基于遗传算法的组卷设计与实现

MATLAB实验遗传算法和优化设计

实验六遗传算法与优化设计一、实验目的 1. 了解遗传算法的基本原理和基本操作（选择、交叉、变异）； 2. 学习使用Matlab 中的遗传算法工具箱(gatool)来解决优化设计问题；二、实验原理及遗传算法工具箱介绍 1. 一个优化设计例子图1所示是用于传输微波信号的微带线(电极)的横截面结构示意图，上下两根黑条分别代表上电极和下电极，一般下电极接地，上电极接输入信号，电极之间是介质(如空气，陶瓷等)。微带电极的结构参数如图所示，W 、t 分别是上电极的宽度和厚度，D 是上下电极间距。当微波信号在微带线中传输时，由于趋肤效应，微带线中的电流集中在电极的表面，会产生较大的欧姆损耗。根据微带传输线理论，高频工作状态下（假定信号频率1GHz ），电极的欧姆损耗可以写成（简单起见，不考虑电极厚度造成电极宽度的增加）：图1 微带线横截面结构以及场分布示意图 {} 28.6821ln 5020.942ln 20.942S W R W D D D t D W D D W W t D W W D e D D παπππ=+++-+++?????? ? ??? ??????????? ??????? (1) 其中πρμ0=S R 为金属的表面电阻率， ρ为电阻率。可见电极的结构参数影响着电极损耗，通过合理设计这些参数可以使电极的欧姆损耗做到最小，这就是所谓的最优化问题或者称为规划设计问题。此处设计变量有3个：W 、D 、t ，它们组成决策向量[W, D ,t ] T ，待优化函数(,,)W D t α称为目标函数。上述优化设计问题可以抽象为数学描述： ()()min .. 0,1,2,...,j f X s t g X j p ????≤=? (2)

《题库智能组卷系统》组卷功能说明分析

《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。

遗传算法——耐心看完-你就掌握了遗传算法【精品毕业设计】(完整版)

遗传算法入门到掌握读完这个讲义，你将基本掌握遗传算法，要有耐心看完。想了很久，应该用一个怎么样的例子带领大家走进遗传算法的神奇世界呢？遗传算法的有趣应用很多，诸如寻路问题，8数码问题，囚犯困境，动作控制，找圆心问题（这是一个国外网友的建议：在一个不规则的多边形中，寻找一个包含在该多边形内的最大圆圈的圆心。），TSP问题（在以后的章节里面将做详细介绍。），生产调度问题，人工生命模拟等。直到最后看到一个非常有趣的比喻，觉得由此引出的袋鼠跳问题（暂且这么叫它吧），既有趣直观又直达遗传算法的本质，确实非常适合作为初学者入门的例子。这一章将告诉读者，我们怎么让袋鼠跳到珠穆朗玛峰上去(如果它没有过早被冻坏的话)。问题的提出与解决方案让我们先来考虑考虑下面这个问题的解决办法。已知一元函数：图2-1 现在要求在既定的区间内找出函数的最大值。函数图像如图2-1所示。极大值、最大值、局部最优解、全局最优解

在解决上面提出的问题之前我们有必要先澄清几个以后将常常会碰到的概念：极大值、最大值、局部最优解、全局最优解。学过高中数学的人都知道极大值在一个小邻域里面左边的函数值递增，右边的函数值递减，在图2.1里面的表现就是一个“山峰”。当然，在图上有很多个“山峰”，所以这个函数有很多个极大值。而对于一个函数来说，最大值就是在所有极大值当中，最大的那个。所以极大值具有局部性，而最大值则具有全局性。因为遗传算法中每一条染色体，对应着遗传算法的一个解决方案，一般我们用适应性函数（fitness function）来衡量这个解决方案的优劣。所以从一个基因组到其解的适应度形成一个映射。所以也可以把遗传算法的过程看作是一个在多元函数里面求最优解的过程。在这个多维曲面里面也有数不清的“山峰”，而这些最优解所对应的就是局部最优解。而其中也会有一个“山峰”的海拔最高的，那么这个就是全局最优解。而遗传算法的任务就是尽量爬到最高峰，而不是陷落在一些小山峰。（另外，值得注意的是遗传算法不一定要找“最高的山峰”，如果问题的适应度评价越小越好的话，那么全局最优解就是函数的最小值，对应的，遗传算法所要找的就是“最深的谷底”）如果至今你还不太理解的话，那么你先往下看。本章的示例程序将会非常形象的表现出这个情景。 “袋鼠跳”问题既然我们把函数曲线理解成一个一个山峰和山谷组成的山脉。那么我们可以设想所得到的每一个解就是一只袋鼠，我们希望它们不断的向着更高处跳去，直到跳到最高的山峰（尽管袋鼠本身不见得愿意那么做）。所以求最大值的过程就转化成一个“袋鼠跳”的过程。下面介绍介绍“袋鼠跳”的几种方式。爬山法、模拟退火和遗传算法解决寻找最大值问题的几种常见的算法： 1. 爬山法（最速上升爬山法）：从搜索空间中随机产生邻近的点，从中选择对应解最优的个体，替换原来的个体，不断重复上述过程。因为只对“邻近”的点作比较，所以目光比较“短浅”，常常只能收敛到离开初始位置比较近的局部最优解上面。对于存在很多局部最优点的问题，通过一个简单的迭代找出全局最优解的机会非常渺茫。（在爬山法中，袋鼠最有希望到达最靠近它出发点的山顶，但不能保证该山顶是珠穆朗玛峰，或者是一个非常高的山峰。因为一路上它只顾上坡，没有下坡。） 2. 模拟退火：这个方法来自金属热加工过程的启发。在金属热加工过程中，当金属的温度超过它的熔点（Melting Point）时，原子就会激烈地随机运动。与所有的其它的物理系统相类似，原子的这种运动趋向于寻找其能量的极小状态。在这个能量的变

题库智能组卷系统批量上传模板使用说明

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。

基于遗传算法的智能组卷策略的研究综述Word版

《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

智能组卷及在线考试评测系统

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

matlab遗传算法学习和全局化算法【精品毕业设计】(完整版)

1 遗传算法步骤 1 根据具体问题选择编码方式，随机产生初始种群，个体数目一定，每个个体表现为染色体的基因编码 2 选择合适的适应度函数，计算并评价群体中各个体的适应。 3 选择(selection)。根据各个个体的适应度，按照一定的规则或方法，从当前群体中选择出一些优良的个体遗传到下一代群体 4 交叉(crossover)。将选择过后的群体内的各个个体随机搭配成对，对每一对个体，以一定概率(交叉概率)交换它们中的部分基因。 5 变异(mutation)。对交叉过后的群体中的每一个个体，以某个概率(称为变异概率)改n 变某一个或某一些基因位上的基因值为其他的等位基因 6 终止条件判断。若满足终止条件，则以进化过程中得到的具有最大适应度的个体作为最优解输出，终止运算。否则，迭代执行Step2 至Step5。适应度是评价群体中染色体个体好坏的标准，是算法进化的驱动力，是自然选择的唯一依据，改变种群结构的操作皆通过适应度函数来控制。在遗传算法中，以个体适应度的大小来确定该个体被遗传到下一代群体中的概率。个体的适应度越大，被遗传到下一代的概率就越大，相反，被遗传到下一代的概率就越小。 1 [a,b,c]=gaopt(bound,fun)其中，bound=[xm，xM]为求解区间上届和下届构成的矩阵。Fun 为用户编写的函数。a为搜索的结果向量，由搜索的出的最优x向量与目标函数构成，b为最终搜索种群，c为中间搜索过程变参数，其第一列为代数，后边列分别为该代最好的的个体与目标函数的值，可以认为寻优的中间结果。 2 ga函数。[X,F, FLAG,OUTPUT] = GA(fun, n,opts).n为自变量个数，opts为遗传算法控制选项，用gaoptimset（）函数设置各种选项，InitialPopulation可以设置初始种群，用PopulationSize 可以设置种群规模，SelectionFcn可以定义选择函数， 3 gatool 函数用于打开，GATOOL is now included in OPTIMTOOL。 2.2 通过GUI 使用遗传算法在Matlab 工作窗口键入下列命令>>gatool，或通过Start 打开其下子菜单Genetic Algorithm Tool，如图1。只要在相应的窗格选择相应的选项便可进行遗传算法的计算。其中fitnessfun 窗格为适应度函数，填写形式为@fitnessfun，Number of variable 窗格为变量个数。其它窗格参数根据情况填入。填好各窗格内容，单击Start 按钮，便可运行遗传算法例子1 应用实例已知某一生物的总量y（单位：万个）与时间t（月）之间的关系为y=k0(1-exp(-k1*t))，统计十个月得到数据见表1，试求关系式中的k0，k1。先编写目标函数，并以文件名myfung.m

遗传算法的原理及MATLAB程序实现

1 遗传算法的原理 1.1 遗传算法的基本思想遗传算法（genetic algorithms，GA）是一种基于自然选择和基因遗传学原理，借鉴了生物进化优胜劣汰的自然选择机理和生物界繁衍进化的基因重组、突变的遗传机制的全局自适应概率搜索算法。遗传算法是从一组随机产生的初始解（种群）开始，这个种群由经过基因编码的一定数量的个体组成，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，其内部表现（即基因型）是某种基因组合，它决定了个体的外部表现。因此，从一开始就需要实现从表现型到基因型的映射，即编码工作。初始种群产生后，按照优胜劣汰的原理，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，并借助于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的种群。这个过程将导致种群像自然进化一样，后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，可以作为问题近似最优解。计算开始时，将实际问题的变量进行编码形成染色体，随机产生一定数目的个体，即种群，并计算每个个体的适应度值，然后通过终止条件判断该初始解是否是最优解，若是则停止计算输出结果，若不是则通过遗传算子操作产生新的一代种群，回到计算群体中每个个体的适应度值的部分，然后转到终止条件判断。这一过程循环执行，直到满足优化准则，最终产生问题的最优解。图1-1给出了遗传算法的基本过程。 1.2 遗传算法的特点 1.2.1 遗传算法的优点遗传算法具有十分强的鲁棒性，比起传统优化方法，遗传算法有如下优点： 1. 遗传算法以控制变量的编码作为运算对象。传统的优化算法往往直接利用控制变量的实际值的本身来进行优化运算，但遗传算法不是直接以控制变量的值，而是以控制变量的特定形式的编码为运算对象。这种对控制变量的编码处理方式，可以模仿自然界中生物的遗传和进化等机理，也使得我们可以方便地处理各种变量和应用遗传操作算子。 2. 遗传算法具有内在的本质并行性。它的并行性表现在两个方面，一是遗传

遗传算法与优化问题

实验十遗传算法与优化问题一、问题背景与实验目的遗传算法(Genetic Algorithm —GA),就是模拟达尔文的遗传选择与自然淘汰的生物进化过程的计算模型，它就是由美国Michigan大学的J、Holla nd教授于1975 年首先提出的?遗传算法作为一种新的全局优化搜索算法，以其简单通用、鲁棒性强、适于并行处理及应用范围广等显著特点，奠定了它作为21世纪关键智能计算之一的地位. 本实验将首先介绍一下遗传算法的基本理论，然后用其解决几个简单的函数最值问题,使读者能够学会利用遗传算法进行初步的优化计算? 1. 遗传算法的基本原理遗传算法的基本思想正就是基于模仿生物界遗传学的遗传过程?它把问题的参数用基因代表，把问题的解用染色体代表(在计算机里用二进制码表示),从而得到一个由具有不同染色体的个体组成的群体?这个群体在问题特定的环境里生存竞争,适者有最好的机会生存与产生后代?后代随机化地继承了父代的最好特征，并也在生存环境的控制支配下继续这一过程.群体的染色体都将逐渐适应环境，不断进化,最后收敛到一族最适应环境的类似个体，即得到问题最优的解?值得注意的一点就是，现在的遗传算法就是受生物进化论学说的启发提出的，这种学说对我们用计算机解决复杂问题很有用，而它本身就是否完全正确并不重要(目前生物界对此学说尚有争议). (1)遗传算法中的生物遗传学概念由于遗传算法就是由进化论与遗传学机理而产生的直接搜索优化方法；故而在这个算法中要用到各种进化与遗传学的概念? 首先给出遗传学概念、遗传算法概念与相应的数学概念三者之间的对应关系这些概念

（2）遗传算法的步骤遗传算法计算优化的操作过程就如同生物学上生物遗传进化的过程，主要有三个基本操作（或称为算子）:选择（Selection）、交叉（Crossover）、变异（Mutation）. 遗传算法基本步骤主要就是：先把问题的解表示成“染色体”，在算法中也就就是以二进制编码的串，在执行遗传算法之前，给出一群“染色体”，也就就是假设的可行解.然后，把这些假设的可行解置于问题的“环境”中,并按适者生存的原则从中选择出较适应环境的“染色体”进行复制，再通过交叉、变异过程产生更适应环境的新一代“染色体”群.经过这样的一代一代地进化，最后就会收敛到最适应环境的一个“染色体”上，它就就是问题的最优解. 下面给出遗传算法的具体步骤，流程图参见图1: 第一步:选择编码策略，把参数集合（可行解集合）转换染色体结构空间；第二步:定义适应函数，便于计算适应值；第三步:确定遗传策略，包括选择群体大小，选择、交叉、变异方法以及确定交叉概率、变异概率等遗传参数；第四步:随机产生初始化群体；第五步:计算群体中的个体或染色体解码后的适应值；第六步:按照遗传策略，运用选择、交叉与变异算子作用于群体，形成下一代群体；第七步:判断群体性能就是否满足某一指标、或者就是否已完成预定的迭代次数,不满足则返回第五步、或者修改遗传策略再返回第六步. 图1 一个遗传算法的具体步骤

智能组卷考试系统的制作方法

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；

《考试酷》智能组卷策略与使用方法详解

《考试酷》智能组卷策略与使用方法详解考试酷网站提供了通用性非常强的智能组卷功能，也支持非常灵活的智能组卷策略，可以依据题型、知识点和章节、难度等各种分类方法进行智能组卷。通过建立自己的题库，规划好自己的组卷策略，然后凭借智能组卷功能就可以满足你的下列需求： 1.智能组卷：从题库里以随机选题的方式组成一份高质量的试卷； 2.随机选题考试模式：组织一次考试、考核或竞赛，让每个考生拿到的试卷试题都不相同，以防止舞弊，或者适用于跨地区跨时间的竞赛或考试场合； 3.随机选题练习模式：让学生随机选题练习，每次练习都自动从题库中抽选出随机的试题进行练习。下面我们将以驾驶员C牌理论考试这个科目为例，来讲讲智能组卷策略与使用方法。目录索引：１．题库、策略、组卷等概念 (1) ２．建立题库 (1) ３．建立组卷策略 (2) ４．组卷 (7) ５．随机选题考试模式 (8) ６．随机选题练习模式 (9) ７．套题如何建立题库和组卷策略 (9) ８．选项随机顺序 (11) ９．其它 (12) １．题库、策略、组卷等概念题库：题库就是你的所有试题的集合。策略：策略就是你以什么样的规则来选题，从而组成一份试卷。组卷：组卷就是依据规划好的策略，从题库里选题，组成一份试卷的过程。而组成的这份试卷，我们这里也把它叫做“组卷”。特别需要用户理解的是：在考试酷里，题库、策略、组卷这三个概念，都设计为“试卷”了。这样的设计，可以提供非常强大的通用性和扩展性。而且，题库本身不但可以当作“库”使用，同时也可以当作“试卷”使用。２．建立题库题库就是你的所有试题的集合。首先是建立自己的题库，有了题库后，智能组卷功能才能从题库里抽选试题和组成试卷，也才能支持随机选题模式的考试或练习。而题库的质量、题库的分类策略等，就直接决定了以后智能组卷的质量高低了。在考试酷的设计里，需要用户把题库分题型、章节或知识点、难度等进行分类，然后把不同题型、不同章节或知识点、不同难度的试题，分别录入为一份单独的“录入型试卷”。也就是说，一个高质量的题库，是由已经按照题型、章节和难度等分类好的很多份试卷组成的。例如驾驶员C牌理论考试，公安部2012年新版通用试题库里面，共有7个章节和知识点： 1．道路交通安全法律、法规和规章 2．道路交通信号 3．安全行车、文明驾驶知识 4．高速公路、山区道路、桥梁、隧道、夜间、恶劣气象和复杂道路条件下的安全驾驶知识 5．出现爆胎、转向失控、制动失灵等紧急情况时临危处置知识 6．机动车总体构造和主要安全装置常识，日常检查和维护基本知识 7．发生交通事故后的自救、急救等基本知识，以及常见危险化学品等知识而驾驶员C牌理论考试，只有2种题型： 1．选择题 2．判断题根据这个试题库的题型和章节情况，在考试酷里，我们就需要录入或导入14份试卷（7个章节 X 2个题型），以形成我们的题库。如下图所示。

基于遗传算法和神经网络算法的吊车结构优化设计与实现

·制造业信息化· 图1吊车结构系统有限元模型 Fig.1The finite element model of a fixed crane Based on Genetic Algorithms and Artificial Neural Network Algorithms to Optimize the Structure Design and Implementation of Crane XUE Jia-Hai ，YU Xiao-Mo ，QING Ai-Ling ，ZHOU Wen-Jing ，YE Jun-Ke （College of Mechanical Engineering,Guangxi University,Nanning Guangxi 530004,China ） Abstract:This paper by using the finite element method,orthogonal test method,BP neural network and genetic algorithm to optimization of crane structure system.At last ，the neural network model will be optimized through the generic algorithm and the optimal parameters of the structure dynamic behavior will be obtained ． Key words ：finite element ；orthogonal experimental method ；BP-neural network ；genetic algorithm 0引言随着吊车向大型化方向发展，结构在动载荷作用下的振动问题变得日益突出。因此，进行基于动态特性的优化设计，使产品在设计阶段就可以预测其动态特性，可有效减小系统的振动，提高整机工作性能。结构动力学建模方法主要有有限元法、试验模态法、混合建模法及基于人工神经网络的建模方法。基于人工神经网络的动态优化设计建模方法，是利用多层人工神经网络极强的非线性映射功能，来描述和处理动态系统中设计变量及其动态参数之间的关系。人工神经网络模型一旦建立，可取代有限元模型进行结构动态特性重分析，其分析过程简单而直接，且远比有限元模型计算速度快，尤其适用于工程技术人员使用。由于吊车结构系统的动态特性很难用设计变量显式表达，因此用遗传算法对建立的神经网络模型寻优，计算出可行区域内动态特性最优时的设计变量及目标值。 1吊车结构系统动态特性分析图1所示为某厂生产的固定式吊车的有限元模型。主要参数为：塔身高48．5m ，起重臂长70m ，最大起重力矩4400kN ·m 。吊车结构的弦杆、腹杆、钢丝绳及集中质量分别以空间梁单元、杆单元、弹簧单元及质量单元模拟。表1所示为按最大起重力矩工况计算的系统前8阶固有频率。修稿日期：2012－12－21 作者简介：薛加海（1986-），男，云南彝族人，在读硕士研究生。主要研究方向：制造业管理信息化研究；于晓默（1982-），男，蒙古族人，在读博士研究生。主要研究方向：制造业管理信息化研究。摘要：论文综合利用BP 神经网络、遗传算法有限元法以及正交试验法对吊车结构系统进行优化研究。利用遗传算法和BP 神经网络建立复杂结构系统动态优化的计算模型，该模型可代替系统原来的有限元模型。首先对吊车起重机结构系统进行模态分析及谐响应动力学分析，找出对结构动态特性影响最大的模态频率，再利用灵敏度分析，确定对动态特性较敏感的设计变量作为神经网络的输入变量，并利用正交试验法确定神经网络训练样本，用有限元模型计算出样本点数据，建立反映结构振动特性的人工神经网络模型，最后利用遗传算法对所建立的神经网络模型寻优，得到使结构动态性能最优的设计参数。关键词：有限元法；正交试验法；BP 神经网络；遗传算法中图分类号：TP18 文献标识码：A doi:10.3969/j.issn.1002-6673.2013.01.037 文章编号：1002－6673（2013）01－093－03 基于遗传算法和神经网络算法的吊车结构优化设计与实现薛加海，于晓默，秦爱玲，周文景，叶俊科（广西大学机械工程学院，广西南宁530004）机电产品开发与创新 Development ＆Innovation of M achinery ＆E lectrical P roducts Vol．26,No．1Jan ．,2013第26卷第1期2013年1月 93

《题库智能组卷系统》组卷功能说明书

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。

遗传算法实验设计与仿真

学号：200704134069 姓名：吴宇鑫学院：信息科学与工程学院专业：自动化班级：073班设计时间：2011-3-16至2011-4-6 指导教师：吴怀宇

一．设计内容 (一)设计题目求下面函数的最大值2020)202040(sin )(101≤≤--+=∑=x x x i i i i x f (二)设计的目的掌握遗传算法的基本原理 ,了解在 MA TLAB 环境中实现遗传算法各算子的编程方法。并以此例说明所编程序在函数全局寻优中的应用。二．设计方案（一）理论基础 1.遗传算法简介遗传算法是进化算法中产生最早、影响最大、应用也比较广泛的一个研究方向和领域，其基本思想是由美国密执安大学的John H. Holland 教授于1962年率先提出的。1975年，他出版了专著《自然与人工系统中的适应性行为》(Adaptation in Natural and Artificial Systems)[19]，该书系统地阐述了遗传算法的基本理论和方法，确立了遗传算法的基本数学框架。此后，从事遗传算法研究的学者越来越多，使之成为一种通用于多领域中的优化算法。遗传算法是一种基于生物的自然选择和群体遗传机理的搜索算法。它模拟了自然选择和自然遗传过程中发生的繁殖、交配和突变现象。它将每个可能的解看做是群体（所有可能解）中的一个个体，并将每个个体编码成字符串的形式，根据预定的目标函数对每个个体进行评价，给出一个适应度值。开始时总是随机地产生一些个体（即候选解），根据这些个体的适应度利用遗传算子对这些个体进行操作，得到一群新个体，这群新个体由于继承了上一代的一些优良性状，因而明显优于上一代，这样逐步朝着更优解的方向进化。遗传算法在每一代同时搜索参数空间的不同区域，然后把注意力集中到解空间中期望值最高的部分，从而使找到全局最优解的可能性大大增加。作为进化算法的一个重要组成部分，遗传算法不仅包含了进化算法的基本形式和全部优点，同时还具备若干独特的性能： 1) 在求解问题时，遗传算法首先要选择编码方式，它直接处理的对象是参数的编码集而不是问题参数本身，搜索过程既不受优化函数连续性的约束，也没有函数导数必须存在的要求。通过优良染色体基因的重组，遗传算法可以有效地处理传统上非常复杂的优化函数求解问题。 2) 若遗传算法在每一代对群体规模为n 的个体进行操作，实际上处理了大约O （n 3）个模式，具有很高的并行性，因而具有明显的搜索效率。 3) 在所求解问题为非连续、多峰以及有噪声的情况下，能够以很大的概率收敛到最优解或满意解，因而具有较好的全局最优解求解能力。 4) 对函数的性态无要求，针对某一问题的遗传算法经简单修改即可适应于其他问题，或者加入特定问题的领域知识，或者与已有算法相结合，能够较好地解决一类复杂问题，因而具有较好的普适性和易扩充性。 5) 遗传算法的基本思想简单，运行方式和实现步骤规范，便于具体使用。

化学学科命题技术与组卷策略

化学学科命题技术与组卷策略一、高考化学试卷的基本特征与要素 1．命题指导思想，既要有利于高校选拔新生，又要有利于中学推进素质教育，试卷总体上更加注重能力和素质的考查，命题依据《中学新课程标准》，但不拘泥于《课程标准》，试题设计应增加能力型和应用性试题。测试目标为学科知识内容以及相关学习能力，测试目标的认知层次为：了解、理解（掌握）、综合应用。测试内容就遵循《中学化学课程标准》和《中学化学考试大纲》。 2．试题要有必要的区分度，适宜的难度，以利于选拔。在自然界和人类社会中，心理与教育中的大量现象常常以正态分布的形式出现。人们的知识、能力水平，就群体而言，也符合正态分布的规律，即通常所说的“两头小、中间大”。(如图a) 在大规模的考试里，考生水平的分布应是正态分布（满分若为100分，则该次考试的平均分为50分，其左右曲线下的面积相同）。它把不同水平考生的差异反映为不同的分数。但是实际考试过程中，因为受各种因素的影响，某次考试的分数分布可能跟理论上的正态分布不一定完全吻合。如果该次考试的分数分布曲线的“峰”偏向高分数段一边，就形成负偏态（如图b）,这说明试卷比较容易，结果中等水平的考生都拿到高分，使高分数段内考生人数过多，考试难以区别中等和优等水平的考生，不利于高校录取新生。反之，如果试卷很难，中等水平的考生也都拿到低分，多数考生的分数集中在低分数段内，使得考生分数分布曲线的“峰”偏向低分段一边，就形成正偏态（如图c），这当然有利于选拔尖子学生，但平均分过低，对中学学科教学的影响会很大。高考试题的学科难度是受多种因素影响的一个较为敏感的数据。这一数据的形成，既有招生政策的决定性作用，又有命题、当年考生水平、统计方法等运作上的因素影响，是一个较为复杂的问题。不能作为评价试题的唯一依据。难度系数的统计值尽管是一个引人注目的重要数据，但还要通过它来具体分析

Matlab环境下的遗传算法程序设计及优化问题求解

本栏目责任编辑：谢媛媛开发研究与设计技术遗传算法（ＧＡ）是借鉴生物界自然选择和群体进化机制而形成的一种全局寻优算法，其本质上是一种基于概率的随机搜索算法。与其它的优化算法相比较，遗传算法具有以下优点：（１）通用性；（２）并行性；（３）简单性和可操作性；（４）稳定性和全局性。１遗传算法概述在遗传算法中，首先将空间问题中的决策变量通过一定的编码表示成遗传空间的一个个体，它是一个基因型串结构数据；然后将目标函数转换成适应度值，用来评价每个个体的优劣，并将其作为遗传操作的依据。遗传操作包括三个算子：选择、重组和变异。选择是从当前群体中选择适应值高的个体以生成交配池的过程，交配池是当前代与下一代之间的中间群体。选择算子的作用是用来提高群体的平均适应度值。重组算子的作用是将原有的优良基因遗传给下一代个体，并生成包含更复杂基因的新个体，它先从交配池中的个体随机配对，然后将两两配对的个体按一定方式相互交换部分基因。变异算子是对个体的某一个或几位按某一较小的概率进行反转其二进制字符，模拟自然界的基因突变现象。遗传算法的基本程序实现流程如下：（１）先确定待优化的参数大致范围，然后对搜索空间进行编码；（２）随机产生包含各个个体的初始种群；（３）将种群中各个个体解码成对应的参数值，用解码后的参数求代价函数和适应度函数，运用适应度函数评估检测各个个体适应度；（４）对收敛条件进行判断，如果已经找到最佳个体，则停止，否则继续进行遗传操作；（５）进行选择操作，让适应度大的个体在种群中占有较大的比例，一些适应度较小的个体将会被淘汰；（６）随机交叉，两个个体按一定的交叉概率进行交叉操作，并产生两个新的子个体；（７）按照一定的变异概率变异，使个体的某个或某些位的性质发生改变；（８）重复步骤（３）至（７），直至参数收敛达到预定的指标。使用遗传算法需要确定的运行参数有：编码串长度、交叉和变异概率、种群规模。编码串长度由问题的所要求的精度来决定。交叉概率控制着交叉操作的频率，交叉操作是遗传算法中产生新个体的主要方法，所以交叉概率通常应取较大值，但如果交叉概率太大的话又可能反过来会破坏群体的优良模式，一般取０．４－０．９９。变异概率也是影响新个体产生的一个因素，如果变异概率太小，则产生新个体较少；如果变异概率太大，则又会使遗传算法变成随机搜索，为保证个体变异后与其父体不会产生太大的差异，通常取变异概率为０．０００１－０．１以保证种群发展的稳定性。种群规模太大时，计算量会很大，使遗传算法的运行效率降低，种群规模太小时，可以提高遗传算法的运行速度，但却种群的多样性却降低了，有可能找不出最优解，通常取种群数目２０－１００。从理论上讲，不存在一组适用于所有问题的最佳参数值，随着问题参数的变化，有效问参数的差异往往是十分显著的。２用Ｍａｔｌａｂ语言来实现遗传算法Ｍａｔｌａｂ是一个高性能的计算软件，配备有功能强大的数学函数支持库，适用范围大，编程效率高，语句简单，功能齐备，是世界上顶级的计算与仿真程序软件。利用Ｍａｔｌａｂ来编写遗传算法程序简单而且易于操作。２．１编码编码就是把一个问题的可行解从其解空间转换到遗传算法能够处理的搜索空间的转化方法，编码形式决定了重组算子的操作。遗传算法是对编码后的个体作选择与交叉运算，然后通过这些反复运算达到优化目标。遗传算法首要的问题是通过编码将决策变量表示成串结构数据。我们常用的是二进制编码，即用二进制数构成的符号串来表示每个个体。通常根据搜索精度（ｓｃａ＿ｖａｒ）、决策变量上界（ｒａｎｇｅ（２））的和下界（ｒａｎｇｅ（１））来确定各个二进制字符串的长度（ｂｉｔ＿ｎ），搜索精度为ｓｃａ＿ｖａｒ＝（ｒａｎｇｅ（２）－ｒａｎｇｅ（１））．／（２＾ｂｉｔ＿ｎ—１），然后再随机产生一个的初始种群（ｂｅ＿ｇｅｎ），其规模为ｐｏｐｕｓｉｚｅ。下面用ｅｎｃｏｄｉｎｇ函数来实现编码和产生初始的种群：ｆｕｎｃｔｉｏｎ［ｂｅ＿ｇｅｎ，ｂｉｔ＿ｎ］＝ｅｎｃｏｄｉｎｇ（ｓｃａ＿ｖａｒ，ｒａｎｇｅ（１），ｒａｎｇｅ（２），ｐｏｐｕｓｉｚｅ）ｂｉｔ＿ｎ＝ｃｅｉｌ（ｌｏｇ２（（ｒａｎｇｅ（２）－ｒａｎｇｅ（１））．／ｓｃａ＿ｖａｒ））；ｂｅ＿ｇｅｎ＝ｒａｎｄｉｎｔ（ｐｏｐｕｓｉｚｅ，ｓｕｍ（ｂｉｔ＿ｎ））；２．２译码决策变量经过编码之后，各个个体构成的种群ｂｅ＿ｇｅｎ要通过解码才能转换成原问题空间的决策变量构成的种群ｖｇｅｎ，这样才收稿日期：２００６－０１－０５作者简介：梁科（１９８１－），硕士研究生，研究方向：智能计算与优化方法；夏定纯（１９６３－），教授，研究方向：人工智能，计算机在线检测。 Matlab 环境下的遗传算法程序设计及优化问题求解梁科，夏定纯（武汉科技学院计算机科学学院，湖北武汉４３００７３）摘要：本文介绍了遗传算法的流程及几个算子，给出了在ｍａｔｌａｂ语言环境下实现编码、译码、选择、重组和变异各算子的编程方法，最后用一个实例来说明遗传算法在寻找全局最优解中的应用。关键词：遗传算法；ｍａｔｌａｂ；程序设计中图分类号：ＴＰ３１２文献标识码：Ａ文章编号：１００９－３０４４（２００７）０４－１１０４９－０３ＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｍＰｒｏｇｒａｍｍｉｎｇＢｙＭａｔｌａｂＡｎｄＯｐｔｉｍｉｚｉｎｇＰｒｏｂｌｅｍＳｏｌｖｉｎｇＬＩＡＮＧＫｅ，ＸＩＡＤｉｎｇ－ｃｈｕｎ（ＤｅｐａｒｔｍｅｎｔｏｆＣｏｍｐｕｔｅｒｓｃｉｅｎｃｅ，ＷｕｈａｎＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅ＆Ｅｎｇｉｎｅｅｒｉｎｇ，Ｗｕｈａｎ４３００７３，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｔｈｅｓｅｖｅｒａｌｆａｃｔｏｒｓｏｆｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍｈａｖｅｂｅｅｎｐｒｅｓｅｎｔｅｄｉｎｔｈｉｓｐａｐｅｒ，ａｎｄｔｈｅｐｒｏｇｒａｍｍｉｎｇｏｆｅｎｃｏｄｉｎｇ、ｄｅｃｏｄｉｎｇ、ｃｈｏｉｃｅ、ｃｒｏｓｓｏｖｅｒａｎｄｍｕｔａｔｉｏｎｏｆｍａｔｌａｂｈａｖｅｂｅｅｎｇｉｖｅｎ，ｆｉｎａｌｌｙ，ａｆｕｎｃｔｉｏｎｏｐｔｉｍｉｚｉｎｇｐｒｏｂｌｅｍｈａｓｂｅｅｎｐｒｅｓｅｎｔｅｄｔｏｄｅｍｏｎｓｔｒａｔｅｄｔｈｅａｐｐｌｉｃａｔｉｏｎａｂｏｕｔｇｌｏｂａｌｏｐｔｉｍｉｚｉｎｇｏｆｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍ．Ｋｅｙｗｏｒｄｓ：ＧＡ；ｍａｔｌａｂ；ｐｒｏｇｒａｍｍｉｎｇ１０４９