文摘

大学体育是高校的重要的公共基础课程。传统教学课堂时间内通常是指定的培训项目;老师教学生基本的体育基础知识,这样学生可以掌握体育的基本技能,提高学生的运动水平和身体素质。提出了一种改进的遗传算法来减少收敛和局部收敛慢的问题的基本遗传算法智能分组系统。确保组织的稳定和变化,该算法可以快速扩展搜索空间通过多次拒绝类似的个体。因此,本研究提出了一种新的基于改进的遗传算法智能分组的方法。新方法可以克服过早收敛的问题的算法比传统算法更有效和容易。大量的实验证明,该算法满足所有要求的体育很好。该算法可以自动生成试卷中等难度和合理的结构。

1。介绍

虽然大规模网络公开课程(蕴藏)已经在中国自2013年以来,随着这几年的发展,许多大学也加入了蕴藏的团队,和在线课程一直在增长,但通过调查,我们可以发现,大部分的在线课程在中国主要集中在计算机,外语,和一些职业课程,而蕴藏在体育在中国刚刚开始。这意味着蕴藏的机遇和挑战在中国大学体育教育改革。

传统教学通常是教学生体育教育的基本知识在培训计划中指定的上课时间,这样学生可以掌握体育的基本技能,提高他们的体育水平和身体素质。然而,这样的教学是非常有限的,许多学院和大学的师生比例是不够的,所以项目体育课的选择非常有限,而许多学生不能选择他们感兴趣的课程,他们不能满足补充身体之外的教育知识和运动技能培训课程。

蕴藏的结合现代网络技术、计算机技术和移动技术,可以随时访问,学习地方,很快。蕴藏试图将现代信息的课堂内容上,从庞大的信息云信息,使体育的报道内容无限扩展,这是传统的体育教育内容。此外,蕴藏的开放允许学生访问其他学校、地区,甚至其他国家的体育课程除了自己的体育课程,为学生提供一个平台想掌握不同的运动。蕴藏的开放性还允许访问其他学校的学生,其他地区,甚至是其他国家,为学生提供一个平台想掌握不同的运动。同时,蕴藏可以打破时间和空间的限制,学生不失去学习的机会,因为数量有限的学生可以选修和可以避免冲突的多个课程。

蕴藏的组织在云的学习环境,使学生在不同的地方,研究不同的环境,获取移动终端,学生们可以更自由地访问蕴藏的学习机会。学生可以在校园用手机学习,和相同的账户可以用于断断续续的学习,使学习过程人性化和个性化,使它很容易为学生学习。

运动训练和战术融入传统体育教育极大地丰富了内容,特别是将最新的体育活动纳入体育教学,可以大大提高学生对体育的兴趣。此外,体育课的最重要的优势是,他们让学生尽可能地选择他们感兴趣的内容,这是一个很好的补充传统的体育课,使他们更加多样化1]。

除了受益学生,教师也可指内容和教学方法蕴藏的杰出学者和改进传统的和过时的教学方法的类来实现更多的互动和合作的方式教学生。通过这种方式,两个学生的独立在线大规模在线课程(MOC)和教师教学改革在体育教室可以大大增加学生对体育活动的兴趣。此外,蕴藏的云学习环境,使学生随时随地享受体育,取代“任务体育”与“兴趣体育”和真正实现快乐的运动。

优化算法近年来吸引了大量的关注,如人工神经网络和遗传算法等(2]。它为解决复杂问题提供了新思想和在许多领域取得成功。智能上卷是一个约束多目标优化问题。传统辊形成算法患有慢收敛,成功率低,和低质量。自动生成系统总是一个重要的研究方向在各种各样的计算机辅助测试系统。智能纸质系统的效率和质量是由算法决定的。在这项研究中,我们关注的应用组合优化问题的遗传算法。

遗传算法是基于自然选择的原则,这是自然界的基本定律作为一个整体,适者生存的原则和劣质的消除。自然选择的机制涉及到复制的个人,个人的选择,个人的继承和重组,和个人的变化特征。通过这些过程,选择可以从一代到另一个工作,允许有机体的进化发展有利的方向。物种在此基础上,可以从一个方向到另一个积累和发展,使生物的多样性。因此,通过自然选择,数量可以多样化,可以创建新物种。

遗传算法比其他搜索算法有显著优势,因为它们是简单的实现,快速找到目标,和强大的编码,使他们良好的随机搜索算法在许多领域有重要应用。遗传算法的实现过程和计算主要是通过几个重要的功能进行具体的遗传算法,计算和方向是通过设置功能和使用方向的调整来实现最终的计算结果。为了提高遗传算法和实现最初的效果,有必要研究算法的参数设置;具体地说,在这项研究中,遗传算法的改进是实现通过使用种族选择因素的操作。在此基础上,提出一种改进的自适应遗传算法选择机制,使目标人群进行自适应的遗传算法可用于第一步。这使得遗传算法过早收敛的早期或晚期的效率低下。

为了避免风险的缓慢和局部收敛的智能分组系统的基本遗传算法,提出一种改进的遗传算法。该算法能迅速扩大搜索空间的不断消除类似的个人,确保集群的稳定性和多样性。因此,本研究提出了一种新的基于改进的遗传算法智能分组的方法。新方法可以克服过早收敛的问题的算法比传统算法更有效和容易。证明了该算法可以满足所有体育教育的要求。该算法可以自动生成试卷中等难度和合理的结构。

本文组织如下。部分2定义了数学模型。部分3讨论了算法设计和实现。部分4讨论了实验结果的分析。部分5对整篇文章进行总结。

2。数学模型

智能报告系统的约束包括总时间、论文得分,纸困难因素,问题类型比例,能力水平,知识,区域标准,和几代人的数量。从提取的最佳组合的角度问题从一个大的问题,智能paper-grouping问题是一个多约束的组合优化问题。因此,如果每个问题n属性,研究结合米问题等价于构建一个客观的矩阵:

在目标矩阵,每一行代表一个属性的测试问题,还有n属性,例如,n维向量。这项研究的总分 ,困难的因素是 ,的能力水平 ,知识是 ,的分布是 ,的比例问题 ,和完成时间 。这是一个问题的解决状态矩阵,和目标转换并不是唯一的。目标矩阵应该满足以下约束条件:(1)试卷总分(由物理教育,即。试卷分数约束)(2)困难的因素/总分(指定的物理教育,即。试卷的难度约束)(3)完成时间(指定的物理教育,即。时间限制)(4)要求熟练掌握类别(基本了解、洞察和理解、经验、和自由发挥)和体育成绩分配,也称为水平约束 ,在哪里是p要求熟练掌握测试的分数,(5)分布 (指定的物理教育课程。,分布约束);问题类型、知识要点、分配和其他约束类似于上面提到的这些

3所示。算法设计与实现

在本节中,我们定义了算法设计和改进遗传操作;交叉操作选择一个单点交叉、变异操作,遗传算法参数,编码方法,精英保护策略和算法描述。

3.1。算法设计

遗传算法提出了J.H.荷兰、美国学者。遗传算法是一种计算模型,模拟自然界中生物的进化过程。它引起了人们的注意,因为它的优势,如简单、健壮性、全局搜索,和快速收敛,它并不局限的限制搜索空间。这些优势使它非常适合智能卷形成的技术问题。该算法建立了一个特定的初始种群大小诱导前个人与特定的交叉和变异概率,导致个人的结构性重组。使用指定的评价函数,通过选择创建新一代最优秀的个体的复制。重复迭代,直到找到全局最优解满足优化条件。

传统遗传算法遭受低效率和倾向于生成算法未成熟收敛的后期。因此,许多改进方法已经试过了,包括设计不同的选择,cross-variance操作,改变算法结构,设计自适应cross-variance概率,并结合遗传算法与其他智能优化算法。在这项研究中,我们提出一个方法来解决这个问题自动纸形成具有高信度和效度通过在全球范围内优化论文为了最终形成所需的文件。算法的结果非常好。具体方法如下。

3.1.1。编码方法

编码方法的选择是直接依赖于问题的特点和影响算法的性能是一个重要的因素。常见的编码方法包括二进制编码十进制编码和实数编码。因为问题的约束数据库直接影响访问数据库的速度,该算法为每个问题类型创建一个库文件为了快速选择指定的问题类型,减少冗余问题自动分组的论文。结果,分组实数编码方法是选择的智能分组系统。每个问题类型是相对于实数编码,每个代码反映问题类型、问题分组编码是分开的。我们绘制一个纸染色体和基因的每个问题。基因值可以直接表达的问题类型,举例来说,在Java编程(5多个选择,5填空,2短答案,2程序阅读,和2编程);染色体代码可以23,45岁,90年,67年,22岁,11日,69年,112年,9日,37岁,78年,54岁,23岁,35岁,11日23。生成的初始种群的不是一个完全随机选择的方法,但是是随机生成的基于的比例问题,总分,完成时间,没有冗余的知识要点。这加快遗传算法的收敛性,减少了迭代次数。 Since different question types are retrieved from different question tables, the same test string number may appear in the same gene string since they belong to different question types. Therefore, this situation is common and does not affect the automatic grouping. Using the grouped real number encoding method, it is able to overcome the drawbacks of too large search space and excessive encoding length in the previously used binary encoding. Also, it enhances the solving speed by eliminating the decoding time of individuals.

适应度函数,也称为评价函数,是一种标准,用于区分好的和坏的人在以人群为基础的目标函数。遗传算法使用健身价值观来指导搜索方向,和适应度函数不需要连续或差异,或其他辅助信息。我们使用以下的适应度函数的形式 在哪里对应于影响因素的约束和纸对应的权重因子 的错误。这个适应度函数能够智能地组论文的搜索功能的问题。个人之间的误差越小纸和纸约束,个人纸是越接近目标。①改进遗传操作:选择操作智能组卷系统选择适应度比例方法。适应度比例方法,也称为轮盘赌法,是最常见的今天和经典遗传算法的选择策略。人口规模是n,个人的健身价值是 ,和个人的概率显示被选中 显然,健身的比例越大,被选中的概率越大。②交叉操作选择一个单点交叉:两个随机选择的染色体,一个单点交叉用于生成随机交叉位置相同类型组。如果知识的数量分,问题是重复的,然后选择交叉点。③突变操作:突变操作也提高了传统单点突变,即。,by restricting the genes at each position of each individual to be disordered according to the assumed mutation probability 。变异操作的帮助下,我们能够获得本地搜索的目标。

3.1.2。遗传算法参数

交叉概率和方差的概率的遗传算法对算法的性能有重要的影响。如果和太大,可能成为一个随机搜索算法。然而,如果太小了,这可能会导致较慢的搜索过程。如果太小,很难产生新一代,也可能导致算法过早地成熟,得到局部最优解。我们不断改变交叉概率和变异概率根据人口的演变为了提高遗传算法的搜索效率,避免局部最优,并保护杰出的个人论文。自动形成系统的自动调整公式如下: 在哪里表示交叉概率,表示变异概率,表示最大的健身价值,表示平均健身价值,更大的健身价值两个交叉个体,然后呢f是各种个人的健身价值。然而,对于个人健康值低于平均健身价值,消除的概率相对较高。因此,自适应和可以提供最好的个体的交叉概率和变异概率的试卷。

3.1.3。精英保护策略

后繁殖、交叉和变异操作,算法比较充足的新一代的最佳个体的价值与上一代最好的个人。如果它下跌,新一代最贫穷的人取代了上一代最优秀的个人。这种技术保护最好的个体繁殖的影响,交叉和变异。这是一个至关重要的保证遗传算法的收敛性。

3.2。算法描述

参数设置:最大数量的代,马克斯,人口规模,n交叉概率, ,变异概率, ,健身的阈值, ,体育和输入要求的自动分组。

在这项研究中,自适应选择机制和选择操作符是用来计算满足要求的个人,自适应调整的规模竞争,根据变化及时调整操作的过程中竞争,解决传统遗传算法的缺陷过快收敛性和取向,并确保最终得到最优解的遗传算法。改进算法的框架,最优保留策略是整合,所以算法的良好的计算过程可以保留和继承,以确保个人获得符合体育教育的要求。

上述算法的整个过程可以用以下步骤:步骤1:首先,初始化进化代数和将其设置为0开始物种种群的初始化第二步:适应计算被执行,主要为个人步骤3:如果不满足结束条件,计算出的健身价值和采用策略完成选择步骤;遗传算法中的交叉进行,检查的结果是否满足相关的要求设置智能组卷,可以执行的操作;如果它不,它返回;交叉操作完成后,变异操作执行;选择突变操作执行,和下一代的个人成功通过上述操作。如果新的个人健身比所有的个体,新的个人设置为是最好的个人和保存的结果和值。如果没有,我们继续下一步。流程如图1。

4所示。实验结果分析

4.1。参数设置

上述改进的遗传算法,该算法实现步骤详细算法的每个阶段和每个阶段的具体改进细节,上述操作后,改进后的遗传算法可以获得很好的人。为了验证改进后的遗传算法的有效性和效率,测试银行的计算机课程作为测试数据集算法在本节中。在“计算机应用基础”,有1000个问题在数据库中使用以下属性和内容。

首先,有四种类型的问题在数据集的测试,即单一选择,多项选择题,判断,和填空题,如表所示1。

其次,过程中有五个章节,如表所示2。

唯一的知识需求点是组装的文件时,他们不应重复。此外,在实践中,需要对算法的时间尽可能短,体育教育不必等待太久的纸形成,因此,智能纸形成系统的效率可以提高。在这项研究中,生成试卷的错误值设置为5%。

4.2。算法测试

上述测试生成表的id,分数,困难,章节,等等,每个问题类型的数据库中详细列出。上述数据可以用于生成每一章的实际成绩,教学所需的实际分数,分数的每个难度等级表所示3和4。

教学的实际分数要求程度如表所示4。

每个难度的分数设置如表所示5。

上述操作后,我们可以得出结论,改进的自适应遗传算法的算法性能较好,能完整的提取和试题的难度分布在测试银行根据体育教育的要求,以完成体育教学的要求。因此,在一般情况下,自适应遗传算法是一种更好的算法组成。

4.3。比较之前和之后的测试算法的改进

通过以上分析,可以看出,改进的遗传算法能够实现功能需求智能分组的体育环境。上述结果,我们需要采取更严格的算法测试和比较,通过实验数据的方式有效地比较与改进前的算法改进算法;在这里,我们主要采取改进的遗传算法和标准遗传算法进行实验和分析实验数据;在图所示的仿真测试2。

在这项研究中,标准的遗传算法在改善之前是由遗传算法和改进遗传算法是由将军表示。算法的有效性和性能可以在上面的方法,分析了具体的进化一代算法和算法的收敛性能。从图2,我们可以看到的进化代数AGA算法显著低于GA算法当实验的数量是1,2,4,5。只要实验的数量是3,GA算法的进化代数和AGA算法的进化代数具有可比性。

然后,为方便编程,功能设置为全局最大值,然后,算法运行的参数设置如表所示6。

算法运行50次根据每次运行参数表6,算法停止如果他们达到终止条件。平均、最小,两种算法的全局收敛性概率如表所示7。

从表7收敛,一代又一代的平均数量的改进的遗传算法是32和几代人的平均数量的收敛标准遗传算法是57岁,平均数量的一代又一代的改进的遗传算法的收敛性是25低于标准的遗传算法。升级后的遗传算法收敛最小数量的后代是24,而常规遗传算法的最低数量的一代又一代的融合是39。升级后的遗传算法的收敛最低数量的代15倍低于常规遗传算法收敛最小数量的后代。两种算法的全局收敛性的概率是100%。

图3表明这两个算法的收敛曲线的比例。

使用上面的测试数据集比较收敛的程度的改进的遗传算法和标准遗传算法,它可以发现,改进后的遗传算法可以获得最优解的健康和有一个明显的优势在一代又一代的进化的数量和可以收敛速度;因此,改进的遗传算法具有更好的优势,进一步验证该算法是可行的和有效的。因此,改进的遗传算法具有更好的优势,进一步验证该算法是可行的和有效的,该算法的运行效率的优势。

5。结论

智能音量分组系统的性能主要取决于算法的性能。传统算法的成功率很低,和系统的约束不能太复杂,以及时间和空间资源的消耗量大。如果改进的遗传算法应用于智能卷系统,系统的成功率和收敛速度将显著提高。改进的遗传算法在大空间可以实现并行搜索。此外,该算法能够东方搜索可能包含最优解的搜索空间搜索过程中。因此,最优解可以很容易找到。此外,该算法应该能够满足复杂的试卷约束。实验结果表明,该算法能够产生令人满意的试卷和相对较少的错误发展到32代。因此,改进的遗传算法更有效解决智能纸形成的问题。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。