时间表(T im etab ling)问题是NP-完全的,因此很难寻求一个有效的整体优化算法.分组作为重要的优化策略,可以将课程按优先等级逐次分组,每组再采用组合优化方法.通常认为课程的规模是优先等级的决定性因素.然而选课的模式允许学生在一...时间表(T im etab ling)问题是NP-完全的,因此很难寻求一个有效的整体优化算法.分组作为重要的优化策略,可以将课程按优先等级逐次分组,每组再采用组合优化方法.通常认为课程的规模是优先等级的决定性因素.然而选课的模式允许学生在一定的范围内选择课程,这就使得课程的关联关系更复杂.该文将课程的关联关系描述为一个M arkov链,进而给出了课程优先度(CourseR ank)的概念.通过对清华大学2002年度学生选课数据的分析和计算,结果表明课程的规模仍然是重要的因素,但并不完全是决定性的.展开更多
标准量子行为的粒子群优化(Quantum-behaved particle swarm optimization,QPSO)算法依然存在早熟收敛的缺点,针对此问题,提出了一种改进的量子粒子群算法(Particle swarm optimization based on quantum,PSO-Q)。在PSO-Q算法中,采用分...标准量子行为的粒子群优化(Quantum-behaved particle swarm optimization,QPSO)算法依然存在早熟收敛的缺点,针对此问题,提出了一种改进的量子粒子群算法(Particle swarm optimization based on quantum,PSO-Q)。在PSO-Q算法中,采用分组策略基于不同的更新公式同时提高局部搜索和全局搜索能力,并且共享组间有用的信息,达到探索与开发能力的平衡。在不降低搜索精度的情况下,分组策略扩大了种群搜索过程中的搜索范围,其中一组保持QPSO搜索方法的基本搜索能力,主要开发已有搜索空间。另外一组共享整个群里的有效信息,增加新领域探索能力,可以避免种群多样性的不断下降。在标准测试函数的对比实验中,仿真结果表明该算法具有较强的搜索能力并且达到了较高的优化精度。展开更多
文摘标准量子行为的粒子群优化(Quantum-behaved particle swarm optimization,QPSO)算法依然存在早熟收敛的缺点,针对此问题,提出了一种改进的量子粒子群算法(Particle swarm optimization based on quantum,PSO-Q)。在PSO-Q算法中,采用分组策略基于不同的更新公式同时提高局部搜索和全局搜索能力,并且共享组间有用的信息,达到探索与开发能力的平衡。在不降低搜索精度的情况下,分组策略扩大了种群搜索过程中的搜索范围,其中一组保持QPSO搜索方法的基本搜索能力,主要开发已有搜索空间。另外一组共享整个群里的有效信息,增加新领域探索能力,可以避免种群多样性的不断下降。在标准测试函数的对比实验中,仿真结果表明该算法具有较强的搜索能力并且达到了较高的优化精度。
