基于PSO-ELM的变压器油纸绝缘状态无损评估方法

油浸式电力变压器作为电网的重要组成部分,其可靠运行至关重要。针对变压器长期运行后无法定量评估其绝缘状态的问题,文中开展了油纸绝缘模型的加速老化及受潮试验,探究了油纸绝缘老化及受潮程度对其回复电压曲线的影响规律,并提出采用粒子群优化-极限学习机(particle swarm optimization-extreme learning machine,PSO-ELM)算法的参数预测方法,实现了基于回复电压曲线特征参量的油纸绝缘老化与受潮状态量化评估。由油纸绝缘模型理化性能分析的对比结果可知,基于PSO-ELM方法的预测值精度远高于传统ELM方法,油纸绝缘内含水率及纸板聚合度预测的绝对误差范围分别小于±0.4%、±30。

基于试纸检测皮肤油脂水平的模型建立

通过机器学习技术建立了一种简便的皮肤油脂水平测量方法。采用一次性的油脂试纸测量皮肤的出油程度,采集了669张油脂试纸图像,并将实验室Sebumeter~?设备测量的数值作为参照,建立基于油脂试纸图像的分析模型,可以自动化计算油脂试纸测量后的皮脂水平,得到了一种简便的皮肤油脂水平判定方式。研究结果表明,油脂试纸方法测量出的皮脂水平与Sebumeter~?测量出的皮脂水平一致性为0.897,测量结果的一致性高。

基于改进蝗虫优化算法的智能组卷策略

针对传统组卷策略组卷时间长、试卷质量低等问题,本文提出了一种基于改进蝗虫优化算法的智能组卷策略。首先,综合知识点覆盖率、难度系数等因素,建立多目标评价模型;其次,将试题组合方案编码为蝗虫个体,通过蝗虫优化算法寻找最优组合方案,引入最优导向与随机竞争策略更新个体位置,以增强算法全局搜索能力;结合模拟退火思想,以使算法有能力跳出局部最优;引入余弦自适应函数调整搜索步长,以提升算法收敛速度。根据最优试题组合方案,生成一套高质量的试卷。实验结果表明,基于改进蝗虫优化算法的智能组卷策略与PSO-GA相比,组卷时间降低了52%,适应度提升了19%;与传统蝗虫优化算法相比,组卷时间降低了30%,适应度提升了14%。

遗传算法在智能组卷系统中的应用研究

为更好地解决遗传算法在智能组卷过程中出现的早收敛问题,以及组卷质量和组卷速度呈负相关的问题,提出一种基于分段整数编码、多点交叉的遗传算法.通过大量实验,有针对性地对该算法中的编码结构、选择算子、交叉算子和变异算子进行优化设计;对相关控制参数进行合理调整,实验结果表明,该算法不仅有效地提高了组卷质量和组卷速度,而且具有很好的收敛性.

题库系统智能成卷理论和组卷方法研究

分析了组卷目标要求,建立了智能组卷系统问题求解的理论模型。结合组卷问题求解领域知识与专家选题思想,提出了一种基于自适应混合进化机制的智能组卷方法,采用了基于题型的分段编码、段内进化算子、误差加权适应度评估方法。通过实例分析,实验结果表明所提出的新组卷方法具有组卷成功率高和组卷速度快的优点。

集合随机抽选法在智能组卷中的研究

提出了一种基于集合的随机抽选的智能组卷算法,该算法是以集合论为基础,将智能组卷的要求形式化,将满足要求的试题组成试题库集合,采用集合随机抽取算法进行试题组卷。该算法与传统的组卷算法在生成试卷的效率上进行了比较,同时针对由算法所引起的修改操作困难提出了解决方法。将用户的组卷要求用集合的形式描述出来,满足要求的试题被组成试题库集合,采用集合随机抽取算法进行自动组卷。

基于改进遗传算法的智能组卷方法

组卷问题是一个多约束多目标优化问题。建立了一种新的试卷矩阵数学模型,提出了改进的遗传算法编码方式,并通过改进初始群体的产生方法和遗传算子,有效提高了遗传算法的收敛速度,并较好地避免了局部收敛现象。实验结果表明,在试题库试题数量适中、分布合理的情况下,本算法产生的试卷能够很好满足各项组卷指标。

基于遗传算法的自动组卷系统的设计与实现

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,采用传统的数学方法求解十分困难,自动组卷的效率和质量完全取决于试题库设计以及抽题算法的设计。本文以省级《数据结构》精品课程建设为背景,在分析传统组卷算法的优缺点和组卷策略参数的基础上,选用遗传算法,设计并实现了一个自动组卷系统。该算法按照试题类型、数量、难度、区分度、分值和时间等约束条件进行快速搜索并寻找最优解,其中采用分组自然数编码,减少了染色体长度空间;运用自适应理论改进交叉概率及变异概率,使得算法总能找到合适的交叉和变异概率。系统采用C#.NET编程实现,目前已应用于实际教学,取得了良好的教学效果。

基于小生境遗传算法的自动组卷

通过对当前自动组卷方法的分析,将小生境技术引入到遗传算法自动组卷中,以期望解决遗传算法组卷的早熟问题,提出一种基于小生境遗传算法的组卷方法.该方法采用功能段结构的整数编码方式,可以克服常规采用二进制编码搜索空间过大和编码长度过长的缺点,提高求解速度和精度,同时减少迭代次数加快算法收敛.在组卷模型中以题型、题量和分值为基础,在形成初始种群和进化的过程中始终保持题型、题量和分值不变,从而简化优化目标.试验结果显示,该方法能有效限制种群中相似个体的过多复制,从而维持群体的多样性,抑制出现早熟现象,改进遗传算法在自动组卷中应用的效率,其运行时间更短,误差更小.

用遗传算法解组卷问题的设计与实现

组卷问题是一个多重约束目标的问题求解,为此我们设计了一个求解该问题的遗传算法,给出了分段二进制编码和针对该编码的交叉算子、变异算子的改进。实例表明该遗传算法在求解组卷问题非常有效。

通用考试系统开放题库与组卷及评卷算法研究

介绍了通用考试系统开放题库设计思想,分析了组卷中随机抽题算法,并给出了VFP实现的源程序,同时对主观题、客观题评卷算法及题库加密、解密算法进行了探讨。提出利用专家系统(主要采用正向推理的方式进行评估)完成对主观题的评阅,解决了传统无纸化考试只能考察客观题的缺陷。

基于自适应算子的遗传算法多目标智能组卷

利用ADO.NET实现了SQL Server 2000中试题库的编辑功能,开发了题库管理软件系统框架。在遗传算法的基础上,提出了一种改进的智能组卷方法,有利于提高进化速度,避免陷入局部最优。实例分析表明,该方法具有较好的智能组卷性能。

基于Web的考试系统的设计与实现

基于对考试方式的发展和考试系统研究现状的认识,阐述了建设B/S模式下的考试系统的重要性。针对集中式考试系统结构存在可扩展性差和负荷集中的弊端,提出了基于Web的分布式考试系统的物理和软件结构,并介绍了各子系统的功能。为使考试系统组卷高效和排卷合理,详述了一种基于网络图和统计理论的智能组卷算法和实现策略。对考试可能出现的多种安全问题,设计了相应的安全机制和保护措施。

分布式遗传算法在智能组卷中的Web services实现

研究了分布式并行遗传算法的智能组卷问题。设计了在校园网范围内的分布式Web服务的组卷系统,通过多线程的软件结构实现了Web服务之间的相互调用及反馈机制,采用基于Base64的预先基因压缩方案来提高SOAP性能。仿真试验证明了分布式Web服务的组卷系统不仅可以极大地减少组卷时间、具有良好的容错能力,同时也能一次生成多套试卷,为构建B/S模式下的机器考试系统提供了依据。

基于进化稳定策略的单亲遗传算法求解组卷问题

在组卷问题中为了解决传统遗传算法易陷入早熟收敛的问题,在单亲遗传算法基础上,引入基于进化稳定策略,该策略的核心突变算子的构造,有目标地对最优个体进行突变操作,以达到快速扩大搜索空间、稳定群体中个体多样性的目的。实验结果表明,由该算法产生的试卷是令人满意的。

基于优化遗传算法的智能组卷系统研究

智能组卷技术是计算机无纸化考试系统中一项必不可少的重要技术,而改进组卷算法和提高组卷质量已成为当前的研究热点.重点分析研究组卷算法,通过建立组卷数学模型,结合遗传算法理论解决考试系统中的智能组卷问题.在选择算子中采用适应度排序在前一半的个体进入下一代的繁殖;在交叉算子中采用最优保持策略;在成卷前调整试卷知识点的分布.使组卷算法在不同的要求下都能得到较为满意的效果.智能组卷在通用计算机考试系统建设中具有较高的应用价值.

基于改进遗传算法的智能组卷系统研究

试题组卷是考试系统的重要组成部分。通过在编码策略、适应度函数、遗传算子、控制参数等方面的研究提出一种适应于试题智能组卷的改进遗传算法。对适应度函数的适当定标和建立自适应的交叉概率和变异概率,有利于克服未成熟收敛和遗传漂移现象,同时能在维持群体多样性的情况下,防止群体进入局部最优。实验证明改进遗传算法比传统的遗传算法能更有效地提高组卷的效率。

基于混合遗传算法的自动组卷问题的研究

针对遗传算法(GA)容易出现未成熟收敛和进化后期计算效率低的问题,提出了一种基于混合遗传算法(HGA)的智能组卷算法。将自适应遗传算法(AGA)与位爬山法相结合,提高组卷性能。在进化前期采用AGA进行全局寻优,增强GA的收敛速度同时避免GA的未成熟收敛。在进化后期启动位爬山法增强AGA的局部搜索能力。试验结果表明,HGA相对于AGA在有效性、稳定性和计算效率三方面都有较大提升,更能有效解决自动组卷问题,具有较好的使用性能和实用性。

基于改进遗传算法的智能组卷研究

通过在遗传算法中引入个体浓度的选择机制和记忆机制,确保了进化过程中种群内个体的多样性,避免局部收敛,保证了算法朝优化方向进化.实验结果表明改进算法能跳出局部收敛,有效避免了早熟产生和遗传退化现象出现.

基于题库信息的智能组卷算法

在分析了现存的智能组卷算法的基础上,提出了基于题库信息的智能组卷算法,算法通过对题库中试题信息的充分利用,有效的提高了组卷成功率和组卷的质量。