遗传算法实现试题库智能组卷方法研究

智能组卷方法是当今各大高校及相关单位试题库系统中的核心内容.本文提出了一种基于遗传算法解决组卷问题的改进方法,该算法以其具有的自适应全局寻优和智能搜索技术且收敛速度快的特点解决了传统组卷中编码太长、适应度函数值计算困难等问题,建立和描述了组卷问题的染色体结构和适应度函数,设计了问题的遗传操作,为进一步完善网络试题库的建设奠定了坚实的基础.     

遗传算法在智能考试系统中的应用

基于WEB的考试系统是现代考试系统发展的趋势。智能组卷系统是考试系统中的一个关键组成部分,而遗传算法是智能考试系统中最常采用的算法。通过讨论智能组卷中遗传算法的几个关键问题,提出了合理的设定种群规模、变异参数,避免遗传算法过早收敛并增强局部搜索能力、整体稳定性等问题的改进方法。     

基于布谷鸟搜索的聚类推荐算法研究综述

前推荐系统研究面临的主要问题是如何提高推荐准确度和用户满意度。为克服原始推荐算法和现存改进算法的局限性,利用一种具有较强全局搜索能力的智能优化算法——布谷鸟搜索算法,结合K-means聚类算法进行改进。在此基础上,设计了应用于Movielens数据集基于布谷鸟搜索的聚类推荐系统总体框架,对其中关键技术和目前存在问题进行了分析,并指出接下来需开展的研究工作。     

运用遗传算法求解TSP问题的探讨

通过对遗传编码方案的改进,克服了TSP问题中的数据冗余缺陷,使得搜索性能得到提高.将该遗传算法应用于实际TSP问题,计算结果证明了该遗传算法的有效性.     

一种提高全局收敛效率的混合进化算法研究

由于传统遗传算法通过自身的改进很难解决易陷入局部收敛和全局最优解产生效率低等问题,通过对传统遗传算法几大难题的详细分析,最终结合混沌算法设计出一种混合进化算法。该算法能够有效地提高全局收敛效率、改善算法早熟等问题,并且具有很好的稳定性和收敛性,文中对此进行了详细论述分析。     

基于自适应遗传算法的抽题组卷策略

为克服经典遗传算法求解智能组卷时存在的盲目搜索、收敛速度慢和个体易“早熟“等缺点,文章提出了基于动态自适应技术遗传算法。利用求解问题的特征改进经典遗传算法的多个关键部分,采用动态自适应技术,提高算法的寻优速度。实验结果表明,采用改进式的自适应遗传算法实现的组卷策略具有收敛速度快、搜索精度高、鲁棒性强等特点,具有很好的性能与实用性。     

基于遗传模拟退火算法的药品零售大数据关联规则挖掘

针对药品零售大数据信息,提出一种基于遗传模拟退火算法的关联规则挖掘改进算法。首先以遗传算法为主体,模拟退火算法作为其辅助,在遗传算法选择操作、交叉运算和变异运算中融入模拟退火算法,实现对算法的设计;然后运用Python语言实现了算法,并通过对药品零售大数据关联规则挖掘,发现药品零售大数据之间的关联,有效地量化了药品之间的相关程度;最后对改进算法进行有效性和可行性测试。仿真实验表明,相比遗传算法,该算法的挖掘速快,挖掘质量高,有效地提高品零售大数据关联规则挖掘的性能。     

基于改进三值量子遗传算法的多峰函数寻优

针对量子遗传算法在多峰函数寻优中出现早熟收敛及陷入局部极值等问题,提出一种改进的三值量子遗传算法.算法用三值量子非门来改变染色体基因的位置、用三值量子旋转门更新来完成进化搜索、用三值量子修正门对变异基因进行修正,增加了量子遗传算法中种群的多样性,扩大了算法的搜索空间;用动态调整旋转角策略来减少进化代数、缩短优化时间.通过对典型复杂函数的仿真实验并与其它算法相比较,结果表明该算法搜索空间大、搜索精度高,全局寻优性能优于普通遗传算法及量子遗传算法.     

基于改进蚁群遗传算法的排课问题研究

提出了一种以蚁群算法为主,利用遗传算法经过交叉,变异,选择后产生进化的信息素作为蚁群使用的信息素.在遗传算法多次进化效果不明显时,引入模拟退火算法进行跳变的混合算法,使各种算法取长补短,改善了蚁群算法初始阶段运行缓慢和遗传算法局部搜索能力弱的缺点.提高了运行效率,同时运用这种改进的算法对高校排课问题进行仿真,从而比较算法改进的优缺点.     

基于通用试题库的智能组卷系统的开发

基于改进的自适应遗传算法,求解改进数学模型的智能组卷系统.利用JSP编程语言和SQL Server 数据库技术开发了大学物理课程考试系统,系统具有良好简捷的操作界面,可以直接生成Word形式的试卷及答案,并且可以编辑、修改和打印Word形式的试卷及答案.