基于遗传算法的信息技术类课程自动组卷应用研究

研究了遗传算法在信息技术类课程组卷中的应用。应用矩阵理论的方法建立组卷的数学模型,在分析标准遗传算法基本原理和关键技术的基础上,针对组卷问题应用对标准遗传算法的编码方法、适应度函数、遗传算子和组卷策略等方面进行了设计和改进。在大量组卷实验的基础上,分析组卷实验结果,选择适合的组卷参数。实验表明,选择组卷参数提高了遗传算法的组卷效果。     

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。     

基于遗传算法的在线考试系统设计

建立了基于遗传算法的智能组卷模型,介绍了遗传算法的实现流程和关键步骤,模型能满足复杂的组卷要求。     

改进遗传算法的试题智能组卷方法

对传统遗传算法在初始种群选取、遗传算法编码、适应度函数设计、遗传算子的自适应设计等方面进行了改进,提出一种改进遗传算法的试题智能组卷方法.仿真实验结果表明,改进的遗传算法在组卷时提高了在题库中搜索的效率和准确性,有效地解决了智能组卷中的多条件约束优化问题,提高了组卷效率和成功率.     

基于遗传算法的智能组卷系统研究

通过对智能组卷系统的需求分析,采用遗传算法作为试题搜索工具,实现了将遗传算法应用于智能组卷系统.并针对遗传算法及组卷的特点从程序流程、染色体编码、适应度函数、以及各种遗传算子上都作了探讨和改进,为系统实现作准备.     

在线教育的智能组卷算法研究

智能组卷是在线教育的重要组成部分,通过对在线教育智能组卷过程中的各种性能指标和约束条件进行分析,建立一个合适的智能组卷数学模型。基于智能组卷多目标优化的特点,选择遗传算法来实现智能组卷,并基于智能组卷的特点,对基于遗传算法中的试卷个体的编码、遗传算子和适应度函数进行了研究。     

一种渐进式的遗传算法在智能组卷中的应用

智能组卷是一个多约束目标的组合优化问题。针对传统遗传算法在组卷解决问题方面存在的不足,提出了一种渐进式的遗传算法,此算法针对传统遗传算法的不足做了改进,速度和性能都有显著提高,尤其是针对大规模题库的组卷,仿真结果表明这种方法是有效的。     

智能组卷系统与遗传算法

目前,国内外许多科研单位和学校机构对智能组卷技术进行了大量的研究,其中基于遗传算法的智能组卷技术最为先进,但由于组卷问题的复杂性,仍然存在许多不足,对遗传算法在智能组卷中的实现上进行技术改进,以克服组卷时间长、算法收敛快等缺陷.     

基于遗传算法的智能组卷研究

分析了智能组卷约束条件,建立了智能组卷系统的数学模型,并给出了改进的遗传算法求解智能组卷问题的新方法.实验结果表明所提出的新组卷算法相对于其他算法更能有效地解决自动组卷问题,组卷成功率高,组卷速度快,具有较好的性能和实用性.     

基于遗传与蚁群混合算法的智能组卷研究

针对遗传组卷算法局部求解能力不足、容易早熟和退化对系统中的反馈信息利用不够的问题,以及蚁群组卷算法搜索初期信息素匮乏的缺点,充分利用遗传算法较好的全局搜索能力和蚁群算法较高的求解精度的优势,提出了一种遗传算法与蚁群混合算法的智能组卷策略。实验结果表明,与单一组卷算法相比,提出的混合组卷方法收敛速度更快,能更有效地解决智能组卷问题,具有更好的实用性。     

基于遗传算法的组合评价模型

基于主观赋权法和客观赋权法有各自的优点和缺点,文章提出一种基于遗传算法的组合评价模型,通过该模型将多种评价方法进行组合,并利用遗传算法优化各评价方法的权重,根据评价指标函数值评价出各样本的优劣。评价实例的对比分析说明,该组合评价模型的评价结果更符合实际。     

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。     

基于遗传算法的试题库自动组卷问题的研究

给出了利用遗传算法求解试题库自动组卷问题的新方法，讨论了运用遗传算法求解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，并采用了新的编码方式、交叉算子和变异算子。实验结果表明，改进的遗传算法相对于其他算法更能有效的解决自动组卷问题，具有较好的使用性能和实用性。     

基于GM(1,2)模型的多步自调节灰色预测控制算法

基于GM(1,2)灰色模型和一种新型综合偏差,提出了基于GM(1,2)模型的多步自调节灰色预测控制算法.该算法可对系统输出偏差和预测偏差进行合成形成一个在线多步综合偏差,用此偏差代替传统最优控制算法中的偏差项,这样算法既有在线预测系统未来多步行为的功能,又能根据预测模型精度实时调节预测值在控制回路中的作用,减小了预测误差对系统的不利影响.仿真结果表明,该算法可获得较好的控制跟踪效果.     

基于向量空间模型的中文网页主题特征项抽取

为解决中文网页主题特征项抽取不精确的问题, 对中文网页的主题特征项抽取算法进行了研究。网页的主题特征项抽取是主题网络爬虫进行网页相关度计算的基础, 结合主题网页的二分类情况对目前常用的文本特征项加权方法TF-IDF(Term Frequency-Inverse Document Frequency)进行了改进, 在此基础上结合网页的半结构化特征, 综合考虑特征项的位置信息及其包含的信息量, 提出了一种线性特征项加权计算方法。经实验验证, 该方法可有效提高主题网页的召回率和准确率。     

应用自适应混合遗传算法求解病态线性方程组

简单遗传算法(SGA)在进化的后期由于种群个体的多样性急剧降低,可能会收敛于局部最优解,即出现早熟现象。针对简单遗传算法的早熟问题,从选择、交叉和变异三个遗传算子入手,设计了自适应遗传算子。同时为了克服SGA局部搜索能力差的缺点,结合共轭梯度法,实现了一种自适应混合遗传算法(Adaptive GA-conjugate gradient,即AGA-CG)。以核磁共振测井曲线线性化后的大型病态方程组为测试实例,对AGA-CG算法进行了验证。实验结果表明:AGA-CG算法是求解大型病态线性方程组的一种有效算法。     

量子免疫算法及在0-1背包问题中的应用

将免疫算法的免疫算子思想引入到量子遗传算法中,提出了改进的算法:量子免疫算法。算法在保持量子遗传算法优点的同时,提高了算法的全局收敛性。并将此算法应用在0-1背包问题中,仿真结果表明,此改进算法具有良好的性能。     

基于MATLAB平台的遗传算法工具包

在分析遗传算法要素的基础上,编写了基于Matlab的遗传算法工具包（GAToolbox）,该工具具有运行稳定,结构灵活,扩展方便的特点,并易与Matlab的其他工具包结合使用,给出了Matlab遗传算法工具包的三个成功应用实例;1）采用遗传算法工具包构造递阶遗传算法,2）基于遗传算法的径向基径神经网络学习算法;3)遗传算法优化化工过程操作条件,说明Matlab遗传算法工具包的稳定性和实用性。     

基于LOMOGA的降阶H_∞控制器的设计

针对降阶H∞多目标控制器的设计问题,本文提出了基于局部正交多目标遗传算法(LOMOGA)的降阶H∞控制器的设计方法。该方法结合局部正交优化和改进多目标遗传算法,解决了多目标遗传算法局部搜索能力较差的问题,达到了对H∞控制器的结构和参数同时优化的效果,提高了降阶H∞控制器的动态性能和鲁棒性能。仿真结果表明,该方法不仅具有较强的全局和局部搜索效率,而且搜索结果具有较高的精度、更好的分布均匀性和多样性。     

A collaborative filtering recommendation algorithm based on item and cloud model

Recommender system is an important content in the research of E-commerce technology. Collaborative filtering recom-mendation algorithm has already been used successfully at recom-mender system. However,with the development of E-commerce,the difficulties of the extreme sparsity of user rating data have become more and more severe. Based on the traditional similarity measuring methods,we introduce the cloud model and combine it with the item-based collaborative filtering recommendation algorithms. The new collaborative filtering recommendation algorithm based on item and cloud model (IC-Based CF) computes the similarity de-gree between items by comparing the statistical characteristic of items. The experimental results show that this method can improve the performance of the present item-based collaborative filtering algorithm with extreme sparsity of data.