基于遗传算法的自动组卷策略

遗传算法是1种通过模拟生物界自然选择和遗传变异的机制来求解复杂问题的随机搜索和优化的方法,组卷问题是1个在一定约束条件下的多目标参数优化问题,传统的组卷算法存在“组卷速度慢、成功率低、组卷质量不高”等缺点。针对上述缺点,本文在分析组卷策略的基础上,针对考试系统的自动出题问题,将遗传算法应用其中,详细论述了它的思想,并在一定的约束条件下,通过建立数学模型进行分析运算,得出了1种用遗传算法来求解试题组卷问题的新方法,最大程度地满足了用户的需求,具有科学性、合理性和较好的实用性。     

基于遗传算法的组卷问题的研究与设计

针对智能组卷系统的研究,应用遗传算法的知识,建立了1个基于遗传算法的智能组卷系统的数学模型.在此基础上,开发了1个基于遗传算法的智能组卷系统,该系统能够较好的满足智能组卷的需求.     

遗传算法在智能组卷系统中的设计与实现

为了能更好地解决组卷质量和组卷速度之间的矛盾,提出了一种基于分段整数编码的遗传算法。该算法在保证组卷预期效果的前提下,不仅搜索速度快,而且能够避免遗传算法中经常出现的"早熟现象",具有很好的收敛性和实用性。实践结果表明,该方法可以有效地解决智能组卷中的约束优化问题。     

基于web考试系统的智能组卷算法的研究与实现

衡量一份试卷质量高低的主要因素是试题的覆盖范围是否合理,难度是否适中,区分度是否最大等等。随着计算机技术的普及,越来越多的学校采用智能组卷系统代替原有的教师手工组卷,实现了教考分离,因此,智能组卷成功率也成为大家关注的焦点。介绍了目前流行的组卷算法,分析了各种算法的特点以及不足之处,结合组卷问题的数学模型提出了分层次的遗传算法,该算法提高了原遗传算法的局部收敛度和全局搜索性。     

一种改进的多种群量子遗传算法

针对常规量子遗传算法(Quantum genetic algorithm,QGA)在求解连续函数优化问题时容易陷入局部极值,提出了一种改进的多种群量子遗传算法(Improved multi-population quantum genetic algorithm,IMPQGA).该算法将初始化种群划分成N个子种群,每个子种群按不同的量子旋转门策略更新,然后相互交换子种群最优个体,同时在算法进化中引入一种新的量子旋转门,随进化代数增加动态地调整染色体个体进化方向,使算法及时跳出局部最优,避免早熟收敛.仿真结果表明,该算法相比常规量子遗传算法和多种群遗传算法(Multi-population quantum genetic algorithm,MPQGA)具有更好的优化性能.     

遗传算法的停滞判别准则在测井解释中应用探讨

遗传算法进化效率低下问题始终是困扰用户的一个主要问题,进化停滞即是它的表现之一。把改进的遗传算法应用于测井资料优化解释系统中,获得反映实际地层的储层参数。结果表明,改进的遗传算法在最优化测井解释中应用效果较好。     

改进的人工鱼群混合算法在智能组卷中的应用

现有的智能组卷多采用单一算法,而每种算法都有其各自的缺点,针对此缺陷提出了结合人工鱼群算法和遗传算法的优点组成混合智能组卷算法.在智能组卷开始时,采用人工鱼群算法快速靠近组卷目标,在组卷过程中,当最优个体在连续多个迭代过程中无变化或变化极小时采用遗传算法对人工鱼个体进行跳变,提高收敛速度.通过模拟计算证明,该混合智能算法能有效地优化其中单一算法独自进行智能组卷的成效.     

深基坑土钉墙内部稳定性计算新方法——最危险滑裂面复合遗传进化 …

高层建筑深基坑土钉墙内部稳定性分析的关键是如何确定最危险滑裂面的位置并计算与相对应的安全系数，这可归结为一类非线性优化问题。为克服传统优化分析方法容易陷于局部最优解的缺点，作者利用从模拟自然进化过程的遗传进化算法和求解约束优化问题的复杂形法而发展起来的复合遗传算法来搜索最危险滑动面，提出了一种深基坑土钉墙内部稳定性分析的复合遗传进化调优算法，它是一种全局优化分析方法，且比一般的遗传算法寻优效率要高     

一种改进的基因表达式编程方法及应用

基因表达式编程(GEP)是基于遗传算法和遗传编程的具有更强数据处理和知识发现的进化算法。介绍了传统GEP算法的基本原理和关键技术,针对求解问题时传统GEP存在未成熟收敛和进化后期收敛速度慢等问题,提出了GEP算法的改进方法,并将改进算法应用于函数发现问题中。与传统GEP算法的对比试验表明改进的GEP算法具有更好的求解能力和更高的性能。     

基于遗传算法的智能组卷计算机考试系统研究

随着计算机技术的发展，很多考试中采用了计算机考试系统。本文首先介绍了基于遗传算法的智能组卷计算机考试系统的构成，又介绍了设计考试系统时需要注意的几个关键问题。     

基于改进遗传算法的机器人路径规划与仿真

针对标准遗传算法解决机器人处于障碍环境下寻找最优路径局部寻优精度较差、规划效率低的问题,提出一种改进遗传算法的机器人路径规划方法。该算法采用一维编码表示路径, 构造了路径最优化的目标函数和适应度函数,利用多个种群拓宽搜索空间,提高了规划效率,采用保优选择策略,避免陷入局部最优。仿真结果表明,改进遗传算法比标准遗传算法路径规划质量高,能够获得平滑的低代价路径,稳定性好,是机器人路径规划的一种较好的方法,且具有一定的推广意义。     

基于免疫遗传算法的等温输油管道优化设计

免疫遗传算法是生命科学中免疫原理与传统遗传算法结合后得到的一种新兴算法,对求解非线性规划问题效果显著.应用该算法对等温输油管道优化数学模型进行了求解,实例计算表明,该算法优化性能好,优化效率高,在等温输油管道最优化设计问题上有很好的应用前景.     

基于改进量子遗传算法的Flow-Shop调度求解

针对Flow-Shop调度问题,提出一种改进的量子遗传算法,重点对量子变异和量子灾变等操作算子进行改进,提出局部量子位变异和局部量子灾变等操作算子。给出Flow-Shop调度问题的数学模型,提出了用量子遗传算法求解Flow-Shop调度问题的量子比特编码和解码方法,介绍算法的计算流程。仿真实验结果表明：改进的量子遗传算法具有收敛速度快、鲁棒性好等优点。     

遗传算法及其在渔饲料配方中的应用

首先阐述了参数编码、初始群体、适应度函数、遗传操作以及算法控制参数等遗传算法基本原理,然后着重介绍其在渔饲料配方中的应用,在该应用中采用了实数编码、基于线性排名的选择、算术杂交和非一致变异等遗传算法方法。结果表明,在渔饲料配方优化中应用遗传算法要优于目前饲料配方软件中大多采用的常规应用数学的优化方法。主要体现在单位产量饲料配方中的成本价格前者要低于后者。由于遗传算法能够解决因子较多,非线性程度高的问题,从而得出的饲料配方能更好的符合相关鱼种的营养含量标准。     

遗传算法及其在渔饲料配方中的应用

首先阐述了参数编码、初始群体、适应度函数、遗传操作以及算法控制参数等遗传算法基本原理,然后着重介绍其在渔饲料配方中的应用,在该应用中采用了实数编码、基于线性排名的选择、算术杂交和非一致变异等遗传算法方法。结果表明,在渔饲料配方优化中应用遗传算法要优于目前饲料配方软件中大多采用的常规应用数学的优化方法。主要体现在单位产量饲料配方中的成本价格前者要低于后者。由于遗传算法能够解决因子较多,非线性程度高的问题,从而得出的饲料配方能更好的符合相关鱼种的营养含量标准。     

蜂窝移动通信中基于遗传退火的固定频率分配

对蜂窝网无线规划中的频率分配问题进行了分析,用一种基于遗传退火的算法(GAEA)来求解,该算法是将模拟退火引进到遗传算法中,通过退火来减轻遗传算法的选择压力,利用退火法的爬山性能,改善了遗传算法的性能,提高了算法的收敛速度.实验证明了遗传退火算法的收敛速度比遗传算法快.     

基于云-遗传的分布式数据库查询优化方法

结合云模型和遗传算法的优点，提出了基于进化云的分布式数据库查询优化方法。仿真实验表明，该方法有效地提高了分布式数据库的查询优化效率。     

遗传算法及其在水利土木工程中的应用

对遗传算法的产生及研究现状进行了介绍和分析，研究探讨了该算法在水利土木工程中的应用情况，同时对遗传算法理论研究现状进行了分析，并对其未来研究发展方向及着重解决的问题进行了探讨，说明了遗传算法在水利土木工程中具有非常广阔的应用前景。     

基于混合智能算法的战略储油基地选址问题

混合智能算法是由随机模拟、单纯形法和遗传算法融合而成的一种智能化启发式算法。对于描述设备选址要求,根据建立战略储备的风险,通过运用不确定规划模型,解决了经济发展需求、路径长度受限情况下选择适合的储油基地问题。实例计算结果表明,与传统算法相比,混合智能算法能有效地解决储油基地的选址问题。     

一种基于数值遗传算法的求解TSP问题的演化算法

近年来,TSP问题的应用非常广,但当前较成熟的算法大都基于局部优化,而局部优化往往无法求出最优解。研究了一种求解TSP问题的演化算法,该算法兼顾了两父体算子与一元算子的优点,并具有免疫算法的免疫记忆功能,是一个具有较强的选择压力和适应地改变的变化算子的演化算法。与其他遗传算法和免疫算法相比具有收敛速度更快,结果更优的特点。