(项目反应理论.docVIP

项目反应理论 　　项目反应理论（item response theory）也称潜在特质理论或潜在特质模型，是一种现代心理测量理论，其意义在于可以指导项目筛选和测验编制。项目反应理论假设被试有一种“潜在特质”，潜在特质是在观察分析测验反应基础上提出的一种统计构想，在测验中，潜在特质一般是指潜在的能力，并经常用测验总分作为这种潜力的估算。项目反应理论认为被试在测验项目的反应和成绩与他们的潜在特质有特殊的关系。通过项目反应理论建立的项目参数具有恒久性的特点，意味着不同测量量表的分数可以统一。项目反应理论通过项目反应曲线综合各种项目分析的资料，使我们综合直观地看出项目难度、鉴别度等项目分析的特征，从而起到指导项目筛选和编制测验比较分数等作用。 遗传算法 百科名片 遗传算法（Genetic Algorithm）是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程有哪些信誉好的足球投注网站最优解的方法，它最初由美国Michigan大学J.Holland教授于1975年首先提出来的，并出版了颇有影响的专著《Adaptation in Natural and Artificial Systems》，GA这个名称才逐渐为人所知，J.Holland教授所提出的GA通常为简单遗传算法（SGA）。 目录 基本概念 遗传算法定义 遗传算法特点 遗传算法的应用 函数优化 组合优化 遗传算法的现状 遗传算法的一般算法 创建一个随机的初始状态 评估适应度 繁殖 下一代 并行计算 术语说明 染色体(Chromosome) 基因(Gene) 基因地点(Locus) 基因特征值(Gene Feature) 适应度(Fitness) 运算过程 选择 交叉 变异 终止条件 基本框架 GA的流程图 编码 适应度函数 初始群体的选取 基本概念 遗传算法定义 遗传算法特点 遗传算法的应用 函数优化 组合优化 遗传算法的现状 遗传算法的一般算法 创建一个随机的初始状态 评估适应度 繁殖 下一代 并行计算 术语说明 染色体(Chromosome) 基因(Gene) 基因地点(Locus) 基因特征值(Gene Feature) 适应度(Fitness) 运算过程 选择 交叉 变异 终止条件 基本框架 GA的流程图 编码 适应度函数 初始群体的选取 展开 编辑本段 基本概念 　　遗传算法（Genetic Algorithm）是一类借鉴生物界的进化规律（适者生存，优胜劣汰遗传机制）演化而来的随机化有哪些信誉好的足球投注网站方法。它是由美国的J.Holland教授1975年首先提出，其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，能自动获取和指导优化的有哪些信誉好的足球投注网站空间，自适应地调整有哪些信誉好的足球投注网站方向，不需要确定的规则。遗传算法的这些性质，已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。它是现代有关智能计算中的关键技术。 　　对于一个求函数最大值的优化问题(求函数最小值也类同)，一般可以描述为下列数学规划模型: ?? 遗传算法 　　式中为决策变量，为目标函数式，式2-2、2-3为约束条件，U是基本空间，R是U的子集。满足约束条件的解X称为可行解，集合R表示所有满足约束条件的解所组成的集合，称为可行解集合。 　　遗传算法的基本运算过程如下: 　　a)初始化:设置进化代数计数器t=0，设置最大进化代数T，随机生成M个个体作为初始群体P(0)。 　　b)个体评价:计算群体P(t)中各个个体的适应度。 　　c)选择运算:将选择算子作用于群体。选择的目的是把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代。选择操作是建立在群体中个体的适应度评估基础上的。 　　d)交叉运算；将交叉算子作用于群体。所谓交叉是指把两个父代个体的部分结构加以替换重组而生成新个体的操作。遗传算法中起核心作用的就是交叉算子。 　　e)变异运算:将变异算子作用于群体。即是对群体中的个体串的某些基因座上的基因值作变动。 　　群体P(t)经过选择、交叉、变异运算之后得到下一代群体P(t 1)。 　　f)终止条件判断:若tT,则以进化过程中所得到的具有最大适应度个体作为最优解输出，终止计算。 编辑本段 遗传算法定义 　　遗传算法是从代表问题可能潜在的解集的一个种群（population）开始的，而一个种群则由经过基因（gene）编码的一定数目的个体(individual)组成。每个个体实际上是染色体(chromosome)带有特征的实体。染色体作为遗传物质的主要载体，即多个基因的集合，其内部表现（即基因型）是某种