第1章 绪论
1.1 研究背景
1.2 选题理由
1.3 研究意义与研究目的
1.3.1 研究意义
1.3.2 研究目的
1.4 研究思路与主要内容
1.5 研究技术及方法与研究结论
1.5.1 研究技术及方法
1.5.2 研究结论
1.6 研究创新点与不足及展望
1.6.1 研究创新点
1.6.2 研究不足及展望
第2章 选题策略相关问题研究综述
2.1 项目反应理论相关综述
2.1.1 项目反应模型
2.1.2 项目信息函数
2.1.3 测验信息函数
2.1.4 IRT的测验编制步骤
2.2 国内外的选题策略研究进展
2.2.1 基于线性规划的选题策略
2.2.2 基于启发式算法的选题策略
2.2.3 讨论
2.3 量子智能计算研究现状
2.3.1 量子计算的基本概念
2.3.2 量子计算的特点
第3章 基于IRT的遗传算法及量子遗传算法选题实验
3.1 选题要求
3.1.1 基于IRT题库的建立
3.1.2 项目题型约束
3.1.3 项目字数约束
3.1.4 实际测验项目信息函数
3.2 基于IRT的遗传算法选题实验
3.2.1 遗传算法(GA)简介
3.2.2 遗传算法选题的实验步骤
3.2.3 遗传算法选题的算法设计
3.2.4 遗传算法选题参数的实验设计
3.2.5 遗传算法选题的实验程序
3.2.6 遗传算法选题的实验结果
3.3 基于IRT的量子遗传算法选题实验
3.3.1 量子遗传算法(QGA)简介
3.3.2 量子遗传算法选题的实验步骤
3.3.3 量子遗传算法选题的算法设计
3.3.4 量子遗传算法选题的参数实验设计
3.3.5 量子遗传算法选题的实验程序
3.3.6 量子遗传算法选题的实验结果
3.4 量子遗传算法与普通遗传算法性能比较
3.4.1 算法稳健度
3.4.2 分数线处最大测验信息量均值
3.4.3 信息量平坦度
3.4.4 选题时间
3.5 研究讨论
3.5.1 GA选题实验结果讨论
3.5.2 QGA选题实验结果讨论
3.5.3 GA和QGA选题性能比较结果讨论
3.6 小结
第4章 基于IRT的粒子群和量子粒子群算法选题实验
4.1 基于IRT的粒子群算法选题实验
4.1.1 粒子群算法(PSO)简介
4.1.2 粒子群算法选题的实验步骤
4.1.3 粒子群算法选题的算法设计
4.1.4 粒子群算法选题的参数实验设计
4.1.5 粒子群算法选题的实验程序
4.1.6 粒子群算法选题的实验结果
4.2 基于IRT的量子粒子群算法选题实验
4.2.1 量子粒子群算法(QPSO)简介
4.2.2 量子粒子群算法选题的实验步骤
4.2.3 量子粒子群算法选题的算法设计
4.2.4 量子粒子群算法选题的参数实验设计
4.2.5 量子粒子群算法选题的实验程序
4.2.6 量子粒子群算法选题的实验结果
4.3 量子粒子群算法与普通粒子群算法性能比较
4.3.1 实验设计
4.3.2 实验结果
4.4 研究讨论
4.4.1 PSO选题实验结果讨论
4.4.2 QPSO选题实验结果讨论
4.4.3 PSO并QPSO选题性能比较结果讨论
4.5 小结
第5章 基于IRT的蚁群和量子蚁群算法选题实验
5.1 基于IRT的蚁群算法选题实验
5.1.1 蚁群算法(ACA)简介
5.1.2 蚁群算法选题的实验步骤
5.1.3 蚁群算法选题的算法设计
5.1.4 蚁群算法选题的参数实验设计
5.1.5 蚁群算法选题的实验程序
5.1.6 蚁群算法选题的实验结果
5.2 基于IRT的量子蚁群算法选题实验
5.2.1 量子蚁群算法(QACA)简介
5.2.2 量子蚁群算法选题的实验步骤
5.2.3 量子蚁群算法选题的算法设计
5.2.4 量子蚁群算法选题的参数实验设计
5.2.5 量子蚁群算法选题的实验程序
5.2.6 量子蚁群算法选题的实验结果
5.3 蚁群算法和量子蚁群算法的性能比较
5.3.1 算法稳健性
5.3.2 分数线处最大测验信息量
5.3.3 信息量平坦度
5.3.4 选题时间
5.4 研究讨论
5.4.1 ACA选题实验结果讨论
5.4.2 QACA选题实验结果讨论
5.4.3 ACA和QACA选题性能比较结果讨论
5.5 小结
第6章 研究总结
6.1 研究总讨论
6.2 研究总结
6.3 研究创新点
6.4 研究不足及展望
参考文献
附录
附录1 遗传算法伪代码(部分)
附录2 量子遗传算法伪代码(部分)
附录3 粒子群算法伪代码(部分)
附录4 量子粒子群算法伪代码(部分)
附录5 蚁群算法伪代码(部分)
附录6 量子蚁群算法伪代码(部分)
附录7 量子遗传算法选题结果示例(部分)
后记
展开
