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
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. MATHEMATICAL 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.
（注：可编辑下载，若有不当之处，请指正，谢谢!）
CRM客户关系管理系统文献综述
CRM 客户关系管理系统文献综述 1 毕业设计材料：文献综述 课题名称：CRM 客户关系管理系统 专业：软件开发与测试 学生姓名：李祥坤 班级：0813113 学号：30 指导教师：卢正洪 完成日期：2011-10-23 CRM 客户关系管理系统文献综述 摘要：随着经济的全球化和网络化成为世界经济发展的必然趋势,以及公司之间的竞争日趋激烈, 客户己经成为企业与公司争夺的焦点。客户关系管理(Customer Relationship Management ,CRM) 系统作为一种新型的客户关系管理系统应运而生。本文简要介绍了CRM 系统的结构和分类,以及CRM 的发展，同时对CRM 系统的设计原理和基本功能作出了描述，在此基础上详细分析了客户关系管理应用系统设计的模式。 关键词：客户关系管理、管理系统、CRM 系统、客户 一、CRM 概述 1、CRM 的体系结构
CRM 是一种旨在改善企业与客户之间关系的管理机制,利用现代信息技术在企业和客户之间建立一种数字、实时、互动的交流管理系统[1 ] 。从逻辑模型角度来讲,一个完整的CRM 系统分为三个层次:界面层、功能层和支持层。其中,界面层是用户与系统之间进行交互、获取或输入信息的接口。通过直观的、简便易用的前台界面,为各项用户操作提供方便。功能层是由各种功能模块构成包括销售自动化、营销自动化、客户支持与服务、呼叫中心、电子商务以及辅助决策等功能模块,执行CRM 的各项基本功能。支持层是保证整个系统正常运行的基础,通常包括数据库管理系统、网络通信协议等。 2、CRM 分类 通常,CRM 系统分为操作型、分析型和协作型三类。 (1)运营型CRM 。运营型CRM 为分析和客户的服务支持提供依据。运营型CRM 收集大量的客户信息、市场活动信息和客户服务的信息,使得销售、市场、服务一体化、规范化和流程化,主要包括销售、市场和服务三个过程的流程化、规范化、自动化和一体化。在销售方面, 包括销售信息管理、销售过程定制、销售过程监控等。在市场营销方面,提供从市场营销活动信息管理、计划预算、项目追踪等功能。 (2)分析型CRM 。分析型CRM 主要是将大容量的销售、服务、市场以及业务数据进行整合,使用决策支持技术,将完整的和可靠的数据转化为有价值的、感兴趣的、可靠的信息,并将信息转化为知识,对未来的发展趋势做出必要而有意义的预测,为整个企业提供战略和战术上的商业决策,为客户服务和新产品的研发提供准确依据,提高企业的竞争能力。 (3)协作型CRM 。协作型CRM 是为了实现全方位地为客户提供交互服务与
遗传算法参数调整实验报告(精)
遗传算法参数调整实验报告 算法设计： 编码方案：遍历序列 适应度函数：遍历路程 遗传算子设计： 选择算子：精英保留+轮盘赌 交叉算子：Pxover ，顺序交叉、双亲双子， 变异算子：Pmutation ，随机选择序列中一个染色体（城市）与其相邻染色体交换 首先，我们改编了我们的程序，将主函数嵌套在多层迭代之内，从外到内依此为： 过程中，我们的程序将记录每一次运行时种群逐代进化（收敛）的情况，并另外记录总体测试结果。 测试环境： AMD Athlon64 3000+ (Overclock to 2.4GHz)
目标：寻求最优Px 、Pm 组合 方式：popsize = 50 maxgen = 500 \ 10000 \ 15000 Px = 0.1~0.9（0.05） Pm = 0.01~0.1（0.01） count = 50 测试情况：运行近2万次，时间约30小时，产生数据文件总共5.8GB 测试结果：Px, Pm 对收敛结果的影响，用灰度表示结果适应度，黑色为适应度最低 结论：Px = 0.1 ，Pm = 0.01为最优，并刷新最优结果19912（之前以为是20310），但20000次测试中最优解只出现4次，程序需要改进。 Maxgen = 5000 Pm=0.01 Px = 0.1 Maxgen = 10000 0.1 0.9 Px = 0.1 0.9 0.1
目标：改进程序，再寻求最优参数 方式：1、改进变异函数，只保留积极变异； 2、扩大测试范围，增大参数步进 popsize = 100 \ 200 \ 400 \ 800 maxgen = 10000 Px = 0.1 \ 0.5 \ 0.9 Pm = 0.01 \ 0.04 \ 0.07 \ 0.1 count = 30 测试情况：运行1200次，时间8小时，产生数据文件600MB 测试结果： 结论：Px = 0.1，Pm = 0.01仍为最优，收敛情况大有改善，10000代基本收敛到22000附近，并多次达到最优解19912。变异函数的修改加快了整体收敛速度。 但是收敛情况对Pm并不敏感。另外，单个种群在遗传过程中收敛速度的统计，将是下一步的目标。
遗传算法综述
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。
管理信息系统文献综述
管理信息系统文献综述 班级：信管11302 姓名：王丽健学号：201306609 摘要：随着社会的发展，管理信息系统越来越受到人们的关注，信息技术的飞速发展，将世界带人了知识经济时代。信息技术越来越成为新生产力的代表，建立一个优良的信息系统，有利于信息的处理。管理信息系统专业的培养目标是培养企业信息化人才。随着当前信息化人才的分工细化，在专业培养方案中可以采取大专业中的不同培养方向。这既符合企业的不同需求，也符合因材施教的原则。 关键词：信息管理与信息系统专业培养方案建设的思考 引言 为了适应社会对信息技术人才的需求，我校于2006年起开办了信息管理与信息系统本科专业。目前国内大多数院校都开设了该专业。为了提高所培养的学生的综合素质和应用能力，我进行了积极的探索和研究。在美国大学的本科专业设置中，信息管理与信息系统是信息科学专业下的分支方向。作为一门交叉学科，信息管理与信息系统专业既要求学生学习管理类知识，又需要与信息技术有机的融合，因而对专业建设提出了更高、更新的要求。 一、专业培养方案更新的建设意见和思路 培养目标的细分和完善根据目前的培养方案，信息管理和信息系统专业的培养目标是培养企业信息化人才。在培养方向上可有以下三个方向。 l、企业管理信息系统方向培养目标是培养可以担当企业信息化中管理信息系统的建设和维护工作。目前大中型企业特别是在中外合资企业和外商独资企业中，管理信息系统被广泛使用。企业资源规划(ERP)的概念已经被广泛所接受。该方向应该以管理信息系统和企业资源规划为培养重点。利用目前管理学院与国内知名的企业管理软件制
造企业金蝶所共同建立的企业资源规划(ERP)的实验室，开展符合企业生产、经营实际的案例教学，特别是重视企业资源规划(ERP)的课程设计，要求学生在校期间要熟练掌握ERP的使用，了解企业运作的业务流程，并对其中的某个流程如产品生产、供应链管理等相当熟悉。 2、网络安全和网络管理培养目标是培养可以担当企业中或专业汀服务机构的网络安全和网络管理工作的人才。现在越来越多的企业运用网络技术开展生产经营活动。而来自企业内外部的信息安全威胁已经为企业的正常运作埋下了隐患。大部分建立了自身网站的企业缺乏网络人侵防御机制，没有响应的安全策略和措施，一旦遭到黑客的人侵，企业的重要信息将泄漏，并给企业造成巨大的损失。另一方面企业的内部网络(D扛RENET)也需要进行严格管理，对网络的运行进行维护和管理。作为企业中的网络管理员，应合理调配资源，控制企业中的不良访问。伴随着企业信息化的进程，不少企业开始采用远程分销体系，例如温州的美特斯·邦威集团公司采用了远程分销体系给企业带来了明显的经济效益。总部远程调控，实时掌握各门店的销售信息、库存信息、财务信息等，并加以综合分析。而这一切都归功于企业虚拟网(VrN)因而在该方向的培养中应该以计算机网络、企业网络应用和网络安全为重点。建设相应配套的先进网络技术和网络安全实验室被提到议事日程上来，这将有利于学生在实验室中就可以直接以企业的实际运作方式进行网络管理的模拟，以及网络信息安全的实践学习。 3、多媒体技术信息管理和信息系统管理专业的培养不能拘泥于既定的课程体系，也要适应当前形势发展的需要。网络传输技术飞速发展，目前正处nN4向正佰的过渡中，因此多媒体技术在新的网络条件下又有了新的发展动向。流媒体点播已成为当前的热点并成为一种新的网络盈利模式。而月少6H动画的风靡更证明多媒体技术成为了网络经济的新动力，并形成了产业。应充分考虑社会的需求而进行调整，在教学中应把最新的技术发展趋势介绍给学生，并引导学生从事多媒
遗传算法的流程图
一需求分析 1．本程序演示的是用简单遗传算法随机一个种群，然后根据所给的交叉率，变异率，世代数计算最大适应度所在的代数 2．演示程序以用户和计算机的对话方式执行，即在计算机终端上显示“提示信息”之后，由用户在键盘上输入演示程序中规定的命令；相应的输入数据和运算结果显示在其后。3．测试数据 输入初始变量后用y=100*(x1*x1-x2)*(x1*x2-x2)+(1-x1)*(1-x1)其中-2.048<=x1,x2<=2.048作适应度函数求最大适应度即为函数的最大值 二概要设计 1．程序流程图 2．类型定义 int popsize; //种群大小 int maxgeneration; //最大世代数 double pc; //交叉率 double pm; //变异率 struct individual
{ char chrom[chromlength+1]; double value; double fitness; //适应度 }; int generation; //世代数 int best_index; int worst_index; struct individual bestindividual; //最佳个体 struct individual worstindividual; //最差个体 struct individual currentbest; struct individual population[POPSIZE]; 3．函数声明 void generateinitialpopulation(); void generatenextpopulation(); void evaluatepopulation(); long decodechromosome(char *,int,int); void calculateobjectvalue(); void calculatefitnessvalue(); void findbestandworstindividual(); void performevolution(); void selectoperator(); void crossoveroperator(); void mutationoperator(); void input(); void outputtextreport(); 4．程序的各函数的简单算法说明如下： （1）．void generateinitialpopulation ()和void input ()初始化种群和遗传算法参数。 input() 函数输入种群大小，染色体长度，最大世代数，交叉率，变异率等参数。 （2）void calculateobjectvalue();计算适应度函数值。 根据给定的变量用适应度函数计算然后返回适度值。 （3）选择函数selectoperator() 在函数selectoperator()中首先用rand ()函数产生0～1间的选择算子，当适度累计值不为零时，比较各个体所占总的适应度百分比的累计和与选择算子，直到达到选择算子的值那个个体就被选出，即适应度为fi的个体以fi/∑fk的概率继续存在； 显然，个体适应度愈高，被选中的概率愈大。但是，适应度小的个体也有可能被选中，以便增加下一代群体的多样性。 （4）染色体交叉函数crossoveroperator() 这是遗传算法中的最重要的函数之一，它是对个体两个变量所合成的染色体进行交叉，而不是变量染色体的交叉，这要搞清楚。首先用rand ()函数产生随机概率，若小于交叉概率，则进行染色体交叉，同时交叉次数加1。这时又要用rand()函数随机产生一位交叉位，把染色
遗传算法综述
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
智能教学系统：起源、发展与未来
龙源期刊网 https://www.360docs.net/doc/9216664563.html, 智能教学系统：起源、发展与未来 作者：梅鑫华吴伟 来源：《中国教育技术装备》2013年第15期 摘要追溯ITS的起源与形成，从体系结构、ITS国际会议论文主题、典型ITSs三个方面，重点分析介绍ITS的发展，并从学习理论、计算机科学与技术及学科有机整合三个方面探讨ITS的未来。 关键词智能教学系统；约束模型；学习支持系统 中图分类号：G434 文献标识码：A 文章编号：1671-489X（2013）15-0048-03 科学与技术的发展，使得智能化成为现实。而智能化工具作为人类智能的延伸，使得各领域的智能化成为其发展的必然趋势。将智能化引入教育领域，形成智能教学系统（Intelligent Tutoring System，简称 ITS）。由计算机系统模拟专家的思维过程，效仿教师的策略选择和方案实施，帮助和引导学生学习，实现个性化和适应性教学。 1 什么是智能教学系统 1.1 智能教学系统的概念 智能教学系统（ITS）是一种借助于人工智能技术，让计算机扮演教师的角色实施个别化教学，向不同需求、不同特征的学习者传授知识，提供指导的适应性学习支持系统（Adaptive Learning System）[1]。这是目前国内学者普遍接受的观点。而国外有学者认为，所有智能教学系统有一个共同的目标：提供支持学习的教师服务[2]。 1）智能的本质：适应性。主要表现为能判断不同认知水平、知识水平的学生，并灵活提供相适应的教学材料，实施相对应的教学策略。 2）ITS的需求价值：提供服务。即面对不同学生的需求，能提供相适应的教师服务。 1.2 智能教学系统的学科基础 人类认识的深入、技术的发展，使得许多新兴学科相继形成并蓬勃发展。智能教学系统正是在认知科学、智能技术的不断深入与发展下而形成的，其学科基础主要包括两个方面。 1）“智能”相关学科：计算机软件、计算机应用技术、信息学、人工智能。
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。
高校信息管理系统文献综述
高校信息管理系统文献综述 徐振兴 摘要：随着现代高校的学生日益增多，高校的信息管理越来越复杂。以前 的管理模式很快就适应不了现在庞大的数据信息量。基于此，开发一个针对高校的信息管理系统变得有必要，此系统可以让所有的管理学校信息的工作人员从繁重的工作中解脱出来，提高工作效率。 关键词：高校，信息管理，工作效率 一．前言 高校信息管理系统是典型的信息管理系统(MIS), 是一个由管理人员和计算机组成的用以进行信息的收集、传输、加工、存储、维护和使用的系统。它代替传统的人工模式，提高学生信息管理的效率，也是学校的科学化、正规化管理,与世界接轨的重要条件。对于推动我国管理信息处理的现代化起了重要的作用。其开发主要包括后台数据库的建立和维护以及前端应用程序的开发两个方面。对于前者要求建立起数据一致性和完整性强、数据安全性好的库。而对于后者则要求应用程序功能完备,易使用等特点。 二．国内相关研究及现状 高校信息管理是教学管理中的一项重要工作，成绩管理是一项工作量大、时间性强、易于出错且具有一定保密性的业务。特别是随着高校的不断扩招，进入高校的大学生越来越多，高校信息管理工作量将大幅度增加，如果全由手工完成，耗时巨大，效率却很低。在信息时代的今天,数据库技术在数据处理方面的应用已经非常广泛,作为高校教育工作一部分的高校信息信息管理更应赶上时代的步伐。因此，开发一套适合学校专业设置的计算机化高校信息管理系统，不仅可以提高学校的管理效率，而且可以使我们的教学管理水平更上一层楼。系统的开发主要包括后台数据库的建立、维护以及前端应用程序的开发两个方面。对于前者要求建立数据一致性和完整性强、数据安全性好的数据库。而对于后者则要求应用程序以尽可能的方便用户使用为宗旨，还要尽可能的实用。纵观目前国内研究现状，在数据安全性和信息更新化方面仍存在有一定的不足，各现有系统资料单独建立，共享性差；在以管理者为主体的方式中，信息取舍依赖管理者对于信息的认知与喜好，较不容易掌握用户真正的需求，也因此无法完全满足用户的需求。例如，在现已开发设计的高校信息管理系统中，有些系统仍需较多的人工干预及用户操作，有些系统的人机界面不是很好，有些系统则出现了各个独立的子系统能够较好地运行，而子系统之间却不能很好地“协同”工作，数据共享性差的情况。另外，各个子系统之间在界面风格上也相差甚远。这样，给软件系统的
遗传算法的参数整定报告
基于遗传算法的PID控制器参数整定报告 一、遗传算法。 遗传算法（GAs）是基于自然界生物进化机制的搜索寻优技术。用遗传算法来整定PID参数，可以提高优化性能，对控制系统有良好的控制精度、动态性能和鲁棒性。 一般的，Gas包括三个基本要素：复制、交叉和突变。 二、PID Optimal-Tuning PID控制：对偏差信号e(t)进行比例、积分和微分运算变换后形成的一种控制规律。 （1） 可调参数：比例度δ（P）、积分时间Ti（I）、微分时间Td（D）。 通常，PID控制准则可以写成下面传递函数的形式： ) 1( ) (s T T s K s G d i p + + =（2） Kp、Ti和Td分别是比例放大率、积分时间常量和微分时间常量。 1）比例控制（P）：是一种最简单的控制方式。其控制器的输出与输入误差信号成比例关系。当仅有比例控制时系统输出存在稳态误 差（Steady state error）,比例度减小，稳态误差减小； 2）积分（I）控制：在积分控制中，控制器的输出与输入误差信号的积分成正比关系。 3）微分（D）控制：在微分控制中，控制器的输出与输入误差信号()()()()? ? ? ? ? ? + + =?t e dt d T d e T t e K t u d t i p0 1 τ τ
的微分（即误差的变化率）成正比关系。 文中，性能指标是误差平方的时间加权积分，表示为： ),,1,0(,0 2n k dt e t J i t k ==? （3） 其中n 是非负整数，i t 是积分周期。此外，其他标准项如超调量、上升时间和稳定时间也被一个合成性能指标选择： ))(1(s s r r c t c t c os J ++= （4） s r os t t 、、分别代表超调量、上升时间和稳定时间。s r c 、c 两个系数有用户定义或决定。预期的性能指标的最下化可以认为是小的超调量、短的上升时间和稳定时间。 三个PID 参数的编码方式如下： 10101011:S 1010100011100111 p K i K d K p K 、i K 和d K 都是八位二进制字符格式。 自适应函数的选择关系到性能指标，如： 101)(J J F F == （5） 实际上，)(J F 可以是任何一个能切实表达F 和J 关系的非线性函数。 遗传操作是模拟生物基因遗传的操作，从优化搜索的角度而言，遗传操作可使问题的解一代一代地优化，并逼近最优解，主要包括三个遗传算子：选择、交叉和变异。关于他们的具体方法这里不在赘述。 三、 计算机实现 作者编程使用的事TURBO C 。程序包括两个部分：一个是仿真PID 控制系统的闭环阶跃响应；另一个是实施对一代所有成员的遗传算法的仿真，这里遗传算法将一代作为一个整体。在第一代生物的二进制代码随机产生之后，这个过程重复直至迭代次数达到预选的次数。 步长、PID 参数X 围、性能指标、自适应函数和方法得时间延迟都是从一个文件中读取。而遗传算法的的参数，诸如世代数、交叉概率、变异概率、选择概率等通过菜单选择。 整个闭环系统仿真的完成可以用四阶龙格库塔法或直接时域计算。在程序中,复制的实现是通过轮盘赌博法的线性搜索，面积加权于上一代成员的适应值。交叉发生在每一对复制产生的成员。 交叉操作是将一个随机产生的一个在0到1之间数与交叉概率比较决定是否需要交叉。如果需要交叉，则在1到47之间随机产生一个交叉位置代码。变异，对新一代所有成员都随机产生一个0到1之间的数与变异概率比较，然后再决定是否改变代码的一位。同理，反转也是这样判定和操作的。另一需要说明的事，两个反转位置代码是在1~48之间随机选择的。同样，
遗传算法
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
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
基于Java的人事管理系统文献综述
学校代码：11517 学号：201011002240 HENAN INSTITUTE OF ENGINEERING 文献综述 题目基于Java 的人事管理系统 的设计与实现 学生姓名许耀辉 专业班级信息与计算科学1042班 学号201011002240 系（部）理学院 指导教师(职称)董西广(讲师) 完成时间2014年3月4日
基于Java的人事管理系统的设计与实现 摘要：随着计算机的发展，科技的发展，现阶段的人事管理系统越来越不能满足企业的需要，特别是对于一些企业仍然采用人工管理的方式，这种方式不仅增加了企业的成本，而且极其容易出错，设计一种基于Java的人事管理系统就应运而生了，人事管理系统基本实现了企业人事管理的基本应用，包括人事信息管理的增、删、改、查，考勤信息管理的增、删、改、查，个人简历信息管理等基本应用，设计的人事管理涉及MySQL数据库的操作，Eclipse以及jdbc数据库的连接等相关知识。 关键词：Java/MySQL/Eclipse/人事管理 1 引言 21世纪最激烈的竞争当属人才的竞争，一个具有多学科知识的复合性人才或许是一个企业发展壮大所不可或缺的重要因素。因此人力资源已逐步成为企业最重要的资源，人力资源管理（Human Resource Management，HRM）也成为现代企业管理工作中的重要内容之一。随着社会的发展，科技的进步，计算机的应用在社会各领域中都得到了普及，越来越多的人都感受到利用计算机进行各类管理的科学和便捷；认识到管理信息系统对于管理工作的重要性[1]。 本次论文创作的主要目的是设计一款简单、易操作的现代人事管理系统，在论文创作的过程中，我借助学校和个人收集的相关资料，利用图书馆和网络等渠道，广泛查阅相关资料，分析前人成果的基础上，明确系统设计思路。 2 人事管理系统的发展 2.1人事管理系统的国外的发展 人事管理系统的发展经过三个阶段的发展。 人事管理系统的发展历史可以追溯到20世纪60年代末期。由于当时计算机技术已经进入实用阶段，同时大型企业用手工来计算和发放薪资既费时费力又容
最新最全的遗传算法工具箱及说明
最新最全的遗传算法工具箱Gaot_v5及说明 Gaot_v5下载地址：https://www.360docs.net/doc/9216664563.html,/mirage/GAToolBox/gaot/gaotv5.zip 添加遗传算法路径： 1、 matlab的file下面的set path把它加上，把路径加进去后在 2、 file→Preferences→General的Toolbox Path Caching里点击update Toolbox Path Cache更新一下，就OK了
遗传算法工具箱Gaot_v5包括许多实用的函数，各种算子函数，各种类型的选择方式，交叉、变异方式。这些函数按照功能可以分成以下几类：
主程序 ga.m提供了 GAOT 与外部的接口。它的函数格式如下： [x endPop bPop traceInfo]=ga(bounds,evalFN,evalOps,startPop,opts,termFN,termOps, selectFn,selectOps,xOverFNs,xOverOps,mutFNs,mutOps) 输出参数及其定义如表 1 所示。输入参数及其定义如表 2 所示。 表1 ga.m的输出参数 输出参数 定义 x 求得的最好的解，包括染色体和适应度 endPop 最后一代染色体（可选择的） bPop 最好染色体的轨迹（可选择的） traceInfo 每一代染色体中最好的个体和平均适应度（可选择的） 表2 ga.m的输入参数 表3 GAOT核心函数及其它函数
核心函数： (1)function [pop]=initializega(num,bounds,eevalFN,eevalOps,options)--初始种群的生成函数 【输出参数】 pop--生成的初始种群 【输入参数】 num--种群中的个体数目 bounds--代表变量的上下界的矩阵 eevalFN--适应度函数 eevalOps--传递给适应度函数的参数 options--选择编码形式(浮点编码或是二进制编码)[precision F_or_B],如 precision--变量进行二进制编码时指定的精度 F_or_B--为1时选择浮点编码，否则为二进制编码,由precision指定精度) (2)function [x,endPop,bPop,traceInfo] = ga(bounds,evalFN,evalOps,startPop,opts,... termFN,termOps,selectFN,selectOps,xOverFNs,xOverOps,mutFNs,mutOps)--遗传算法函数 【输出参数】 x--求得的最优解 endPop--最终得到的种群 bPop--最优种群的一个搜索轨迹 【输入参数】
遗传算法概述
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