遗传算法在网络在线智能组卷中的应用研究

速度和质量是网络在线实时组卷的两个核心要求，常用二进制编码遗传算法组卷时间受题库试题总量影响大，且后期收敛效率低；通过对上述问题的分析，提出了一种基于分段实数代号编码和微量变异算子的GAs组卷算法，详细描述了新算法的设计思想和实现过程；结果验证了该算法运用于网络在线实时快速组卷的可行性，新算法的收敛时间(组卷时间)不受题库题量影响，可短至1.56s。

用一种含正交设计交叉算子的遗传算法求解TSP

本文通过分析TSP问题的特征,结合正交设计的思想,引入了一个遗传算法中新的交叉算子用于TSP求解。对新算子的有效性进行了证明并且给出了具体的实现方案,同时通过TSP Lib上的测试样例将该交叉算子和传统的交叉算子进行了比较。比较结果表明了本文的新交叉策略具有更大的优势。

应用遗传算法实现新产品开发的头脑风暴法

论文在分析头脑风暴(BS)法与遗传算法二者相似性的基础上,制订了应用遗传算法原理实现"头脑风暴"法新产品开发过程的具体技术路线,讨论了相关的算法结构,建立了基于遗传算法的新产品开发过程软件原型系统,初步实现了产品方案编码表达式的建立、评价函数的设置以及方案寻优搜索等功能。

融入遗传算子的蚁群算法求解TSP问题

提出一种融入遗传算子(Genetic Operator)的蚁群算法(ACAGO)求解旅行商问题(TSP).蚁群算法(Ant Colony Algorithm)是一种受自然界蚂蚁群体觅食行为启发而提出的进化计算算法,并且已经在求解TSP问题上成功地应用.然而,基本的蚁群算法存在收拟速度慢,容易陷入局部最优等不足.ACAGO算法通过使用遗传算法的交叉算子和变异算子扩大解的局部搜索空间,而选择算子则可以使好的解集的信息素的浓度得到增强,加快了算法的收敛速度.文章对ACAGO算法的执行过程进行了说明并且给出了具体的实现方案,同时通过TSP Lib上的测试样例将该融入遗传算子的蚁群算法和基本的蚁群算法进行了比较.比较结果表明了本文的新的ACAGO算法具有更大的优势,它不但能使算法求解到更好的解,而且加快了算法的收敛速度.

分类器系统在股票买卖规则发现中的应用

首先介绍了分类器系统的工作原理和特点，然后利用分类器系统对股票买卖规则进行发现，并以上海证券交易所数据进行验证。

白山流域春季径流影响因素及作用机理识别

我国北方流域春汛来水水源组成多元,影响径流过程的因素众多,且各因素的作用过程复杂,给春汛来水预报带来了挑战。春汛是白山流域第二个集中来水期,准确的春汛预报是科学合理制定水库调度方案的前提和基础,既可以保证农业供水需求、航运用水需求,又能为后期防汛预留库容,实现水资源高效利用。依托白山水库1958—2016年春季长系列日入库流量过程资料,通过Eckhardt递归数字滤波法进行基流分割并绘制基流比过程,根据基流比过程演化趋势将春季径流的水源组成划分为融雪产流、冻土条件下融雪、降雨产流和冻土条件降雨产流等3个阶段。多年平均状况下,白山流域融雪产流开始日期为3月28日,冻土条件产流开始日期为4月28日,融雪产流结束日期为5月20日,冻土消融日期为6月15日;多年平均状况下,融雪产流历时为28 d,冻土条件下融雪、降雨产流历时为26 d,冻土条件下降雨产流历时为24 d。以白山流域内3个气象站1960—2016年日降雨、温度、辐射和风速数据为影响因素,以白山水库日入库径流量(径流深)为目标变量,在融雪产流期(3月28日—5月20日)内,采用全局灵敏度分析法识别出日总辐射和平均风速无时滞效应、最低温度具有1 d的时滞效应、平均温度和最高温度具有2 d的滞后效应,继而识别出基于时滞的日总辐射、平均风速、平均温度和降水为融雪产流的关键影响因素;采用遗传算法拟合融雪产流经验公式,1960—2010年校准期内模拟精度较好,在径流系数小于等于1时和大于1时,拟合优度分别为97.1%和77.5%,平均相对误差为7.5%和22.5%,效率系数分别为96.8%和71.2%;在2011—2016验证期内,在径流系数小于等于1时和大于1时,拟合优度分别为99.3%和99.8%,平均相对误差分别为7.4%和16.8%,效率系数分别为97.8%和94.6%。