遗传算法在智能组卷中的实现

遗传算法是智能化考试系统的最常用的一种组卷算法。本文介绍了遗传算法的特点及操作过程,依据组卷时各种约束建立了数学模型,提出使用改进的遗传算法解决组卷中一些问题。最后以实验证明,使用动态调整交叉概率和变异概率可避免遗传算法的一些弊端。     

基于遗传算法的组卷系统的研究

本文对网络题卷库的优势和基本特点进行了介绍,对网络考试所涉及的题库设计、组卷算法等技术进行了讨论和研究,同时在研究的基础上开发了一个基于遗传算法的网络组卷系统,并阐述了此系统的数据库结构及其应用发展方向。     

一种基于改进遗传算法的智能组卷方法研究

组卷问题是一个多约束条件的最优求解，本文在分析了传统的试题组卷算法存在短卷速度慢，成功率较低、组卷质量不高等缺点的基础上，提出了一种基于改进遗传算法的智能组卷新方法。实验表明，该方法能有效地提高组卷的效率和质量，具有较好的使用性能和实用性。     

基于改进型遗传算法的智能组卷研究

本文通过分析智能组卷的目标要求,建立了智能组卷系统的数学模型,并提出了一种基于改进型遗传算法的新的智能组卷算法。通过引入两个不同的选择策略,不同的变异算子,进一步提高了智能组卷算法的效率和性能。     

粒子群优化算法(PSO)在智能组卷中的应用

本文利用计算智能算法中的粒子群算法对组卷系统加以改进,保留了遗传算法固有的智能搜索技术和有效的寻优和收敛性,通过叠代搜寻最优值,无须太多参数调整,简单容易地实现更加智能和高效的组卷。     

基于遗传算法的自动组卷分析与设计

组卷的效率与质量完全取决于选题算法的设计,设计一个从题库中按照考试要求既快又好地选取一组最佳解,涉及到一个全局寻优和收敛速度快慢的问题。本文运用遗传算法的全局寻优对题库系统的自动组卷进行了研究,并得到了一个能较好地满足考试要求的组卷算法。     

基于节点编码的最小生成树算法

以图论和遗传算法为基础,提出了求最小生成树问题的基于节点编码的遗传算法.该算法采用Prufer数对最小生成树进行编码.初始群体由系统随机产生,在遗传操作中采用单点交叉操作及基本位变异操作.实例表明,该算法可得到多个最优解.     

基于遗传算法的考试系统组卷算法设计

本文分析了考试系统中的组卷问题,结合遗传算法,从算法预处理、编码方法、初始化群体、适应度函数、选择算子、交叉算子和变异算子这几个方面,详细地研究了如何采用遗传算法解决组卷问题。并且通过实验数据,与随机抽取算法和其它组卷算法作比较,说明了本算法的优越性。     

基于遗传算法的自动组卷系统设计

自动组卷系统是计算机辅助教学的重要组成部分,而遗传算法以其全局寻优和智能搜索的特性,得到了广泛的运用。根据自动组卷系统的特点,将遗传算法合理应用于自动组卷中,在遗传算法中,设计了双种群机制,并以试卷难度、试卷区分度、试卷的估计用时、知识点分布为基础构造适应度函数,通过轮盘赌选择方法、多点交叉和变异,较好地解决了自动组卷的多重目标寻优问题。     

智能组卷系统的研究

介绍了遗传算法的基本概念及改进遗传算法的思想,对改进遗传算法进行了理论分析,并进行仿真实验.分析了组卷系统的评价指标;最后实现了基于改进遗传算法的组卷系统.     

基于改进型遗传算法的组卷系统设计研究

传统人工考试模式相比于网络考试系统来说欠缺公平与合理性,不能充分考察学生的学习能力和知识掌握程度,因此要借助网络技术的力量来设计自主组卷系统,完成网上考试系统的改革和创新任务。在深入分析试题库结构和遗传算法的基础上,研究了两者之间的契合处,通过对遗传算法的改进来推出符合组卷策略的考试系统,完成对题型、题量、曝光度、知识点等多方面考核内容的平衡,使基于改进型遗传算法的组卷系统能真正运用于高校实际教学工作中。     

基于随机相位重构的智能组卷混叠均衡算法

传统的组卷方法多是依赖教师的经验实现,容易受到教师主观因素的影响,耗费大量的精力时间,且选题时容易产生混叠现象,无法满足用户高标准应用需求。为此,提出基于随机相位重构的智能组卷混叠均衡算法。为设计一个效率高、质量高的智能组卷系统,对试卷属性指标进行深入研究,制定约束条件,依据相关理论构建智能组卷数学模型,并依据随机相位重构理论求解模型,获取模型的最优解,实现智能组卷的高效性和均衡性。实验结果表明,采用改进算法进行智能组卷,提高了试卷的可控性与算法的收敛速度,符合智能组卷系统均衡性需求,具有显著的优越性。     

考试系统设计中的关键技术

随着计算机技术的飞速发展,计算机的应用领域已渗透到社会的各行各业。计算机正在改变着传统的工作、学习和生活方式,推动着社会的发展。通过计算机进行"无纸化考试"已成为学校、公司企业及政府等部门进行考试的一种趋势。现详细的对考试系统中的组卷算法进行了研究设计。通过对已有组卷算法的分析,设计了一种基于改进的遗传算法的组卷方法。考试系统由三个子系统组成:后台管理子系统、考生考试子系统、教师管理子系统。后台管理系统是整个系统的核心,系统对考试的全过程进行管理和监控,包括单位管理、人员档案管理、试题管理、考试科目管理、成绩管理、考试管理、系统维护等操作。     

基于遗传算法和梯度下降法的聚类新算法

基于遗传算法的聚类算法是一种全局优化算法,但是其局部搜索能力较差,而梯度下降法却具有较强的局部搜索能力,本文在通过遗传算法搜索得到近似全局最优解的基础上,采用梯庹下降法进一步搜索全局最优解,得到两者相结合的新算法.     

基于遗传算法的电子商务谈判模型设计

详细分析了遗传算法的原理,并且根据电子商务谈判模型系统的实际,进行种群的编码,给出相应的适应度函数.遗传算法收敛速度慢且性能不稳定,基于粒子群子代个体产生趋于最优个体的思想对遗传算法进行改进,设计出适合粒子群算法的交叉变异概率公式.在针对塑料颗粒的商务谈判中,应用这两种算法模型,结果表明基于粒子群改进的算法比遗传算法更能及时提供谈判解,节省了商务谈判的时间,提高了商务谈判的效率.     

求解TSP问题的一种改进遗传算法

TSP问题是典型的NP完全问题,遗传算法是基于生物进化论的一种全局优化搜索算法。文中针对TSP问题传统遗传算法的缺点,提出了一种改进的遗传算法,并且给出选择、交叉和变异操作的设计。最后,以该算法求解中国旅行商问题(C-TSP)为例,表明该改进遗传算法具有更好的收敛性,可以得到更好的最优解。     

遗传算法在试题组卷中的研究

遗传算法的应用优势在于处理传统搜索方法难以解决的复杂和非线性问题,可广泛应用于组合优化、机器学习、自适应控制、规划设计等领域,是21世纪有关智能计算中的关键技术之一。本文运用遗传算法的全局寻优对考试中自动化组卷进行研究,得到了一个适合考方要求的试题模型的好的算法。     

改进的遗传算法在测井模拟器考核系统中的应用

针对测井模拟器考核系统的开发过程中,采用一般考试系统的组织结构存在试题库结构冗余、组卷效率低下、难以保证培训考核效果的问题,引入变种的遗传算法思想,来设计和实现测井模拟器考核系统。介绍了该系统的总体架构,并探讨了具体开发流程和实现。通过实验表明应用变种遗传算法后明显降低了系统冗余度,提高了系统自动组卷的成功率和收敛速度,取得了满意的组卷效果。     

基于粒子群优化算法组卷的研究

研究了考试系统中一个关键的技术——组卷算法,提出了应用粒子群优化算法组卷。PSO算法源于蜜蜂群觅食,是一种智能寻优算法,它首先初始化一群随机粒子（随机解）,然后通过迭代找到最优解。PSO算法组卷是一个离散性求解问题,这是对PSO算法应用上的一个扩展。     

智能计算在网络入侵检测中的应用研究

研究了基于遗传算法和差分进化计算的入侵检测系统中的特征选择技术,差分进化计算在变异过程中并未考虑到适应度大的个体,同时存在过早收敛问题,而遗传算法需要很多的迭代次数才能收敛.针对以上缺点,结合模拟退火算法对差分进化的变异过程进行改进,同时设计合理的适应度函数,使得该算法收敛于最优特征子集.经过Lincoln实验室入侵检测系统评估数据集合MIT' 1998测试,改进算法与差分进化算法和遗传算法相比,具有良好的收敛性能,并且收敛特性稳定.