染色体结构变异

ARIMA 模型 ARIMA模型（英语：AutoregressiveIntegratedMovingAverage model）， 差分整合移动平均自回归模型 ，又称 整合移动平均自回归模型 （移动也可称作滑动）， 时间序列 预测分析方法之一。ARIMA（p，d，q）中，AR是"自回归"，p为自回归项数；MA为"滑动平均"，q为滑动平均项数，d为使之成为平稳序列所做的差分次数（阶数）。 ARIMA（p，d，q）模型是 ARMA （p，q）模型的扩展。ARIMA（p，d，q）模型可以表示为： 其中 L 是滞后算子（Lag operator）， 1. 平稳性： 平稳性就是要求经由样本时间序列所得到的拟合曲线，在未来的一段时间内仍能顺着现有状态“惯性”地延续下去； 平稳性要求序列的均值和方差不发生明显变化； 方差越大，数据波动越大，方差计算公式如下式所示： 方差等于1，那么标准差也就是1，表示概率函数在对称轴左右偏差1的位置导数为0，即为拐点。期望为0，表示概率函数以y轴为对称轴。 平稳性分为严平稳和弱平稳 严平稳：严平稳表示的分布不随时间的改变而改变，如：白噪声（正态），无论怎么取，都是期望为0，方差为1； 弱平稳：期望与相关系数（依赖性）不变，未来某时刻的t值Xt就要依赖于它的过去信息，所以需要依赖性； 2. 差分法：时间序列在 t 与 t-1 时刻的差值 3. 自回归模型（ AR

　　　　　　　　　　　　　　　　　　遗传（GA）函数优化 基本原理： 遗传算法是一种典型的启发式算法，属于非数值算法范畴。它是模拟达尔文的自然选择学说和自然界的生物进化过程的一种计算模型。它是采用简单的编码技术来表示各种复杂的结构，并通过对一组编码表示进行简单的遗传操作和优胜劣汰的自然选择来指导学习和确定搜索的方向。遗传算法的操作对象是一群二进制串（称为染色体、个体），即种群，每一个染色体都对应问题的一个解。从初始种群出发，采用基于适应度函数的选择策略在当前种群中选择个体，使用杂交和变异来产生下一代种群。如此模仿生命的进化进行不断演化，直到满足期望的终止条件。借助遗传学的原理，经过自然选择、遗传、变异等作用机制进而筛选出具有适应性更高的个体（适者生存）。遗传算法从20世纪七八十年代的诞生到现在主要集中的适用范围为：NP问题（指存在多项式算法能够解决的非决定性问题）、非线性、多峰函数优化和多目标优化问题等等。同时在机器学习、模式识别和神经网络及社会科学中的应用也显得非常出色。 GA算法流程： 1 ：在论域空间U上定义一个适应度函数f(x)，给定种群规模N，交叉率Pc，变异率Pm，代数Gen 2： 随机产生U中的N个染色体s1,s2…sN, 组成初始种群S={s1,s2…sN}，置代 数t=1 3：若终止条件满足，则取S中适应度最大的染色体作为所求结果，算法结束 4

基于遗传算法的试题组卷 IT 企业每年都会在春季和秋季举行校园招聘，对于个性化定制的试卷需求量很大，如何组出又好又快的定制化试题对于 IT 企业非常重要。组卷技术主要针对知识点覆盖率，题型，难度系数，试题数量等一些试题的属性进行多条件约束优化组卷。 为了方便考官出题考试，系统中引入了试题组卷技术。如何又快又好地生成符合考官口味的试卷变得非常关键。下面将对一些常用的组卷算法进行介绍。 目前常用的组卷有随机选取法，回溯试探法，遗传算法三种。 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，组卷往往以失败告终。 回溯试探法：这是将随机选取法产生的每一状态记录下来，当搜索失败时释放上次记录的状态类型，然后再依据一定的规律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，但是对于程序结构相对比较复杂，该算法表现就比较差了。 遗传算法：遗传算法（ Genetic Algorithm