MCWDP模型的算法进行研究,给出了MCWDP算法在智能组卷系统中的组卷策略,并为简化算法,提高组卷效率提出了几点措施。     

MCWDP模型的算法设计

本文详细分析了题库组卷系统中的组卷算法,重点对多约束性离差求解MCWDP（Multiple Constraint Weighted Deviations problem）简称MCWDP模型的算法进行研究,给出了MCWDP算法在智能组卷系统中的组卷策略,并为简化算法,提高组卷效率提出了几点措施。     

基于单亲遗传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。针对传统遗传算法(TGA)在组卷解决问题方面存在的不足,提出了一种基于单亲遗传算法(PGA)的组卷方法,简化了遗传操作过程,并且不要求初始群体具有广泛多样性,不存在“早熟收敛”问题,仿真结果表明这种方法是有效的。     

基于题库信息的智能组卷算法

在分析了现存的智能组卷算法的基础上,提出了基于题库信息的智能组卷算法,算法通过对题库中试题信息的充分利用,有效的提高了组卷成功率和组卷的质量。     

PBIL算法的改进及其在机试实时组卷中的应用

给出了自动组卷系统中组卷约束条件和目标函数的数学描述.针对上机考试实时组卷的要求,根据历史组卷信息对PBIL算法的初始学习概率进行了修正.通过算法参数预估的方法,给出了提高组卷效率和成功率的途径.     

基于遗传算法的自动组卷算法的研究

本文针对自动组卷问题是多目标优化问题,提出了基于遗传算法的自动组卷算法,并根据自动组卷和用户的需要对遗传算法进行了改进,并通过实验验证了基于遗传算法的自动组卷算法的性能。     

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     

中间表组卷算法

试题库系统在教学中应用日渐广泛,组卷算法是试题库系统的核心问题。本文主要对现有的常用的组卷算法进行分析,总结其优缺点,提出了一种中间表组卷算法,这种算法适用于小型的试题库系统。