粒子群优化算法（PSO）在智能组卷中的应用.pdfVIP

网络纵横 照登 星QQ睦篡搬J盟 粒子群优化算法(P S O)在智能组卷中的应用 王启明 褚 龙现 (平顶山学院 ) 摘 要 本文利用计算智能算法申的粒子群算法对组卷系统加以改进，保留了遗传算法固有的智能搜索技术和有效的寻优和收敛 性，通过叠代搜寻最优值，无须太多参数调整，简单容易地实现更加智能和高效的组卷， 关键词 粒子群算法 智能组卷 收敛速度 叠代搜寻 粒子群优化算法以其简单容易实现及精确的智能搜索技术，越来 很好的优化工具。粒子群优化算法(PSO)是一种进化计算技术。 越多地受到广泛的关注。将此算法应用于智能汁算机辅助教学系统的 2 1算法介绍 自动组卷，取代常用的遗传算法，从而大大提高了组卷的效率和精确 PSO模拟鸟群的捕食行为、 一群鸟在随机搜索食物，在这个区域 度。自动组卷的效率与质量完全取决于抽题算法的设计。如何没计一 里只有一块食物 所有的鸟都不知道食物在那里，但是他们知道当前 个算法从题库中既怏又好的抽出一组最佳解或是抽出一组非常接近最 的位置离食物还有多远。那么找到食物的最优策略是什么呢。最简单 佳解的实体，涉及到—个全局寻优和收敛速度怏慢的问题，受到了广 有效的就是搜寻目前离食物最近的鸟的周围区域 PSO从这种模型中 泛的关注。粒子群优化算法的优势在下简单容易实现并且没有许多参 得到启示并用于解决优化问题。PSO中，每个优化『“J题的解部是搜索 数需要调整。目前已广泛应用于函数优化、神经蚓络洲练、模糊系统 空 中的一只鸟，我们称之为 “粒子” 所有的粒子都有一个由设优 控制以及其他遗传算法的应用领域。通过理论推导和事实运用，发现 化的函数决定的适应值(fitness value)，每个粒子还有一个速度决定他 粒子群优化算法在寻优和收敛性方面部是非常有效的 、本文结合粒子 们飞翔的方向和距离。然后粒子们就追随当前的最优粒子在解空间中 群优化算法(PSO)的原理和思想，对考试自动出题组卷的f“1题进行了 搜索 PSO初始化为一群随机粒子(随机解)，然后通过叠代找到最优 研究，找到了一种获得与考试试题控制指标符合的试题模型的解决方 解，在每一次叠代中，粒子通过跟踪两个 “极值”来更新自己。第一 法。 个就是粒子本身所找到的最优解，这个解叫做个体极值pBest．另一 1 智能组卷算法的选择 个极值是整个种群目前找到的最优解，这个极值是全局极值gBest。 另外也可以不用整个种群而只是用其中一部分最优粒子的邻居，那么 智能组卷是保证生成的试卷能最大程度的满足不 用户的不 需 在所有邻居中的极值就是局部极值。 要，并具有随机性，科学性，合理性，精确性，这是实现中的一个难 2．2 PSO算法过程 点，也是考试系统自动化或半自动化操作的核心目标之一。尤其在交 ①种群随机初始化。 互式环境下用户对于组卷速度要求较高，而一个 论上较完美的算法 ②对种群内的每一个个体汁算适应值(fitness value)，适应值与最 可能会以牺牲u,ll~J作为代价，往往不能达到预期的效果 I 此，选择 优解的距离直接有关。 一 个高效、科学、合理的算法是自动组卷的关键．．以往的自动组卷系 ③种群根据适应值进行复制 统大多采