基于遗传算法的组卷算法开题报告

❶ 基于遗传算法的自动组卷系统的设计与实现（毕业设计） 求大神给一个系统

请问最后您是用什么方式实现的呢，不知是否保留代码？诚求！（价钱可继续商议）

❷ 导师对申请专业硕士学位论文导师的评语怎么写

导师意见：包括申请人的理论水平、研究能力、外语程度、学术作风及论文的学术水平，论文是否由本人独立完成、是否同意进行论文答辩和申请学位等

1、某某同志在攻读硕士学位期间，学习态度端正，严格要求自己，学习成绩优良。同时能够良好运用所学基础理论和专业知识，把握相关研究领域的学科研究现状，运用先进的计算工具进行相关研究工作，理论水平较好，具有一定的从事采矿工程专业相关领域的研究能力。

2、该生攻读硕士学位期间公开发表了这篇论文，同时学位论文中的中英文翻译较为恰当、准确，表明刘帆同志具有良好的外语程度。

3、学位论文提出了技术并对其机理进行了分析，引文完整规范，表明作者具有较好的学术作风，研究结果具有一定的理论和应用价值，具有一定的学术水平。

4、学位论文由某某同志独立完成，同意某某进行硕士学位论文答辩，同意申请硕士学位。

5、本文研究了XXXX，对处理会计信息失真有较强的实用价值，提供了新的依据。作者思路清晰，论述过程严谨，分析合理，结果于实际应用性较强。论文写作规范，语句通顺，达到了学校对学位论文的各种要求。

❸ 数学与应用数学毕业论文开题报告的总体安排进步怎么写

示例一题目：基于遗传算法的混合需求VRP问题优化研究评价内容评价指标开题报告能独立查阅文献和从事其他调研；能正确翻译外文资料；能较好提出课题的开题报告；综合分析的正确性和设计、计算的正确性；论证的充分性业务水平有扎实的基础理论知识和专业知识；能正确设计实验方案（或正确建立数学模型、机械结构方案）；独立进行实验工作；能运用所学知识和技能去发现与解决实际问题；能正确处理实验数据；能对课题进行理论分析，得出有价值的结论；有较好的专业外语水平论文质量综述简练完整，有见解；立论正确，论述充分，结论严谨合理；实验正确，分析处理科学；文字通顺，技术用语准确，符号统一，编号齐全，书写工整规范，图表完备、整洁、正确；论文结果有应用价值；计算及测试结果准确；工作中有创新意识；对前人工作有改进或突破，或有独特见解；工作量、工作态度按期完成规定的任务，工作量饱满，难度较大；工作努力，遵守纪律；工作作风严谨务实导师评语论文介绍了送货问题和取货问题同时存在的混合需求VRP问题，并设计了相应的遗传算法，通过C编程进行实验，试验结果表明所设计的遗传算法是可行和有效的。论文选题有一定的理论价值和实际意义，结构合理，逻辑清晰，格式较规范。示例二题目：供应链风险形成机理及防范对策研究评价内容评价指标能独立查阅文献和从事其他调研；能正确翻译外文资料；能较好提出课题的开题报告；综合分析的正确性和设计、计算的正确性；论证的充分性业务水平有扎实的基础理论知识和专业知识；能正确设计实验方案（或正确建立数学模型、机械结构方案）；独立进行实验工作；能运用所学知识和技能去发现与解决实际问题；能正确处理实验数据；能对课题进行理论分析，得出有价值的结论；有较好的专业外语水平论文质量综述简练完整，有见解；立论正确，论述充分，结论严谨合理；实验正确，分析处理科学；文字通顺，技术用语准确，符号统一，编号齐全，书写工整规范，图表完备、整洁、正确；论文结果有应用价值；计算及测试结果准确；工作中有创新意识；对前人工作有改进或突破，或有独特见解；工作量、工作态度按期完成规定的任务，工作量饱满，难度较大；工作努力，遵守纪律；工作作风严谨务实导师评语该生论文选题新颖，条理清楚，结构明确，重点突出。文章在对国内外有关供应链风险管理的研究现状进行评述的基础上，分析了供应链风险产生的机理并对其分类，最后针对供应链风险提出了几点预防和控制措施。在论文撰写期间，该生能够认真遵守学院的各项规章制度，按时提交论文初稿，虚心听取指导老师的意见和建议，并及时认真修改。态度端正，表现良好。

❹ 基于遗传算法的水文频率计算与研究

对广西壮族自治区梧州藤县大任河水库1966～2005年年最大24h降雨量进行分析研究，根据经验，采用P-Ⅲ型曲线对降雨量分布点据进行拟合，运用矩法、概率权重矩法、单权函数法、双权函数法对P-Ⅲ型曲线的三个参数初估，把P-Ⅲ型曲线的三个参数作为GA的决策变量，分析调整得到GA决策变量的取值范围，最后，通过GA优化决策变量的取值，计算得出设计洪水，并进行了合理性分析。结论如下:

1)采用矩法、概率权重矩法、单权函数法和双权函数法，初估P-Ⅲ型分布曲线的三个参数，通过适当的调整，来确定GA的决策变量的取值范围。预先设定了12组GA运行参数，从12次的程序调试运行成果中，分析确定合适的运行参数取值范围;GA程序调试过程表明，初始的种群数要足够大，才能保证交叉和变异操作的有效进行;初始的种群数太小，交叉和变异操作后的个体缺乏多样性，不利于程序搜索最优点。种群规模足够大，交叉概率为0.6和0.8时，对适应度函数收敛曲线的影响不是很大，而变异概率过大，适应度函数收敛曲线上下波动大。在实际操作中，GA的运行参数中的种群规模、交叉概率和变异概率三者之间是相互约束的。一般来说，当种群规模大时，交叉概率就相应的选择小一点的值，但也并非一成不变，需要从整体上考虑，找出其中的平衡点，目前并没有完善的理论加以指导，还得根据实际问题，反复不停的调试，最终才能发现适合实际情况的GA运行参数。

2)GA是一种新的自适应搜索方法，它是建立在生物遗传学和计算机的基础上，通过运用杂交、变异两种算子作为搜索工具，用适应度的函数对搜索到的解的质量进行评价，并根据评价的结果用选择算子来引导以后的搜索方向。

3)GA拟合曲线的精度较高，30次计算成果的相对误差都在允许的偏差的范围内， GA计算有效性的合格率为70%，总体上优于双权函数法，实际应用时，需根据实际的计算结果，选择精度高(平均相对误差较小)的一次运算作为计算依据;同时，由于GA以及其在水文水资源系统工程中的应用尚未成熟，所以实际计算应结合计算精度也较高的双权函数法进行比较，GA的计算可以作为一种参考，或在综合比较和论证的情况下作为设计依据。

❺ 代码！！！－－基于遗传算法在路径规划优化中的应用

遗传算法， 是人工智能的一种算法的。

以前图书馆有看到， 很多相关的书的，不要寄望于自己什么都不做，就找人家帮忙啦。

❻ 遗传算法在组卷中是如何体现的

是一种并行的、能够有效优化的算法，以morgan的基因理论及eldridge 与gould间断平衡理论为依据，同时融合了mayr的边缘物种形成理论和bertalanffv一般系统理论的一些思想，模拟达尔文的自然界遗传学：继承（基因遗传）、进化（基因突变）优胜劣汰（优的基因大量被遗传复制，劣的基因较少被遗传复制）。其实质就是一种把自然界有机体的优胜劣汰的自然选择、适者生存的进化机制与同一群体中个体与个体间的随机信息交换机制相结合的搜索算法。运用遗传算法求解问题首先需将所要求解的问题表示成二进制编码，然后根据环境进行基本的操作：selection，crossover，mutation……这样进行不断的所谓“生存选择”，最后收敛到一个最适应环境条件的个体上，得到问题的最优解。

❼ 论文中期检查表拟采取的研究方法和可行性分析怎么写

示例一
题目：基于遗传算法的混合需求VRP问题优化研究
评价内容 评价指标
开题报告
能独立查阅文献和从事其他调研；能正确翻译外文资料；能较好提出课题的开题报告；综合分析的正确性和设计、计算的正确性；论证的充分性
业务水平
有扎实的基础理论知识和专业知识；能正确设计实验方案（或正确建立数学模型、机械结构方案）；独立进行实验工作；能运用所学知识和技能去发现与解决实际问题；能正确处理实验数据；能对课题进行理论分析，得出有价值的结论；有较好的专业外语水平
论文质量
综述简练完整，有见解；立论正确，论述充分，结论严谨合理；实验正确，分析处理科学；文字通顺，技术用语准确，符号统一，编号齐全，书写工整规范，图表完备、整洁、正确；论文结果有应用价值；计算及测试结果准确；工作中有创新意识；对前人工作有改进或突破，或有独特见解；
工作量、工作态度
按期完成规定的任务，工作量饱满，难度较大；工作努力，遵守纪律；工作作风严谨务实
导师评语
论文介绍了送货问题和取货问题同时存在的混合需求VRP问题，并设计了相应的遗传算法，通过C编程进行实验，试验结果表明所设计的遗传算法是可行和有效的。论文选题有一定的理论价值和实际意义，结构合理，逻辑清晰，格式较规范。

示例二
题目：供应链风险形成机理及防范对策研究
评价内容 评价指标
能独立查阅文献和从事其他调研；能正确翻译外文资料；能较好提出课题的开题报告；综合分析的正确性和设计、计算的正确性；论证的充分性
业务水平
有扎实的基础理论知识和专业知识；能正确设计实验方案（或正确建立数学模型、机械结构方案）；独立进行实验工作；能运用所学知识和技能去发现与解决实际问题；能正确处理实验数据；能对课题进行理论分析，得出有价值的结论；有较好的专业外语水平
论文质量
综述简练完整，有见解；立论正确，论述充分，结论严谨合理；实验正确，分析处理科学；文字通顺，技术用语准确，符号统一，编号齐全，书写工整规范，图表完备、整洁、正确；论文结果有应用价值；计算及测试结果准确；工作中有创新意识；对前人工作有改进或突破，或有独特见解；
工作量、工作态度
按期完成规定的任务，工作量饱满，难度较大；工作努力，遵守纪律；工作作风严谨务实
导师评语

该生论文选题新颖，条理清楚，结构明确，重点突出。文章在对国内外有关供应链风险管理的研究现状进行评述的基础上，分析了供应链风险产生的机理并对其分类，最后针对供应链风险提出了几点预防和控制措施。
在论文撰写期间，该生能够认真遵守学院的各项规章制度，按时提交论文初稿，虚心听取指导老师的意见和建议，并及时认真修改。态度端正，表现良好。

❽ 遗传算法研究进展

遗传算法^{［56，53］}研究的兴起是在20世纪80年代末和90年代初期，但它的历史起源可追溯到20世纪60年代初期。早期的研究大多以对自然遗传系统的计算机模拟为主。早期遗传算法的研究特点是侧重于对一些复杂的操作的研究。虽然其中像自动博弈、生物系统模拟、模式识别和函数优化等给人以深刻的印象，但总的来说这是一个无明确目标的发展时期，缺乏带有指导性的理论和计算工具的开拓。这种现象直到20世纪70年代中期由于Holland和De Jong的创造性研究成果的发表才得到改观。当然，早期的研究成果对于遗传算法的发展仍然有一定的影响，尤其是其中一些有代表性的技术和方法已为当前的遗传算法所吸收和发展。

在遗传算法作为搜索方法用于人工智能系统中之前，已有不少生物学家用计算机来模拟自然遗传系统。尤其是Fraser的模拟研究，他于1962年提出了和现在的遗传算法十分相似的概念和思想。但是，Fraser和其他一些学者并未认识到自然遗传算法可以转化为人工遗传算法。Holland教授及其学生不久就认识到这一转化的重要性，Holland认为比起寻找这种或那种具体的求解问题的方法来说，开拓一种能模拟自然选择遗传机制的带有一般性的理论和方法更有意义。在这一时期，Holland不但发现了基于适应度的人工遗传选择的基本作用，而且还对群体操作等进行了认真的研究。1965年，他首次提出了人工遗传操作的重要性，并把这些应用于自然系统和人工系统中。

1967年，Bagley在他的论文中首次提出了遗传算法（genetic algorithm）这一术语，并讨论了遗传算法在自动博弈中的应用。他所提出的包括选择、交叉和变异的操作已与目前遗传算法中的相应操作十分接近。尤其是他对选择操作做了十分有意义的研究。他认识到，在遗传进化过程的前期和后期，选择概率应合适地变动。为此，他引入了适应度定标（scaling）概念，这是目前遗传算法中常用的技术。同时，他也首次提出了遗传算法自我调整概念，即把交叉和变异的概率融于染色体本身的编码中，从而可实现算法自我调整优化。尽管Bagley没有对此进行计算机模拟实验，但这些思想对于后来遗传算法的发展所起的作用是十分明显的。

在同一时期，Rosenberg也对遗传算法进行了研究，他的研究依然是以模拟生物进化为主，但他在遗传操作方面提出了不少独特的设想。1970年Cavicchio把遗传算法应用于模式识别中。实际上他并未直接涉及到模式识别，而仅用遗传算法设计一组用于识别的检测器。Cavicchio对于遗传操作以及遗传算法的自我调整也做了不少有特色的研究。

Weinberg于1971年发表了题为《活细胞的计算机模拟》的论文。由于他和Rosenberg一样注意于生物遗传的模拟，所以他对遗传算法的贡献有时被忽略。实际上，他提出的多层次或多级遗传算法至今仍给人以深刻的印象。

第一个把遗传算法用于函数优化的是Hollstien。1971年他在论文《计算机控制系统中的人工遗传自适应方法》中阐述了遗传算法用于数字反馈控制的方法。实际上，他主要是讨论了对于二变量函数的优化问题。其中，对于优势基因控制、交叉和变异以及各种编码技术进行了深入的研究。

1975年在遗传算法研究的历史上是十分重要的一年。这一年，Holland出版了他的着名专着《自然系统和人工系统的适配》。该书系统地阐述了遗传算法的基本理论和方法，并提出了对遗传算法的理论研究和发展极为重要的模式理论（schemata theory）。该理论首次确认了结构重组遗传操作对于获得隐并行性的重要性。直到这时才知道遗传操作到底在干什么，为什么又干得那么出色，这对于以后陆续开发出来的遗传操作具有不可估量的指导作用。

同年，De Jong完成了他的重要论文《遗传自适应系统的行为分析》。他在该论文中所做的研究工作可看作是遗传算法发展进程中的一个里程碑，这是因为他把Holland的模式理论与他的计算实验结合起来。尽管De Jong和Hollstien一样主要侧重于函数优化的应用研究，但他将选择、交叉和变异操作进一步完善和系统化，同时又提出了诸如代沟（generation gap）等新的遗传操作技术。可以认为，De Jong的研究工作为遗传算法及其应用打下了坚实的基础，他所得出的许多结论迄今仍具有普遍的指导意义。

进入20世纪80年代，遗传算法迎来了兴盛发展时期，无论是理论研究还是应用研究都成了十分热门的课题。尤其是遗传算法的应用研究显得格外活跃，不但它的应用领域扩大，而且利用遗传算法进行优化和规则学习的能力也显着提高，同时产业应用方面的研究也在摸索之中。此外一些新的理论和方法在应用研究中亦得到了迅速的发展，这些无疑均给遗传算法增添了新的活力。

随着应用领域的扩展，遗传算法的研究出现了几个引人注目的新动向：一是基于遗传算法的机器学习（Genetic Base Machine Learning），这一新的研究课题把遗传算法从历来离散的搜索空间的优化搜索算法扩展到具有独特的规则生成功能的崭新的机器学习算法。这一新的学习机制对于解决人工智能中知识获取和知识优化精炼的瓶颈难题带来了希望。二是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智能计算方法相互渗透和结合，这对开拓21世纪中新的智能计算技术将具有重要的意义。三是并行处理的遗传算法的研究十分活跃。这一研究不仅对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。四是遗传算法和另一个称为人工生命的崭新研究领域正不断渗透。所谓人工生命即是用计算机模拟自然界丰富多彩的生命现象，其中生物的自适应、进化和免疫等现象是人工生命的重要研究对象，而遗传算法在这方面将会发挥一定的作用。五是遗传算法和进化规划（Evolution Programming，EP）以及进化策略（Evolution Strategy，ES）等进化计算理论日益结合。EP和ES几乎是和遗传算法同时独立发展起来的，同遗传算法一样，它们也是模拟自然界生物进化机制的智能计算方法，既同遗传算法具有相同之处，也有各自的特点。

随着遗传算法研究和应用的不断深入和发展，一系列以遗传算法为主题的国际会议十分活跃。从1985年开始，国际遗传算法会议，即ICGA（International Conference on Genetic Algorithm）每两年举行一次。在欧洲，从1990年开始也每隔一年举办一次类似的会议，即 PPSN（Parallel Problem Solving from Nature）会议。除了遗传算法外，大部分有关ES和EP的学术论文也出现在PPSN中。另外，以遗传算法的理论基础为中心的学术会议有FOGA（Foundation of Genetic Algorithm）。它也是从1990年开始，隔年召开一次。这些国际学术会议论文集中反映了遗传算法近些年来的最新发展和动向。

❾ 组卷算法有哪几种

目前有三种：

1. 随机选取法：根据状态空间的控制指标，由计算机随机的抽取一道试题放入试题库，此过程不断重复，直到组卷完毕，或已无法从题库中抽取满足控制指标的试题为止。该方法结构简单，对于单道题的抽取运行速度较快，但是对于整个组卷过程来说组卷成功率低，即使组卷成功，花费时间也令人难以忍受。尤其是当题库中各状态类型平均出题量较低时，组卷往往以失败而告终。

2. 回溯试探法：这是将随机选取法产生的每一状态类型纪录下来，当搜索失败时释放上次纪录的状态类型，然后再依据一定的规律（正是这种规律破坏了选取试题的随机性）变换一种新的状态类型进行试探，通过不断的回溯试探直到试卷生成完毕或退回出发点为止，这种有条件的深度优先算法，对于状态类型和出题量都较少的题库系统而言，组卷成功率较好，但是在实际到一个应用时发现这种算法对内存的占用量很大，程序结构相对比较复杂，而且选取试题缺乏随机性，组卷时间长，后两点是用户无法接受的，因此它也不是一种很好的用来自动组卷的算法。

3. 遗传算法：是一种并行的、能够有效优化的算法，以morgan的基因理论及eldridge 与gould间断平衡理论为依据，同时融合了mayr的边缘物种形成理论和bertalanffv一般系统理论的一些思想，模拟达尔文的自然界遗传学：继承（基因遗传）、进化（基因突变）优胜劣汰（优的基因大量被遗传复制，劣的基因较少被遗传复制）。其实质就是一种把自然界有机体的优胜劣汰的自然选择、适者生存的进化机制与同一群体中个体与个体间的随机信息交换机制相结合的搜索算法。运用遗传算法求解问题首先需将所要求解的问题表示成二进制编码，然后根据环境进行基本的操作：selection，crossover，mutation……这样进行不断的所谓“生存选择”，最后收敛到一个最适应环境条件的个体上，得到问题的最优解。

❿ 使用java来实现在智能组卷中的遗传算法（急急急）

题目好像是让你做个增强版的List ，简单的都实现了 程序架子大概是这样，排序查找什么的网络搜下 算法很多，套着每样写个方法就行了，测试就在main‘方法里写

publicclassMyList{
privateString[]arr;
privateintcount;
publicMyList(intcount){
arr=newString[count];
this.count=count;
}
publicMyList(int[]intArr){
arr=newString[intArr.length];
this.count=intArr.length;
for(inti=0;i<intArr.length;i++){
arr[i]=intArr[i]+"";
}
}

publicMyList(String[]stringArr){
arr=stringArr;
this.count=stringArr.length;
}
publicintgetLength(){
returncount;
}
//清空容器内的数组。
publicvoidclearAll(){
arr=newString[count];
}
//通过给定元素下标来删除某一元素
publicvoidremoveBySeqn(intseqn){
if(seqn>=0&&seqn<count){
arr[seqn]=null;
}
}
publicstaticvoidmain(String[]args){
MyListlist=newMyList(40);
MyListlist1=newMyList({3,2,125,56,123});
MyListlist2=newMyList({"123",""ad});
list2.removeBySeqn(0);
list1.clearAll();
}
}