改进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,针对传统算法在组卷方面存在的不足,提出了一种改进遗传算法.此算法不仅克服了未成熟收敛,而且速度和性能都有显著提高.实验结果表明,改进遗传算法提高了组卷效率.     

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。     

改进的遗传算法在智能组卷中的应用研究

该文提出分段二进制编码,对遗传算法的选择过程进行改进,并采用独立题型题库存放的方法来求解组卷问题.实验结果表明,新方法的组卷成功率和收敛速度都得到明显提高,较好的克服了早熟收敛现象,组卷质量明显提高.     

一种基于知识点的遗传算法组卷的改进应用

一个自动组卷系统的组卷效率和组卷质量取决于算法和试胚数据库的结构．本文针对库结构和算法进行改进,提出基于知识点约束的分胚型试胚库结构及分组实数编码的遗传算法,采用具有自适应性的交叉和变异遗传算子,成功解决了多目标随机搜索时易产生死区和死循环的问题,提高了搜索速度和效率．根据试胚的难度和试胚的时间对试胚进行赋分,并以每个知识点的分值之和占试卷总分值的比例作为知识点搜索条件,加入到适应函数中,使知识点定位更加合理准确．     

遗传算法在智能组卷中的应用

将遗传算法应用于智能组卷中,利用遗传算法的高效、全局寻优的特点设计寻求符合要求的试卷模型结构的算法,计算结果表明该算法具有较高的搜索效率和精度.     

一种改进遗传算法及应用

提出一种改进遗传算法,它是以实数编码,采用自适应Ｐｃ、Ｐｍ与固定的Ｐｃ、Ｐｍ相结合,引入生物进化编程（ＥＰ）思想,利用不同形式的评判函数,完成遗传操作,实验表明,该改进遗传算法具有快速,有效的特点,提高了ＧＡ的优化能力。     

一种改进遗传算法及应用

提出一种改进遗传算法．它是以实数编码，采用自适应Pc、Pm与固定的Pc、Pm相结合，引入生物进化编程（EP）思想，利用不同形式的评判函数，完成遗传操作．实验表明，该改进遗传算法具有快速、有效的特点，提高了GA的优化能力．     

一种改进的遗传算法在云计算中的应用

针对传统的遗传算法在云环境中迭代次数多、耗时长的缺陷,提出了一种改进的遗传算法,主要从执行时间及执行任务所需的费用两个方面来优化任务调度.通过建立任务调度模型,设计出相应的适应度函数、界限函数.仿真结果表明,在任务调度中运用改进的遗传算法,所需的平均等待时间要短,调度所需的费用也比传统的遗传算法要低.     

一种改进的遗传算法及其应用

非线性混合整数规划问题是一类NP难题，针对这类问题的特点，本文提出一种改进的遗传算法一分支遗传算法(BGAS)．并将其用于Sandgren提供的压力容器设计优化问题，得到了很好的结果。     

基于改进遗传算法的智能组卷研究

通过在遗传算法中引入个体浓度的选择机制和记忆机制,确保了进化过程中种群内个体的多样性,避免局部收敛,保证了算法朝优化方向进化.实验结果表明改进算法能跳出局部收敛,有效避免了早熟产生和遗传退化现象出现.     

一种改进的遗传算法及其应用

遗传算法在实际应用中容易出现早熟收敛和搜索结果精度不高的问题。针对早熟收敛和最优值精度低,采用了对搜索参数进行动态调整的优化计算。在进化的全过程中,算法始终保持较强的全局搜索能力和局部寻优能力。测试结果表明,对遗传算法的此种改进是有效的,不易陷入局部最优,并能大大提高最优解的精度。     

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.     

一种改进的遗传算法及其应用

针对标准遗传算法的不收敛性，提出了几种改进措施：提出了共同特征位的概念，给出消除群体中的共同特征位的方法；交叉和变异概率可变；实施最优保留。实验表明，改进算法具有全局优化能力。     

遗传算法在试题库智能组卷中的应用

智能组卷是现代智能教学系统中一个非常重要的课题。以考查点、难度系数和题型为主要控制参数建立了组卷问题的数学模型，并给出了用遗传算法解决组卷问题的新方法。重点阐述了组卷问题的染色体编码方法、适应度函数和遗传算子的设计与实现。实验结果表明，所设计的组卷方法性能好、效率高，而且能确保在一份试卷中不出现考查点重复的试题，是一种实用、有效的组卷方法。     

一种改进遗传算法

针对遗传算法(Genetic Algorithm,GA)存在的未成熟收敛现象,本文提出一种改进的遗传算法(IGA),该算法采用双变异算子,即正交变异和多位点变异两种变异算子联合作用,提高了算法的全局寻优能力。仿真实验表明,对遗传算法的改进是有效的,改进后的算法与标准遗传算法相比具有更高的全局收敛性,并在一定程度上克服了未成熟收敛。     

一种改进的遗传算法

给出一种使适合度函数参数,交叉概率和突变概率随搜索精度自适应调整的遗传算法,并以直接从输入输出数据中提取模糊规则为例与常规遗传算法进行了仿真比较,该算法明显优于常规算法。     

一种改进的遗传算法

传统的遗传算法有两个严重的缺点,即不能有效地克服过早收敛现象,以及在进化后期搜索效率较低。模拟退火算法是基于金属退火的机理而建立起来的一种全局最优化方法,它能够以随机搜索技术从概率的意义上找到目标函数的全局最小点。本文将遗传算法与模拟退火算法相结合,提出模拟退火遗传算法,实验结果表明,该算法在性能上有较大的提高。     

一种改进的遗传算法

从基因进化和退化的角度提出了基因优劣编码,在收敛性定性分析的基础上给出了适应度的另一种定义方式,使改进后的遗传算法更准确地模拟了生物进化机制,并对改进后的遗传算法的性能作了分析。经实验验证,改进后的遗传算法比标准遗传算法在求解质量和求解效率上都得到了明显提高。     

一种改进的遗传算法

传统的遗传算法有两个严重的缺点，即不能有效地克服过早收敛现象，以及在进化后期搜索效率较低。模拟退火算法是基于金属退火的机理而建立起来的一种全局最优化方法，它能够以随机搜索技术从概率的意义上找到目标函数的全局最小点。本文将遗传算法与模拟退火算法相结合，提出模拟退火遗传算法。实验结果表明，该算法在性能上有较大的提高。     

一种改进的遗传算法

采用实数编码的遗传算法 ,在基于适应值比例和最优保留策略结合的选择、数值交叉及一致变异的基础上对算法作了两方面的改进 ,即对交叉操作采用剔除无效个体和保留父代进入选择 ,在算法出现未成熟收敛的趋势时插入混沌序列 ,增加群体多样性 ,以判断算法搜索特性。对函数优化仿真结果显示 ,新方法提高了搜索精度 ,较好地克服了未成熟收敛现象 ,取得了较满意的优化效果。