基于遗传算法的自动组卷的研究

介绍了自动组卷的数学模型和主体思想，讨论了运用遗传算法求解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案、交叉算子和变异算子。实践表明，改进的遗传算法能更好地解决自动组卷问题，具有较好的实用性。     

遗传算法在试题库自动组卷中的应用

采用基于矩阵编码的遗传算法求组卷问题，提出了该算法的交叉算子和变异算子。实验证明，该算法可以很好地解决自动组卷问题。     

基于Moodle平台的组卷模块设计与实现

针对Moodle原生测试模块学生不能自主测试、组卷不够智能化、成绩反馈不全面等问题,给出一种基于遗传算法的自动组卷方案.设计遗传算法的染色体编码方案以及算法的选择算子、交叉算子和变异算子.对Moodle进行二次开发,使用PHP语言实现了自动组卷模块,扩展了Moodle平台测试模块的功能.     

遗传算法在试题生成系统中的应用

通过对目前组卷方法的分析,提出用遗传算法求解组卷问题的方法．建立试题组卷的数学模型,通过独立编码、针对该编码的组内交叉算子、组内变异算子．实现了一个智能试题生成系统．     

改进遗传算法在题库系统中的应用

本文结合遗传算法的原理和思想,分析了传统遗传算法在求解题库组卷问题中存在的缺点和不足。并采用了新的编码方式、交叉算子和变异算子对其进行优化。验证得到若题库所含的题目数适中,分布合理,所组卷的试卷质量较好的满足各个控制指标的分布要求。     

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.     

遗传算法在自动组卷中的应用

遗传算法的应用范围较广,其在教育行业中的一个典型应用即是用于考试系统中的自动组卷。该文主要介绍了使用遗传算法进行自动组卷的主要流程,包括数据模型建立、试卷编码、目标函数确立、选择算子等几个环节。     

遗传算法在自动组卷中的应用

遗传算法的应用范围较广,其在教育行业中的一个典型应用即是用于考试系统中的自动组卷。该文主要介绍了使用遗传算法进行自动纽卷的主要流程,包括数据模型建立、试卷编码、目标函数确立、选择算子等几个环节。     

自动组卷考试系统的设计与实现

利用计算机实施自动组卷的目标是输出符合用户需求的最佳试卷。组卷问题实质是一个约束条件自动求解问题。遗传算法是一种优秀的全局优化算法,它具有全局搜索、编码方式灵活等特点,对于解决此类问题非常方便。     

基于GAs求解整数规划问题的算法设计

对于遗传算法（ＧＡｓ）求解整数规划问题,提出一种新的位串编码结构,采用一种新的加速变异算子,可明显改善寻优的收敛速度,并为保持种群多样性引入分散型淘汰法。     

基于混合蚁群遗传算法的SAT问题求解

根据SAT问题的特点,通过分析传统蚁群算法和遗传算法在求解SAT问题上的不足,提出一种基于混合蚁群遗传算法的SAT问题求解方法。给出一种新的初始解的生成方式;在迭代过程中,根据较优解的累积信息提出进化算子;利用当前得到的最优解,通过改变不满足子句中文字的取值,增加变异算子。最后选取标准测试集中的20个实例对算法进行测试,实验结果表明:改进后的算法通常仅通过较少次数的迭代就能找到解,能够有效避免蚁群算法和遗传算法过早收敛的缺点,具有较强的寻优能力。     

基于遗传算法的多目标优化算法

本文先介绍了遗传算法的实现技术,又介绍了多目标优化问题的概念,然后使用遗传算法来求解多目标优化问题。文中使用了均匀设计方法来设计适应度函数,并设计了新的变异算子,算法结果是有效的。     

一种改进的遗传算法在测试用例中的应用研究

测试用例的自动生成是软件测试的重要环节,其关键问题是路径搜索问题,遗传算法作为一种高效的搜索寻优算法被广泛应用到测试用倒中。该文提出一种改进的遗传算法,对选择算子和交叉算子进行改进,把传统遗传算法和最优保存策略相结合,提高遗传算法的局部搜索能力。研究表明,该算法比传统遗传算法在生成测试用例的效率方面更具优势。     

基于改进遗传算法的线材排样优化

针对线材排样优化问题,在分析线材排样方案数学模型的基础上,提出了基于改进遗传算法的优化求解方案。该算法设计了一种新颖的遗传算子,包括顺序交叉算子、线性变异算子、扩展选择算子。实验表明,该算法逼近理论最优值,而且收敛速度快,较好地解决了线材排样问题。     

遗传算法用于TSP问题的研究

本文将遗传算法用于ＴＳＰ问题的求解，并结合爬山搜索法的思想提出了一个新的遗传算子，实验表明效果明显。     

基于改进遗传算法的四旋翼无人机参数辨识

为克服传统遗传算法在参数辨识过程中收敛速度慢的问题,提出了一种基于改进遗传算法的四悬翼无人机参数辨识方法。该方法引入梯度算子为遗传进化提供指示性的方向,利用遗传算法的全局搜索性保证算法的全局收敛,并根据简化四旋翼无人机数学模型设计了优化函数。利用四悬翼无人机实飞数据进行了实验测试,实验结果验证了本文方法的有效性和快速收敛性。     

基于改进的自适应遗传算法HCGA的测试数据自动生成

针对软件测试数据的自动生成,提出了一种自适应遗传算法和爬山算法相结合的改进算法HCGA. 通过设计自适应交叉和变异算子,加强了遗传算法的前期全局搜索能力;在进化后期嵌入了爬山算法,提高了局部搜索能力. 实验结果表明,该算法在测试数据的自动生成上优于遗传算法,提高了效率.     

基于超平面及遗传算法优化的网格简化

基于对目前反求工程中已有方法的分析，引入超平面的概念；通过对三角网格曲率的离散化计算，经过种子点的生长以及区域合并形成超平面。在对超平面删除后留下的空洞进行重新三角化时，利用遗传算法生成具有空间形状优化的简化模型。在此过程中以一种新的编码方式使遗传算法能够适应网格优化的特殊性；通过对变异算子的修改，保证遗传进化的有效性；将交叉算子放弃，避免了新产生的三角网格和已经存在的网格重叠和相交。通过这种方法可以调节形状的优化程度和侧重度。