- 1、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。。
- 2、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 4、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 5、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
基于交互式遗传算法网站信息分类体系交互设计
基于交互式遗传算法网站信息分类体系交互设计
〔摘 要〕本文在介绍交互式遗传算法的基础上,提出了基于交互式遗传算法网站信息分类体系交互设计的基本思路;并采用JSP实现了MVC模式下网站信息分类体系交互设计程序。
〔关键词〕交互式遗传算法;MVC;信息分类体系
〔中图分类号〕TP18;G257 〔文献标识码〕B 〔文章编号〕1008-0821(2009)02-0123-03
Interactive Design of Websites?? Information Classification
Based on Interactive Genetic AlgorithmWu Sheng1,2 Zhang Zhiguang1 Zhang Changjiang1 Wu Qingqing2
(1.College of Economics and Management,Nanjing Forestry University,Nanjing 210037,China;
2.School of Computer Science and Technology,Xuzhou Normal University,Xuzhou 221116,China)
〔Abstract〕This paper introduced Interactive Design of Websites?? Information Classification based on Interactive Genetic Algorithm(IDWICIGA).After introducing Interactive Genetic Algorithm(IGA),this paper introduced main idea of the method IDWICIGA.This paper implemented the IDWICIGA program with JSP in MVC model.
〔Key words〕interactive genetic algorithm;MVC;information classification
网络信息分类问题日益受到人们的关注[1]。网络信息分类体系编制问题是网络信息分类研究中的热点之一[2-3]。网站是网络信息的重要载体,网站信息分类体系质量直接影响到网站的质量,并影响到用户对网站的评价和访问。对网站信息分类体系的设计方法进行研究不仅有理论意义,还有很强的应用价值。
如何根据用户需求设计信息分类体系是网站设计时需要解决的重要问题之一[4]。一些文献曾用遗传算法(Genetic Algorithm,GA)来解决网站设计中的问题;文献[5]用遗传算法和神经网络实现了对网站开发的优化,文献[6]用交互式遗传算法(Interactive Genetic Algorithm,IGA)实现了对网站样式和布局的交互设计。
交互式遗传算法是一种新型遗传算法,它通过让用户评估个体来替代适应度函数值进行自动计算,通过交互体现了用户的个性或用户的兴趣。交互式遗传算法已成功地应用到服装设计、乐曲创作、网站结构设计等领域[6-8]。于是,本文提出了基于交互式遗传算法实现网站信息分类体系的交互设计,让用户和程序一起交互地完成网站信息分类体系的设计。
1 基于IGA网站信息分类体系交互设计的思路
1.1 交互式遗传算法简介
用遗传算法求解问题时,需要先将问题可能解看作是群体(种群)中的个体,并将个体编码成符号串形式(即染色体)。然后,模拟生物进化过程对个体反复进行杂交、变异等操作;并根据预定的适应度函数评价每个个体,依据优胜劣汰的进化规则不断得到新的种群。同时,搜索种群中的最优个体,求得满足要求的最优解。
GA采用一定的编码技术构造染色体;染色体是GA操作的基本对象。在GA执行时,每一代有许多个体同时存在。GA程序根据个体对环境的适应能力来生成新种群中的个体,适应能力强的个体有更多机会成为新种群中的个体。适应能力的强弱通过适应度函数??f(x)??的值来判别。适应度函数??f(x)??的构成与目标函数有密切关系,往往是目标函数的变种。
GA的遗传操作有选择(Selection)、杂交(Crossover)和变异(Mutation)等操作。选择是从目前种群中选择适应能力强的个体从而产生新种群的过程。当许多个体相同或后代个体与上一代没有太大差别时,可通过杂交来产生新一代个体。例如,有2个个体??A和B,长度为6,A=a??1a??2a??3a??4a??5a??6,B=b??1b??2b??3b??4b??5b??6。经杂交后可能变为A′和B
原创力文档


文档评论(0)