《基于遗传算法的智能组卷策略的研究》综述
姓名刘春晓
学号2015216104
专业计算机技术
班级3班
天津大学计算机科学与技术学院
2016年6 月
基于遗传算法的智能组卷策略的研究综述
摘要随着计算机技术的日益发展和成熟，手工组卷已经不能满足现代的教学要求，组卷智能化在提高教学质量方面发挥着很重要的作用。文章对组卷策略进行了梳理，对比和总结，主要介绍了遗传算法的优点，从遗传算法的基本流程、编码方式、适应度函数和遗传算子方面进行了归纳。接着分析了目前智能组卷策略研究的不足和挑战，最后总结了未来的研究设想。
关键词智能组卷；遗传算法；适应度函数；遗传算子
1引言
在计算机技术发展飞速的今天，计算机应用已经慢慢的渗透到人类生活的方方面面，计算机的辅助教学功能也逐渐得到大家的重视。传统的手工组卷受到人为因素的干扰，导致考试的效率低下，组卷智能化已经成为不可或缺的一项研究。
近几年，智能优化算法倍受人们关注，如人工神经网络、遗传算法，为解决复杂问题提供了新的方法，并在诸多领域取得了成功。组卷问题是一个在一定约束条件下的多目标参数优化问题，针对传统的组卷算法具有组卷速度慢、成功率较低、试卷质量不高等缺点。
智能组卷算法在计算机辅导教学过程中之所以受到重视，是因为它把人工智能技术运用到了组卷中，能够智能的设计试卷的结构和内容，包括试卷的难易度，知识点，题型和题量等，使生成的试卷质量比较高。
遗传算法（Genetic Algorithm ,GA）基于达尔文的进化论和孟德尔的自然遗传学说,是通过模拟遗传选择和自然淘汰的生活进化的随机搜索和全局优化算法（张建国 2009：1）。由于该算法有智能的搜索技术和收敛性质，可以较好的满足智能组卷的要求。所以本系统选用遗传算法作为组卷算法，以试题章节、试题数量、试题知识点、试题题型、试题难度分布、试题曝光度、覆盖度、试题分数分配等约束为组卷条件，使试卷有更好的区分度。
基于遗传算法的智能组卷系统实现了组卷智能化，优化了其他组卷算法的不足，使教学更加自动化和公平化，提高了组卷效率。
2研究现状分析
在系统开发之前，应该首先选择适合本系统的组卷算法，组卷算法的选取对试卷的质量影响颇大。只有相对好的算法才能提高组卷的效率和成功率。组卷实质上就是在复杂的约束条件下的多目标求最优解的问题，保证试卷能够满足教学要求。随着计算机技术和人工智能理论的飞速发展，各种组卷策略层出不穷，选择适合的算法对系统运行有极其重要的作用。分析各种组卷算法的优缺点，找到最优的组卷算法是该系统开发的任务之一。这里我们就现阶段组卷算法进行分析和总结。
现阶段比较成熟的组卷算法有随机选取法、回溯试探法和遗传算法。随机选取法生成的试题重复率较高，难以达到预期效果。回溯试探法是一种有条件的深度优化法，对于状态类型和题量较小的题库系统而言，组卷成功率高，但占用内
存。这两类组卷算法对于规模比较小的试题库有一定的作用，但可能满足不了用户对组卷效率的要求。由此可见想要设计一套较好的智能组卷系统，应该选择规模适当的试题库和较好的组卷算法。在现有的智能组卷算法中选择一个收敛性强、适应度大、效率高的算法显得尤为重要。
2.1 盲目随机选取算法
随机选取算法容易实现且逻辑简单，在早期组卷时曾被广泛应用。该算法有两种随机选择性：先设定属性的指标，随机从试题库中选取子集判断是否满足设定的指标，符合则加入试卷，不符合则选取下一子集判断，循环操作直到组成试卷；从试题库中随机抽取试题判断是否满足试卷约束条件。
在随机抽取试题过程中，要做到：随机、无法预知、不重复、优化数据存取及快速组卷等（池抚新等 1999）。随机选取算法具有组卷速度快、结构简单等优点，但试题的重复率偏高，生成的试题知识点分布不均匀，难以达到预期的组卷效果，多数会导致组卷不成功。
2.2 深度与广度搜索算法
深度与广度搜索算法又被称为回溯试探算法。该算法是基于随机选取算法，对其缺点进行改进后提出的。深度与广度搜索算法仍然沿用随机抽取的方法从试题库中抽题，但在抽题过程中如果不能找到符合要求的试题且组卷还没有结束时，就会采用深度与广度搜索算法，将最近的搜索结果丢弃，向上回溯到最近的一个节点重新找一条路径进行搜索，直到组卷结束。该算法放弃部分搜索结果而不是全部的结果，减少了盲目随机选取算法的无效循环，提高了组卷效率。
该算法在理论上是可以搜索到每一种组卷结果的，但随着试题库数量的增加，它的遍历次数也会成比例增加，所以该算法比较适合容量小的试题库。如果试题库过大，该算法会占用太多的内存资源，消耗组卷时间，所以该算法在实际应用中是受限制的。
2.3 遗传算法
遗传算法是在20世纪70年代由进化计算的创始人之一Holland提出的。该
算法用一系列程序步骤来表示将人造染色体的一个种群进化到另一个种群的过
程，该算法使用自然选择机制和遗传学的交叉、突变机制。到目前为止遗传算法
是相对比较适合应用到组卷系统中的，它是一种具有搜索功能的自适应全局的优
化算法。它利用选择算子、交叉算子和变异算子三大遗传算子，促进解集合类似
种群在自然界的自然选择和优胜劣汰，不断进化最终收敛到最优状态。遗传算法
跟传统算法比较优势有：对可能的解有广泛的标示性，应用更加普遍；能够对种
群进行全局搜索；在种群空间中的搜索具有随机性；对搜索空间没有特殊要求，
适用范围广。
遗传算法使用单个染色体适应性来实现繁殖，完全模拟自然界优胜劣汰，适
者生存的生存法则。进行繁殖时，交叉操作交换两个单独染色体的一部分，突变操作则改变染色体上随机选中的某个基因的值（Michael Negnevitsky 2005：221）。通过多次繁殖后，适应性低的染色体就会灭绝，适应性高的染色体会在之后的繁殖中占据主导地位。个体不断选择、交配和变异后产生下一代的种群，不断的进化产生符合自然环境的种群。
目前遗传算法在国内外的研究中很受欢迎，虽然在应用过程中还是存在不足之处仍需改进，但已经取得了很大的成果。遗传算法在借鉴了魏斯曼的自然选择理论和孟德尔遗传学后形成了比较成熟的算法体系，在智能组卷领域体现其特有的优势。
3问题与挑战
不管是随机选取法、回溯试探法还是遗传算法本身并不能直接解决智能组卷问题，遗传算法的不足之处如下：
1、早熟。这是最大的缺点，即算法对新空间的探索能力是有限的，也容易收敛到局部最优解。
2、大量计算。涉及到大量个体的计算，当问题复杂时，计算时间是个问题。
3、处理规模小。目前对于维数较高的问题，还是很难处理和优化的。
4、难于处理非线性约束。对非线性约束的处理，大部分算法都是添加惩罚因子，这是一笔不小的开支。
5、稳定性差。因为算法属于随机类算法，需要多次运算，结果的可靠性差，不能稳定的得到解。
所以我们需要对遗传算法进行改进，将遗传算法中的生物学机制与试卷体系进行类比和编码，其中还有一个关键问题，如何把智能组卷问题映射为一个数学模型。只有在这个基础上，遗传算法才能发挥出作用。
4未来研究方向
目前遗传算法组卷的研究，从理论到应用都有了一定的基础，但是还存在一些可以完善的地方。具体而言，今后的方向可以有以下两个方面：
（1）遗传算法与其他计算智能方法的相互渗透和结合，使组卷效率更高：遗传算法正日益和神经网络、模糊推理以及混沌理论等其他职能计算方法相互渗透和结合，以到达取长补短的作用。
（2）并行处理遗传算法：并行处理的遗传算法的研究不仅是遗传算法本身的发展，而且对于新一代智能计算机体系结构的研究都是十分重要的，遗传算法在操作上具有高度的并行性。并行处理后的遗传算法组卷将大大提高组卷速度，优化试卷结构。
在试题库种群规模方面，应该增加试题库的种群规模和试题库的试题数量，在大量试题库的基础上运用遗传算法，且能优化遗传算法中的早熟现象，使生成
的试卷更合理，更人性化。
参考文献
[1]吴晓琴.基于遗传算法智能组卷的研究与应用[D].导师：李龙澍.安徽大学,2007.
[2]徐江涛.基于遗传算法的试题库智能组卷研究[D].导师：全惠云.湖南师范大学,2007.
[3]冯长宝.一种基于遗传算法的智能组卷模型与系统设计[D].导师：周东岱.东北师范大学,2010.
[4]王新华.基于混合遗传算法的智能组卷问题研究[D].导师：刘大有.吉林大学,2010.
[5]吴根忠.基于遗传算法的电工学组卷程序的研究.现代电子技术,2015,38(20);78-80
[6]何勇.基于遗传算法实现普通话测试的自动组卷技术的分析.电子测试,2014,(2X);31-32
[7]李静.基于遗传算法的自动组卷问题的研究.计算机与数字工程,2015,43(6);994-996
[8]韦忠庆.基于遗传算法的成人高等教育智能组卷模型的研究与设计.桂林航天工业学院学报,2015,20(1);14-19
[9]李迎斌,王春峰,刘丽萍.基于遗传算法的试题库组卷研究.数字技术与应用,2014,(12);128-129
[10]施俊.基于遗传算法的自动组卷研究与应用.电脑知识与技术：学术交流,2014,(12);8160-8162
[11]莫家庆.基于遗传算法的组卷系统的研究与实现.福建电脑,2014,30(6);31-33
[12]龚利.浅析遗传算法在智能组卷系统中的应用.电脑知识与技术：学术交流,2014,(6);3879-3880
[13]刘淳安,赵天绪,刘燚等.智能组卷的优化模型及求解的遗传算法[J].科学技术与工程,2010,10(30):7454-7456
[14]路宽,李冬梅,余婧等.基于元胞遗传算法的智能组卷的研究[J].计算机工程与应用,2013,(16):57-60.
[15]李广水,马青霞,陈爱萍等.分布式遗传算法在智能组卷中的Web services实现[J].计算机应用研究,2010,27(11):4185-4188.
[16]刘英,王琰,杜焱等.基于自适应算子的遗传算法多目标智能组卷[J].计算机应用,2008,28(z1):22-24.
[17]白东玲,郭绍永.改进的遗传算法在智能组卷系统中的应用研究[J].计算机与现代化,2013,(3):25-28.
[18]陈汶滨,蒋萍萍,刘义军等.遗传算法在试题库智能组卷中的应用[J].计算技术与自动化,2007,26(3):35-37,56.
[19]赵培玲,周根宝,李玉鹏等.基于遗传算法的组卷问题的研究与设计[J].内蒙古农业大学学报（自然科学版）,2010,31(4):237-243.
[20] Cen, G ; Dong, YX ; Gao, WL;et al. (2010). A implementation of an automatic examination paper generation system. MATHEMA TICAL AND COMPUTER MODELLING. 51.1339-1342. [21] Chen Xiao-dong; Wang Hong-yu.(2005). An exam-paper generating algorithm based on improved genetic algorithm. Journal of the Harbin Institute of Technology. 37.1174-1176.
[22] Liu Shushu ; Wang Fengying.(2010). Strategy and Realization of Auto-generating Exam Paper Based on Genetic Algorithm. 2010 Proceedings of International Conference on Artificial Intelligence and Computational Intelligence. 478-482.
[23] Han, Lingling; Li, Xiaodong.(2014). The analysis of exam paper component based on genetic algorithm. Proceedings - 2014 4th International Conference on Communication Systems and Network Technologies. 561-564.
[24] Gao Huming; Li Yanjie.(2009). An autogenerating test paper method based on latent semantic analysis and genetic algorithm. 2009 International Workshop on Intelligent Systems and Applications..1174-1178.
[25] Zhang Qi; Zheng He-Rong;et al.(2009). Study on intelligent test paper generating system based on optimized genetic algorithm. Journal of Zhejiang University of Technology.37.306-310.
[26] Song Yan; Yang Guoxing.(2013). A Genetic Algorithm of Test Paper Generation. Computer Engineering and Design.897-901.
[27] Kui Zhang ; Lingchen Zhu.(2015).Application of improved genetic algorithm in automatic test paper generation. 2015 Chinese Automation Congress .495-499.
[28] Weimin Zuo; Xuyu Xiang; et al.(2014). Research on Intelligent Test Paper Based on Hierarchical and Self-Adapting Genetic Algorithm. Information Technology Journal.13.2666-2673.
[29] Cong Yan. (2014). Test Paper Composition Design on College English Examination Based on Genetic Algorithm. Applied Mechanics and Materials.4585-4588.
[30] Nie Jun.(2014).An improved genetic algorithm for intelligent test paper generation. 2014 7th International Conference on Intelligent Computation Technology and Automation.72-75.
遗传算法综述 摘要：遗传算法(genetic algorithms，GA)是一类借鉴生物界自然选择和自然遗传机制的随机搜索算法，适用于处理传统搜索方法难以解决的复杂和非线性优化问题。遗传算法可广泛应用于组合优化、机器学习、自适应控制、设计和人工生命等领域，是21世纪有关智能计算中的重要技术之一。 本文通过对相关论文的查阅和整理，对遗传算法的研究现状和发展趋势进行了综述并谈论了一些自己的看法。 关键词：遗传算法研究现状发展趋势 引言：遗传算法是模拟遗传选择和自然淘汰的生物进化过程的计算模型，由美国Michigan大学的Holland教授于1969年提出，后经DeJong、Goldberg 等人归纳总结，形成一种新的全局优化搜索算法[1]。遗传算法以其简单通用、鲁棒性强、适于并行处理以及高效、实用等显著特点，在各个领域得到了广泛应用，取得了良好效果，并逐渐成为重要的智能算法之一。 1、遗传算法的基本原理 与传统搜索算法不同, 遗传算法从一组随机产生的初始解,称为群体, 开始搜索过程。群体中的每个个体是问题的一个解,称为染色体。这些染色体在后续迭代中不断进化, 称为遗传。遗传算法主要通过交叉、变异、选择运算实现。交叉或变异运算生成下一代染色体, 称为后代。染色体的好坏用适应度来衡量。根据适应度的大小从上一代和后代中选择
一定数量的个体, 作为下一代群体, 再继续进化, 这样经过若干代之后, 算法收敛于最好的染色体, 它很可能就是问题的最优解或次优解。“遗传算法中使用适应度这个概念来度量群体中的各个个体的在优化计算中有可能到达最优解的优良程度。度量个体适应度的函数称为适应度函数。适应度函数的定义一般与具体求解问题有关”[2]。 遗传算法包含两个数据转换操作，一个是从表现型到基因型的转换，将搜索空间的参数或解转换成遗传空间中的染色体或个体，这个过程称为编码（coding）。另一个是从基因型到表现型的转换，即将个体转化成搜索空间中的参数，这个过程称为译码（decode）。 图1展示了遗传算法的运行过程。 图1 遗传算法的运行过程示意图 2、遗传算法的研究现状 2.1 遗传算法研究方向[3] 在遗传算法的研究中，目前主要有三类研究方向： ⑴研究遗传算法本身的理论基础。 ⑵用遗传算法作为工具解决工程问题。主要是进行优化，关心的是能
《题库智能组卷系统》组卷功能说明教师用户可以利用系统提供的智能出卷、标准化出卷、搜索出卷、知识点题数出卷、知识点题分出卷共五种方式进行出卷。为了使生成的试卷更适合用户的要求，系统还提供了手工调整试卷功能。试卷生成后如果没有达到教师期望的目的，还可以在“试卷修改”页面中，进行手工试卷调整，包括试题添加、删除、更换，试题顺序调整，题型顺序调整和试题题分修改等多种手工修改试卷方式。 1.智能出卷 智能出卷的基本思路是在用户提出的较为模糊和较少要求的情况下，高度智能化地生成满意的试卷。 智能出卷分四个步骤，下面将具体介绍其操作。 第1步设置试卷参数 鼠标点击“智能出卷”按钮，进入到智能出卷，如图1-1所示。 【说明】：“试卷名称”是试卷的标题，默认为“未命名智能试卷”，可以重新命名，也可以在试卷生成后再修改名称，但是试卷名称不得为空。 “试卷总分”默认为100分，可以修改，总分可以限制在10～300分。 “出卷份数”表示系统支持同时生成多份试卷。 “难易比例”，试题库中每道题都有难度系数指标，难度系数即试题的失分率，分为易(0－25)、中(30－55)、难(60－100)三个等级。试卷默认的易中难比例为5：3：2，此比例可根据老师的教学要求自行调整。 图1-1 第2步选择试题范围
如图1-2所示：首先选择教材，然后在“选择考试范围”栏中选择考试的范围，“全部内容”中显示了本教材中所有试题范围，用鼠标点击“＋”图标，可以打开下面的章节的具体内容，在用鼠标点击“+”图标可以继续点开下面的内容。然后用鼠标点击要选择内容前的图标，被选择的内容前的选择框变为。选择范围确定后，点击下一步，进入下一步的设置。 图1-2 第3步确定题型题分 如图1-3，页面中显示了每个题型中拥有的试题数量。在“出卷总分设置”框中添加各题型分数，使“目前输入的试题总分”与“试卷要求总分”相同后，点击下方的“完成”按钮，开始出卷。 【注】：不同学科看到的题型列表和题型对应的总题数会不同；即使同一学科内，选择不同的选题范围和试卷参数，也可能会有不同的题型和总试题数。当试题总数量等于零时，将不显示相应题型。
3D S可以方便灵活地实现对动画帧中的节点、平面、边界、颜色和轨迹的控制,同时对于物体变形测试,轴心点设置以及段信息的获取和设置也能方便准确地进行。而keyscri p t语言的优点体现在于其精确的数值计算,它可以对大量的复杂无序的动作进行随机计算,节省了制作时间。利用keyscri p t编辑器还能方便地进行语法检查并能直接执行无语法错误的keyscri p t程序。3 内存管理方式 3D S使用了独特的Pharlap的虚拟内存管理技术(VMM 386),该技术使3D—Studi o能使用比物理内存RAM更大的空间。这种内存管理方式与W indow2 s T M的内存管理方式不同,因此一般不在W indow s T M中使用3D S,若要在W indow s T M中使用,则必须在W in2 dow s T M的system1in i中的[386Enh]段加入device= Pharlap1386,使W indow s T M可以使用Pharlap的内存管理方式。这种内存管理方式也有一些不足,如内存一旦被3D S使用将不被释放。 4 硬件环境 使用3D—Studi o410的最低配制要求是386(带协处理器)的主机,至少8兆的内存,20兆以上的硬盘空间,DO S313以上的操作系统。由于3D S中的许多图形渲染时都必须使用256色,且观看3D S自带的一些图片也必须在256色的模式下进行,所以需要SV GA或TV GA的显示器。输入系统除了键盘外还必须配有鼠标,也可选配数字化仪。由于3D S在进行图形渲染需要大容量的内存,同时还需要CPU进行大量的浮点运算,因此当CPU为Pen tium T M、内存为16兆以上,并使用高性能的显示卡时,3D S的动画制作功能才能得到完美体现。由于ln tel公司生产的CPU兼容的Cyrix、AM D等公司生产的CPU浮点运算能力较差,因此CPU首选还是ln tel公司的产品。外设还可选配数字化仪等设备,对于需要直接输出到磁带上,并使用电视进行播发的动画,则可选用专业用户级以上的逐帧录向设备。 总之,3D S是一个庞大的图形工作平台,学会使用它的各种命令,发挥软件的强大功能绘制出优秀的动画和图象,还需要有很多技巧。随着人们对3D S认识加深,以它为平台开发的动画产品必将更加丰富多彩。 参考文献 1 [美]S1D1E lli o t,P1L1M iller,G1G1Pyro s著1黄心渊等译《3D—Studi o技术精粹》1北京:清华大学出版社。 19951 2 黄心渊 左正兴编著1《3D—Studi o(310—410)技术与应用》1北京:清华大学出版社,19961 收稿日期:1996年11月18日 遗传算法综述 艾丽蓉 何华灿 (西北工业大学计算机系 西安710072) 摘 要 本文从计算智能与进化计算谈起,论述了遗传算法产生的思想及背景,遗传算法的应用与研究现状,以及遗传算法研究的基本内容与问题,最后对GA与传统搜索算法做一比较,并概述了GA在并行处理应用中的潜在优势。 关键词 计算智能 进化计算 遗传算法(GA) 0 序言 长久以来,人们一谈到人工智能就马上想到逻辑、规则、推理,而一谈到计算就联想到矩阵运算、解微分方程,似乎智能和计算是两股道上跑的车。人工智能在走过几十年的曲折道路之后,人们经过认真反思,不断探索新的研究途径,于是一个新的研究方向——计算智能应运而生。 研究思维模拟主要的道路有四条:基于心理学的符号处理方法,基于社会学层次型的智能体方法,基于生物进化的进化计算与自适应方法,以及基于生理学的人工神经网络方法。目前聚集在计算智能大旗下的主要是后两个学派的学者(加上从事模糊计算和混沌计算等方面的学者)。实际上,只要在计算机上,模拟人类思想,不管用什么方法,其本质的基础还是二进制数字计算,在当前符号处理主宰人工智能的情况下,更应强调遗传算法等以数字计算为基础的方法对推动人工智能发展有着特殊的作用。 计算技术的飞速发展使大规模的现实模拟成为可能,而针对社会和生物现象的模拟,对人类认识自身及其环境具有重大意义,进化是其中最为诱人的领域之一。人的智能是从哪里来的?归根结底是从生物进化中得来的,反映在遗传基因中,脑的结构变化也是通过基
批量上传模板使用说明 一、什么是标签？ 1.标签是提供程序自动识别、提取试题的指定字符串，中间不能加空格等其他字符，且各个标签之间的内容要换行隔开，请参看文档后面的示例。 2.必有标签有：【题文】【答案】【详解】【结束】4个，并且顺序固定。 3.【答案】标签后面的内容，用来做客观题的标准答案，程序只提取“纯文本”无格式内容（最多200字符），非纯文本格式或多于200字符的答案请放入【详解】标签。 4.Word模版提供插入标签的快捷工具栏和快捷键，对应关系是： 【题文】F5【答案】F6【详解】F7【结束】F8格式检查F9 二、关于试题的题号： 试题的题号是不需要的，若有也请放在【题文】标签之外(之前)，那样程序就不会提取它；程序会在处理完毕后，按照试题在word中出现的先后顺序重新安排题号。 三、试题录入的细节注意事项： 1.必须先安装题库智能组卷系统中的试卷排版插件，在word中使用其中的标签项（手动 输入的标签符号题库系统不识别），试卷排版插件可以在题库首页下载。 2.试题的文字格式以“宋体五号字黑色”为标准。 3.段落缩进以及行距最好使用Word的默认值。 4.插入图片、绘图等对象时要注意元素的位置要及试题位置对应，环绕方式请使用“嵌入型”。 5插入公式请使用Word自带的公式编辑器进行编辑。 6.不要使用任何域代码的内容（包括各种自动编号、项目符号）。 7.不要使用网页不支持的显示格式（比如加点字、带圈字、加框字、下波浪线、双下划线等）。 8.试题标签加完以后请使用“格式检查”进行检测，格式检查可以检测出的题目才可以导入题库中。 9.导入的试题文档需为.doc格式，word2007保存的.docx格式文档不能被识别。
一、粒子群算法 粒子群算法，也称粒子群优化算法（Particle Swarm Optimization），缩写为PSO，是近年来发展起来的一种新的进化算法(（Evolu2tionary Algorithm - EA）。PSO 算法属于进化算法的一种，和遗传算法相似，它也是从随机解出发，通过迭代寻找最优解，它也是通过适应度来评价解的品质，但它比遗传算法规则更为简单，它没有遗传算法的交叉(Crossover) 和变异(Mutation) 操作，它通过追随当前搜索到的最优值来寻找全局最优。这种算法以其实现容易、精度高、收敛快等优点引起了学术界的重视，并且在解决实际问题中展示了其优越性。 优化问题是工业设计中经常遇到的问题,许多问题最后都可以归结为优化问题.为了解决各种各样的优化问题,人们提出了许多优化算法,比较著名的有爬山法、遗传算法等.优化问题有两个主要问题:一是要求寻找全局最小点,二是要求有较高的收敛速度.爬山法精度较高,但是易于陷入局部极小.遗传算法属于进化算法(EvolutionaryAlgorithms)的一种,它通过模仿自然界的选择与遗传的机理来寻找最优解.遗传算法有三个基本算子:选择、交叉和变异.但是遗传算法的编程实现比较复杂,首先需要对问题进行编码,找到最优解之后还需要对问题进行解码,另外三个算子的实现也有许多参数,如交叉率和变异率,并且这些参数的选择严重影响解的品质,而目前这些参数的选择大部分是依靠经验.1995年Eberhart博士和kennedy博士提出了一种新的算法;粒子群优化(ParticalSwarmOptimization-PSO)算法.这种算法以其实现容易、精度高、收敛快等优点引起了学术界的重视,并且在解决实际问题中展示了其优越性. 粒子群优化(ParticalSwarmOptimization-PSO)算法是近年来发展起来的一种新的进化算法(Evolu2tionaryAlgorithm-EA).PSO算法属于进化算法的一种,和遗传算法相似,它也是从随机解出发,通过迭代寻找最优解,它也是通过适应度来评价
遗传算法发展前景概况 （华北电力大学电气与电子工程学院，北京102206） 摘要：遗传算法是一种基于生物进化自然选择和群体遗传机理的，适合于复杂系统优化的自适应概率优化技术，近年来，因为遗传算法求解复杂优化问题的巨大潜力和在工业工程领域的成功应用，这种算法受到了国内外学者的广泛关注，本文介绍了遗传算法研究现状和发展的前景，概述了它的理论和技术，并对遗传算法的发展情况发表了自己的看法。 关键词：遗传算法; 遗传算子；进化计算；编码 GENERAL GENETIC ALGORITHM DEVELOPMENT PROSPECT (North China Electric Power University Electrical And Electronic Engineering Institute,Beijing102206) ABSTRACT: Genetic algorithm is a kind of natural selection and based on biological evolution of genetic mechanism, group suitable for complex system optimization adaptive probability optimization technique, in recent years, because genetic algorithm for solving complex optimization problem in the huge potential and the successful application of industrial engineering, this algorithm was wide attention of scholars at home and abroad, this paper introduces the current research status and development of genetic algorithm, summarizes the prospect of its theory and technology of genetic algorithm and the development of published opinions of his own. KEY WORD: Genetic algorithm; Genetic operator; Evolutionary computation; coding 1.引言 现在，遗传算法正在迅速发展，遗传算法与其很强的解决问题能力和适合于复杂系统的自适应优化技术渗透到研究和工业工程领域，在电力系统，系统辨识,最优控制，模式识别等领域有了很广泛的应用，取得了很好的效果。 2.遗传算法基本思想 遗传算法是建立在自然选择和群体遗传学基础上的随机，迭代和进化，具有广泛适用性的搜索方法，所有的自然种类都是适应环境而生存，这一自然适用性是遗传算法的主要思想。 遗传算法是从代表问题可能潜在解集的一个种群开始的，而一个种群则经过基因编码的一定数目的个体组成。每个个体实际上是染色体带有特征的实体。染色体作为遗传物质的主要载体，其内部基因决定了个体的外部表现。因此，在一开始就要实现外部表现到内部基因的映射，即编码工作，通常采用二进制码。初始种群产生之后，按照适者生存和优胜劣汰的原则，逐代演化产生出越来越好的近似解。在每一代，根据问题域中个体的适应度大小选择个体，并借助自然遗传学的遗传算子进行组合交叉和变异，产生出代表新的解集和种群，这种过程将导致种群像自然进化那样产生比前代更适应于环境的后代种群，末代种群中的最有个体经过解码，可以作为问题近似最优解。 遗传算法采纳了自然进化模型，如选择，交叉，变异等，计算开始时，种群随机初始化产生一定数目的N个个体，并计算每个个体的适应度函数，如果不满足优化准则，就开始新一代的计算。为了产生下一代，按照适应度选择个体父代进行基因重组二产生子代。所有的子代按一定的概率进行变异，子代取代父代构成新一代，然后重新计算子代的适应度。这一过程循环执行，直到满足优化准则为止。 3.遗传算法基本操作
在线考试评测解决方案
1. 系统概述 智能出卷评测系统是针对中小学题高升学率、增加学生知识面的需求，结合INTERNET 和多媒体技术定制的一套系统。它经过五千多所学校使用，在实践中取得了很好的效果；教师可以通过它题供的海量的静、动态学科试题资源库和智能的出卷系统轻松的作出针对不同教学目的的各类试题，以满足教学要求。智能出卷评测系统分为"智能出卷系统"和"在线考试评测系统" 。 智能出卷的基本思路是要在老师题出的较为模糊的和较少要求的情况下高度智能化地生成满意的试卷。 网络考试评测系统是通过网上进行考试和作业的结果，智能检测出学生知识点薄弱的地方，并通过计算机智能的手段对其加以辅导。 智能出卷的基本思路是要在用户题出的较为模糊的和较少要求的情况下高度智能化地生成满意的试卷。智能出卷的习题来源--题库也不是一成不变的，新版的"龙教智囊智能出卷系统" 附带的题库中，一些不符合新教材的题目被换掉，增加了许多新的更灵活的以及近期各大考中用到的好题，这都是龙教智囊公司的老师们辛勤劳动的结果，相信一定会对学校的教学工作有帮助。 智能出卷题供了符合教师习惯的抽取整卷、智能出卷、专业出卷、知识点题分出卷，知识点题数出卷，输入题号出卷和搜索组卷多种方式，特别是操作起来很容易，实现了出卷智能化、自动化。新版智能出卷系统还新增了试题浏览功能、增强了查看、检索试题分布功能、试卷模板功能（如有期中考试及期末考试及选拔考试等）、套卷功能（就是已经组好的卷子，如历年高考试题集及一些其它比较好的套卷）、混合组卷功能、英语听力题的语音功能、试卷处理、权限管理、留有题目升级的接口(以后通过更新的数据包即可扩充题量)、题库加密、WORD排版功能、对组卷的算法进行再一次的优化。对新增加的题库的结构进行转化，使其能够被目前智能出卷所使用。 2．系统架构
第1期作者简介：李红梅（1978-），女，湖南湘潭人，硕士，广东白云学院讲师，研究方向为演化计算。 1遗传算法的发展史 遗传算法（Genetic Algorithms ）研究的历史比较短，20世纪 60年代末期到70年代初期，主要由美国家Michigan 大学的John Holland 与其同事、学生们研究形成了一个较完整的理论 和方法，遗传算法作为具有系统优化、适应和学习的高性能计算和建模方法的研究渐趋成熟。我国对于GA 的研究起步较晚，不过从20世纪90年代以来一直处于不断上升中。 2遗传算法的基本思想 遗传算法是从代表问题可能潜在解集的一个种群（popu- lation ）开始的，而一个种群则由经过基因（gene ）编码（coding ） 的一定数目的个体（individual ）组成。每个个体实际上是染色体（chromosome ）带有特征的实体。染色体作为遗传物质的主要载体，即多个基因的集合，其内部表现是某种基因组合，它决定了个体的形状的外部表现。初代种群产生之后，按照适者生存和优胜劣汰的原理，逐代（generation ）演化产生出越来越好的近似解。在每一代中，根据问题域中个体的适应度（fitness ）、大小挑选（selection ）个体，借助于自然遗传学的遗传算子（genetic operators ）进行组合交叉（crossover ）和变异（mutation ），产生出代 表新的解集的种群。这个过程将导致后生代种群比前代更加适应环境，末代种群中的最优个体经过解码（decoding ），可以作为问题近似最优解。 3遗传算法的一般流程 （1）随机产生一定数目的初始种群，每个个体表示为染色 体的基因编码； （2）计算每个个体的适应度，并判断是否符合优化准则。若符合，输出最佳个体及其代表的最优解并结束计算，否则转向第3步； （3）依据适应度选择再生个体，适应度高的个体被选中的概率高，适应度低的个体可能被淘汰； （4）执行交叉和变异操作，生成新的个体；（5）得到新一代的种群，返回到第2步。 4遗传算法的特点 传统的优化方法主要有三种：枚举法、启发式算法和搜索 算法： （1）枚举法 可行解集合内的所有可行解，以求出精确最 优解。对于连续函数，该方法要求先对其进行离散化处理，这样就可能因离散处理而永远达不到最优解。此外，当枚举空间比较大时，该方法的求解效率比较低，有时甚至在目前先进计算机工具上无法求解。 （2）启发式算法 寻求一种能产生可行解的启发式规则， 以找到一个最优解或近似最优解。该方法的求解效率比较高，但对每一个需求解的问题必须找出其特有的启发式规则。这个启发式规则一般无通用性，不适合于其它问题。 （3）搜索算法 寻求一种搜索算法，该算法在可行解集合 的一个子集内进行搜索操作，以找到问题的最优解或者近似最优解。该方法虽然保证不了一定能够得到问题的最优解，但若适当地利用一些启发知识，就可在近似解的质量和效率上达到一种较好的平衡。 遗传算法不同于传统的搜索和优化方法。主要区别在于： ①遗传算法直接处理问题参数的适当编码而不是处理参数集 本身。②遗传算法按并行方式搜索一个种群数目的点，而不是 遗传算法概述 李红梅 （广东白云学院计算机系，广东广州510450） 摘要：遗传算法是一种全局优化的随机搜索算法。它是解决复杂优化问题的有力工具。在工程设计、演化硬件电路 设计以及人工智能等方面应用前景广阔。系统地介绍了遗传算法的发展史、基本思想、特点、主要应用领域等相关方 面。 关键词：遗传算法；搜索；进化；最优解；种群中图分类号：TP312 文献标识码：A 文章编号：1672-7800（2009）01-0067-02 第8卷第1期2009年1月 Vol.8No.1Jan.2009 软件导刊 Software Guide
第一章 遗传算法概述 2.1 遗传算法的原理 遗传算法是模拟生物在自然环境中的遗传和进化过程而形成的一种概率搜索算法。遗传算法是通过模拟生物在自然界中的进化过程而形成的一种优化算法。它的基本过程是：先随机生成规模为m 的初始群体，对连续优化问题即为n R 中的m 个点},,,{,},,,,{21112111m n m m m n x x x x x x x x ==的集合， },,,{21k sn k s k s x x x 称为个体或者染色体，通过对该群体使用遗传操作（包括选择、 交叉、变异遗传算子），得到m 个新的个体，这称作是群体的一代进化，相当于通常优化算法的一次迭代。不断重复这一过程，可看作是群体的逐代演化，直到得到满足给出条件的问题解。 可以看出，遗传算法的关键是进化过程中使用的遗传操作即选择、交叉和变异等算子，这些算子决定了下一代个体的具体位置。 选择策略对算法性能的影响有举足轻重的作用。常用的是轮盘选择和精英选择。 a. 轮盘选择（roulette wheel selection ） 选择的基本依据是个体的适应值，对于最小化问题，个体适应值取为)()(x f K x f -='，其中K 为一足够大的正数。定义第i 个体的选择概率为 ∑=''=n i i i i x f x f p 1)() ( （3） 其意义是个体适应值在群体总适应值中所占的比例。生成一个[0,1]内的随机数r ，若i i p p p r p p p +++≤<+++- 21110，假设00=p ，则选择个体i 。 b. 精英选择（elitist selection ） 当下一代群体的最佳个体适应值小于当前群体最佳个体的适应值，则将当前群体最佳个体或者适应值大于下一代最佳个体适应值的多个个体直接复制到下一代，随机替代或替代最差的下一代群体中的相应数量的个体。 交叉与变异算子的选取与编码方式有关，最初Holland[5] 提出的遗传算法是采用二进制编码来表现个体，后来发现对连续优化问题采用浮点编码可以达到更好的效果，因此越来越多地使用浮点编码，下述的交叉、变异算子针对浮点编码。
毕业设计（论文）开题报告 学院：计算机与信息工程学院2015 年 3 月23日（学生填表）课题名称遗传算法在玻璃原料配送中的应用 学生姓名专业班级计算机科学 与技术课题类型软件工程 指导教师职称高工课题来源工程 1. 综述本课题国内外研究动态，说明选题的依据和意义 1.1国内外研究动态 遗传算法(GeneticAlgorithms，简称GA)是人工智能的一个重要分支，它是基于Darwin的进化论，在计算机上模拟生命进化机制而发展起来的一门新学科，是生命科学与工程科学互相交叉、互相渗透的产物[21。遗传算法由美国J．H．Holland博士1975年提出，随后经过多年的发展，取得了丰硕的应用成果和理论研究的进展。从1985年在美国卡耐基一梅隆大学召开的第一届国际遗传算法会议到1997年，遗传算法作为具有系统优化、适应和学习高性能计算和建模方法的研究渐趋成熟。 遗传算法本质上是一种求解问题的高度并行性全局搜索算法，它能在搜索过程中自动获取和积累有关搜索空间的知识，并自适应地控制搜索过程以求得最优解。遗传算法提供了一种求解复杂系统优化问题的通用框架，它不依赖于问题的具体领域，对问题种类有很强的鲁棒性，因此能够广泛应用于很多学科。目前，遗传算法已在函数优化、组合优化、生产调度问题、自动控制、机器人智能控制、图像处理、模式识别、人工智能、遗传程序设计和机器学习等领域投入应用并取得了一定的成果。 旅行商问题(Traveling Salesman Problem，简记TSP)是组合数学中一个古老而又困难的问题，也是一个典型的组合优化问题，现已归入NP完备问题类。TSP问题的历史可以分成以下几个阶段：1800—1900年，首次描述TSP；1920．1950年；开始意识到TSP是“难"的问题；1954年，42城市的TSP求得最优解。从1954年以后，求得最优解的TSP规模越来越大，在1998年，求得了模拟美国13509个城镇的最优解，在2001年，求得了模拟德国15112个城镇的最优解，但这一工程代价也是巨大的，据报道，解决15112个城镇问的TSP共使用了美国Rice大学和普林斯顿大学之间网络互连的、由速度为500MHz的CompaqEV6 Alpha处理器组成的110台计算机，所有计算机花费的时间之和为22．6年。在2004年5月，瑞典求得了模拟24978城镇的最优解。TSP可能的路径总数与城市数目n是成阶乘数增长的，故一般很难精确地求出其最优解。对于这个问题，不论是传统的动态规划、分枝定界法、贪婪法等方法，还是在近些年的研究过程中采用的各种智能优化算法(禁忌搜索(tabusearch)、模拟退火(simulated annealing)、遗传算法(genetic algorithms)、人工神经网络(neural networks)、蚂蚁算法(ant algorithms)以及它们的混合算法等)，都存在解的质量不高或者需要的时空开销太大等问题。 1.2选题依据及意义
本技术提供了一种智能组卷考试系统，系统，包括用户终端和网络侧服务器；网络侧服务器，包括题库模块，存储考试题目，并根据考试题目对应的知识点类型，将考试题目分别存储于知识点类型对应的题库存储单元中；用户终端，接收用户传输的组卷规则信息，并向网络侧服务器传输；网络侧服务器，还包括智能组卷模块；智能组卷模块，根据用户终端传输的组卷规则信息从题库模块中抽取考试题目组成考试试卷，并将考试试卷向用户终端传输；用户终端，还接收用户基于考试试卷的作答信息，并将作答信息向网络侧服务器传输；网络侧服务器，还包括判卷模块；判卷模块，对用户终端传输的作答信息进行批阅，获取考试成绩，并将考试成绩向用户终端传输。 权利要求书 1.一种智能组卷考试系统，其特征在于，所述系统，包括用户终端和网络侧服务器，其中， 所述网络侧服务器，包括题库模块；所述题库模块，用于存储考试题目，并根据所述考试题目对应的知识点类型，将所述考试题目分别存储于所述知识点类型对应的题库存储单元中； 所述用户终端，用于接收用户传输的组卷规则信息，并将所述组卷规则信息向所述网络侧服务器传输； 所述网络侧服务器，还包括智能组卷模块；所述智能组卷模块，用于根据所述用户终端传输的所述组卷规则信息从所述题库模块中抽取所述考试题目组成考试试卷，并将所述考试试卷向所述用户终端传输； 所述用户终端，还用于接收用户基于所述考试试卷的作答信息，并将所述作答信息向所述网络侧服务器传输； 所述网络侧服务器，还包括判卷模块；所述判卷模块，用于对所述用户终端传输的所述作答信息进行批阅，获取考试成绩，并将所述考试成绩向所述用户终端传输。
2.如权利要求1所述的系统，其特征在于， 所述组卷规则信息，包括所述考试题目的数量、题目类型、难易程度以及知识点类型中的一种或多种； 所述用户终端，包括智能手机、平板电脑或者个人电脑中的一种或多种。 3.如权利要求1所述的系统，其特征在于， 所述系统，还包括教师端； 所述教师端，用于对所述网络侧服务器的所述存储模块中的考试题目进行增加、删除、修改或者查询。 4.如权利要求1所述的系统，其特征在于， 所述用户终端，还用于记录用户基于所述考试试卷作答所耗费的答题时间信息，并将所述答题时间信息向所述网络侧服务器传输； 所述网络侧服务器，还包括成绩分析模块；所述成绩分析模块，用于接收所述判卷模块获取的所述考试成绩，并根据所述考试成绩和所述答题时间信息分析用户对所述考试题目对应的知识的掌握情况。 5.如权利要求1所述的系统，其特征在于， 所述网络侧服务器，还包括试卷存储模块和试题分析模块； 所述试卷存储模块，用于存储所述智能组卷模块获取的所述考试试卷、所述用户终端传输的所述作答信息和所述判卷模块传输的所述作答信息对应的所述考试成绩；
随着经济社会的迅猛发展, 人类科学研究与生产活动的广度与深度都大大拓展了，其中涌现出的大量具有各种非线性、不确定、不能精确解析以及建模机理复杂的新课题对信息与控制科学提出了前所未有的挑战。正是在这种背景下, 各种智能信息处理算法如雨后春笋般涌现出来。作为智能信息处理算法中的重要一员, 遗传算法近年来以其独特而卓越的性能引起了人们的广泛关注。 对于以往难以解决的函数优化问题,复杂的多目标规划问题，工农业生产中的配管、配线问题，以及机器学习，图象识别，人工神经网络的权系数调整，模糊规则的优化和网络构造等诸多问题，GA遗传算法以其出色的表现，已成为人们最常用也最有效的方法之一。虽然GA在许多优化问题中都有成功的应用，但其本身也存在一些不足，主要有：局部搜索能力弱、存在早熟成熟现象、收敛于局部最优解、随机漫游或振荡等现象，从而影响算法的收敛性能，降低了遗传算法的可信度。如何改善遗传算法的搜索能力和提高算法的收敛速度，使其更好地解决实际问题,是各国学者一直努力探索的一个主要课题。纵观成百上千的对遗传算法进行改进研究文献，其主要改进措施多集中在以下几个方面： 1．对遗传算法本身缺点的改进 1.1对遗传算法本身单一缺点的改进 种群人们主要关心的是种群中个体分布的多样性，这决定着运行遗传算法的效率，与种群相关的因素有种群个数，种群大小及初始种群三方面。
种群个数采用多个子种群并行搜索思想，有效避免了欺骗问题，提高了算法成功的概率。典型应用就是小生境技术，种群由M个子种群组成，每个子种群独立进化，种群间通过种群迁移∕移民等机制完成个体信息的交换。借鉴子种群并行的思想，发展出了思维进化计算，文献【】和量子衍生遗传算法或量子衍生进化计算，文献【】【】。 种群大小大致有固定种群和动态种群两种。 初始种群对于初始种群的生成主要是改变了以往单靠随机生成的缺点，引进了解空间格点化法或数论中均匀设计法，使产生的点集能均匀地分布于解空间。当然采用随机与均匀混合生成的初始种群，可以包含更丰富的解空间模式。文献【】,给出了用点的低序列差均匀生成初始种群的方法。（当然这些方法 编码经典的标准遗传算法( SGA )中，Holland运用模式定理分析编码机制时,建议采用二进制编码，其优点是简易稳定，但二进制编码具有不能直接反映问题的固有结构，解码复杂，精度不高，个体长度太长，占用计算机内存多和空间效率不高的缺点。它早已不能适应人们处理问题多样化的事实。 针对上述缺陷, 人们采用Gray编码和动态编码等方法成功地减少了编码的尺寸和复杂度，提高了局部搜索性能和速度。文献【】，给出了采用了性别编码，检测仿真表明其性能优于二进制和格雷码；采用染色体隐式解码算法，使得解码速度提高了6~50倍[9]；采用实数或浮点数的矩阵形式或复数形式的编码方法，实现了无需解码可直
实用标准文档 《题库智能组卷系统》组卷功能说明教师用户可以利用系统提供的智能出卷、标准化出卷、搜索出卷、知识点题数出卷、知识点题分出卷共 五种方式进行出卷。为了使生成的试卷更适合用户的要求，系统还提供了手工调整试卷功能。试卷生成后如果没有达到教师期望的目的，还可以在“试卷修改”页面中，进行手工试卷调整，包括试题添加、删除、更换，试题顺序调整，题型顺序调整和试题题分修改等多种手工修改试卷方式。 1.智能出卷 智能出卷的基本思路是在用户提出的较为模糊和较少要求的情况下，高度智能化地生成满意的试卷。 智能出卷分四个步骤，下面将具体介绍其操作。 第1步设置试卷参数 鼠标点击“智能出卷”按钮，进入到智能出卷，如图1-1所示。 【说明】：“试卷名称”是试卷的标题，默认为“未命名智能试卷”，可以重新命名，也可以在试卷生成 后再修改名称，但是试卷名称不得为空。 “试卷总分”默认为 100分，可以修改，总分可以限制在10?300分。 “出卷份数”表示系统支持同时生成多份试卷。 “难易比例”，试题库中每道题都有难度系数指标，难度系数即试题的失分率，分为易(0 - 25)、中(30 —55)、难(60 — 100)三个等级。试卷默认的易中难比例为5: 3: 2，此比例可根据老师的教学要求自行调整。 沖teazher 当前包胥：百页-A出巷中尤一》智能出巻当前学阀：高屮数羊C虫击矣檸学斜) 11诡■诫播於融］2連；＞值&怕?禺确定期到■号| ■覚成出欄
图1-1
第2步选择试题范围 如图1-2所示：首先选择教材，然后在“选择考试范围”栏中选择考试的范围，“全部内容”中显示了 本教材中所有试题范围，用鼠标点击“ + ”图标，可以打开下面的章节的具体内容，在用鼠标点击“+”图标可以继续点开下面的内容。然后用鼠标点击要选择内容前的图标，被选择的内容前的选择框变为。选择范围确定后，点击下一步，进入下一步的设置。 軒？CMdwr 当前位詈:首旨- > 出卷中卄一> 智^出雜当前钢:鬲中轍学｛门击甫村学科） I 丫9?传??致12遶操试层范.Fsitwg 丁出創帼■ —1 选捧教材：|苏撤版（新课标）”. 选握考谥范固:曰厂苏教版t、 自厂必修丄 ? □必術2 @匚必修耳 F M厂必修4 li匚必悔宫 i厂世修1-1 1±|厂选修 +厂选<2-1 田厂选修 & 1~ 选^2-3 田厂选惟4 1匚何逋闕选讲 tb厂选修矩阵号強拱 i+i厂选修47坐耘柬肩参数方程 田厂选^4-5耳等式选讲 图1-2 第3步确定题型题分 如图1-3，页面中显示了每个题型中拥有的试题数量。在“出卷总分设置”框中添加各题型分数，使“目 前输入的试题总分”与“试卷要求总分”相同后，点击下方的“完成”按钮，开始出卷。 【注】：不同学科看到的题型列表和题型对应的总题数会不同；即使同一学科内，选择不同的选题范围 和试卷参数，也可能会有不同的题型和总试题数。当试题总数量等于零时，将不显示相应题型。
《人工智能》课程学习体会兼论遗传算法在最优化问题的应用与发展 一、《人工智能》课程学习体会 1．课程学习历程 这学期，在《人工智能》课程学习中，我们以中国大学MOOC网上浙江工业大学王万良教授主讲的《人工智能导论》课程为主。课上老师给我们讲解了一些课程中的难点，课下老师发放了很多的人工智能课外阅读资料，供我们参考学习。 在学习的过程中，我们先对智能有了初步了解，之后再谈人工智能的概念。要想实现人工智能，就需要把我们人的思维形式化，于是学习了谓词逻辑知识表示，之后是产生式，然后是概率论和数理统计的一些内容。掌握了这些之后，我们就可以根据知识去解决问题了。可是怎么去解决，如何去推出结果，又是一个问题，于是我们学习了一些推理方法，如模糊推理等。按照智能的定义，那么现在已经基本实现智能了。即实现了智能=知识+智力，虽然不是真正意义上的智能。虽然现在可以去处理一些问题了，但是很明显的，它的效率非常的低，甚至于有些问题找到答案花费的时间特别长，是我们无法接受的。于是我们学习了如A*算法、遗传算法、粒子群优化算法、蚁群算法等一些加快处理问题的算法。最后，我们学习了神经网络、专家系统、机器学习和智能体系等内容。对于这些学习的知识，基本上还处于一个了解的水平，要想实际应用还需要更深入的学习。 课下，我们也看了一些和人工智能的书籍，诸如《浪潮之巅》，向我们讲述了科技公司像IBM，微软，英特尔等公司的兴衰；《智能革命》向我们讲述了AI 与我们的生活密切相关，并且越来越离不开智能。通过阅读这些课外读物，也使得我们对人工智能有了更深的理解与思考。 2．课程学习体会与感悟 学习完主要课程之后，给我的第一感觉就是：“哎！怎么还没有学呢！课程就结束了”。有这样的感觉主要还是受到疫情的影响，在家不能像在学校一样学的那么精细。很多的知识几乎是走一个概念便草草离场了，同时，人工智能这门课程本身涉及的知识面也比较广，如讲到神经网络的时候提到了生物学中的神经元、突触等这些结构，想一下子掌握这些内容是不可能的。 另一个方面则是，人工智能的应用领域非常之多，诸如机器学习，专家系统等，每一部分都是可以单独拿出来作为深入学习的方向的。因此，现在的学习，只是对人工智能有了一个初步的了解，想要入门还需要学习更多的内容，还需要投入更多的时间。 二、遗传算法在最优化问题的应用与发展 1.遗传算法简述
《基于遗传算法的智能组卷策略的研究》综述 姓名刘春晓 学号 2015216104 专业计算机技术 班级 3班 天津大学计算机科学与技术学院 2016年 6 月
基于遗传算法的智能组卷策略的研究综述 摘要随着计算机技术的日益发展和成熟，手工组卷已经不能满足现代的教学要求，组卷智能化在提高教学质量方面发挥着很重要的作用。文章对组卷策略进行了梳理，对比和总结，主要介绍了遗传算法的优点，从遗传算法的基本流程、编码方式、适应度函数和遗传算子方面进行了归纳。接着分析了目前智能组卷策略研究的不足和挑战，最后总结了未来的研究设想。 关键词智能组卷；遗传算法；适应度函数；遗传算子 1引言 在计算机技术发展飞速的今天，计算机应用已经慢慢的渗透到人类生活的方方面面，计算机的辅助教学功能也逐渐得到大家的重视。传统的手工组卷受到人为因素的干扰，导致考试的效率低下，组卷智能化已经成为不可或缺的一项研究。 近几年，智能优化算法倍受人们关注，如人工神经网络、遗传算法，为解决复杂问题提供了新的方法，并在诸多领域取得了成功。组卷问题是一个在一定约束条件下的多目标参数优化问题，针对传统的组卷算法具有组卷速度慢、成功率较低、试卷质量不高等缺点。 智能组卷算法在计算机辅导教学过程中之所以受到重视，是因为它把人工智能技术运用到了组卷中，能够智能的设计试卷的结构和内容，包括试卷的难易度，知识点，题型和题量等，使生成的试卷质量比较高。 遗传算法（Genetic Algorithm ,GA）基于达尔文的进化论和孟德尔的自然遗传学说,是通过模拟遗传选择和自然淘汰的生活进化的随机搜索和全局优化算法（张建国 2009：1）。由于该算法有智能的搜索技术和收敛性质，可以较好的满足智能组卷的要求。所以本系统选用遗传算法作为组卷算法，以试题章节、试题数量、试题知识点、试题题型、试题难度分布、试题曝光度、覆盖度、试题分数分配等约束为组卷条件，使试卷有更好的区分度。 基于遗传算法的智能组卷系统实现了组卷智能化，优化了其他组卷算法的不足，使教学更加自动化和公平化，提高了组卷效率。 2研究现状分析 在系统开发之前，应该首先选择适合本系统的组卷算法，组卷算法的选取对试卷的质量影响颇大。只有相对好的算法才能提高组卷的效率和成功率。组卷实质上就是在复杂的约束条件下的多目标求最优解的问题，保证试卷能够满足教学要求。随着计算机技术和人工智能理论的飞速发展，各种组卷策略层出不穷，选择适合的算法对系统运行有极其重要的作用。分析各种组卷算法的优缺点，找到最优的组卷算法是该系统开发的任务之一。这里我们就现阶段组卷算法进行分析和总结。 现阶段比较成熟的组卷算法有随机选取法、回溯试探法和遗传算法。随机选取法生成的试题重复率较高，难以达到预期效果。回溯试探法是一种有条件的深度优化法，对于状态类型和题量较小的题库系统而言，组卷成功率高，但占用内
基于遗传算法的数据挖掘综述 朱玲 (江西理工大学信息工程学院，赣州市中国 341000) 摘要：本文定义了遗传算法概念和理论的来源，介绍遗传算法的研究方向和应用领域，解释了遗传算法的相关概念、编码规则、三个主要算子和适应度函数，描述遗传算法计算过程和参数的选择的准则，并且在给出的遗传算法的基础上结合实际应用加以说明。 关键词：数据挖掘;遗传算法 Data Mining Based on Genetic Algorithm Zhu Ling (College of Information Engineering, Jiangxi University of Science and Technology, Ganzhou, China 341000) Abstract:This paper defines the concept of genetic algorithm and the source of the theory, introduces the research direction and application field of genetic algorithm, explains the related concepts, coding rules, three main operators and fitness functions of genetic algorithm, describes the genetic algorithm calculation process and Parameter selection criteria, and in the given genetic algorithm based on the combination of practical applications to be explained. Key words: data mining; genetic algorithm 前言 遗传算法(genetic algorithm，GAs)试图计算模仿自然选择的过程，并将它们运用于解决商业和研究问题。遗传算法于20世界六七十年代由John Holland[1] 发展而成。它提供了一个用于研究一些生物因素相互作用的框架，如配偶的选择、繁殖、物种突变和遗传信息的交叉。在自然界中，特定环境限制和压力迫使不同物种竞争以产生最适应于生存的后代。在遗传算法的世界里，会比较各种候选解的适合度，最适合的解被进一步改进以产生更加优化的解。 遗传算法借助了大量的基因术语。遗传算法的基本思想基于达尔文的进化论和孟德尔的遗传学说，是一类借鉴生物界自然选择和自然遗传机制的随机搜索算法。生物在自然界的生存繁殖，显示对其自然环境的优异自适应能力。受其启发，人们致力于对生物各种生存特性的机制研究和行为模拟。通过仿效生物的进化与遗传，根据“生存竞争”和“优胜劣汰”的原则，借助选择、交叉、变异等操作，使所要解决的问题从随机初始解一步步逼近最优解。现在已经广泛的应用于计算机科学、人工智能、信息技术及工程实践。[2]在工业、经济管理、交通运输、工业设计等不同领域，成功解决了许多问题。例如，可靠性优化、流水车间调度、作业车间调度、机器调度、设备布局设计、图像处理以及数据挖掘等。遗传算法作为一类自组织于自适应的人工智能技术，尤其适用于处理传统搜索方法难以解决的复杂的和非线性的问题。 1.遗传算法的应用领域和研究方向 1.1遗传算法的特点 遗传算法作为一种新型、模拟生物进化过程的随机化搜索方法，在各类结构对象的优化过程中显示出比传统优化方法更为独特的优势和良好的性能。它利用其生物进化和遗传的思想，所以它有许多传统算法不具有的特点[3]： ※搜索过程不直接作用在变量上，而是作用于由参数集进行了编码的个体上。此编码操作使遗传算法可以直接对结构对象进行操作。 ※搜索过程是从一组解迭代到另一组解，采