基于遗传算法的智能组卷策略的研究综述Word版
基于遗传算法的试题库智能组卷系统研究
基于遗传算法的试题库智能组卷系统研究
朱玉祥;苗春生;孙承佼
【期刊名称】《大气科学学报》
【年(卷),期】2006(029)002
【摘要】采用自适应交叉率和变异率的生物遗传学算法,建立一个智能组卷的数学模型,并对该数学模型的编码方法和遗传操作进行了详细介绍和讨论.对该数学模型的应用求解表明,该方法是对以前的随机法和简单遗传算法组卷的一个显著改善.【总页数】4页(P282-285)
【作者】朱玉祥;苗春生;孙承佼
【作者单位】南京信息工程大学,大气科学系,江苏,南京,210044;南京信息工程大学,大气科学系,江苏,南京,210044;华南理工大学,应用数学系,广东,广州,510640
【正文语种】中文
【中图分类】TP273
【相关文献】
1.基于遗传算法的试题库智能组卷系统研究 [J], 李国庆;鄢靖丰
2.基于专家系统的工程制图试题库智能组卷系统 [J], 关丽杰;党进;王妍;祝娟
3.基于框架模式的试题库智能组卷系统 [J], 谢平
4.基于通用试题库的智能组卷系统的开发 [J], 梁海丽
5.基于能力体系和知识体系的试题库及智能组卷系统的设计与实现 [J], 胡强;王钟箐
因版权原因，仅展示原文概要，查看原文内容请购买。
基于遗传与蚁群混合算法的智能组卷研究
基于遗传与蚁群混合算法的智能组卷研究王纯纲;刘志杰;谢晓尧【摘要】针对遗传组卷算法局部求解能力不足、容易早熟和退化对系统中的反馈信息利用不够的问题,以及蚁群组卷算法搜索初期信息素匮乏的缺点,充分利用遗传算法较好的全局搜索能力和蚁群算法较高的求解精度的优势,提出了一种遗传算法与蚁群混合算法的智能组卷策略.实验结果表明,与单一组卷算法相比,提出的混合组卷方法收敛速度更快,能更有效地解决智能组卷问题,具有更好的实用性.【期刊名称】《贵州师范大学学报（自然科学版）》【年(卷),期】2014(032)001【总页数】5页(P100-104)【关键词】遗传算法;蚁群算法;智能组卷;试题库【作者】王纯纲;刘志杰;谢晓尧【作者单位】贵州师范大学贵州省信息与计算科学重点实验室,贵州贵阳550001;贵州师范大学贵州省信息与计算科学重点实验室,贵州贵阳550001;贵州师范大学贵州省信息与计算科学重点实验室,贵州贵阳550001【正文语种】中文【中图分类】TP3910 引言组卷作为一个多目标多约束条件的组合问题，其自动从试题库中抽取试题，以满足教师所要求的题型、知识点覆盖面、难度和分数分布等一系列要求的试卷。
近年来，一些研究者对智能组卷进行了研究，提出了基于遗传算法的智能组卷策略［1，2］及基于蚁群算法的组卷策略［3，4］。
遗传算法虽然具有潜在的并行性和较强的全局搜索能力，不需要确定的模型且鲁棒性强。
但是其后期局部寻优能力较差，容易发生早熟以及退化现象且对系统中的反馈信息利用不够［5］，求解到一定程度后往往做大量无为的冗余迭代，求精确解效率低。
而蚁群算法是通过信息素的累积和更新从而收敛于最优路径，具有分布、并行、全局收敛能力，但是在搜索初期信息素匮乏，使得搜索初期信息素积累时间长，求解速度慢［6］。
因此本文将遗传算法与蚁群算法相结合［7］，提出了一种遗传算法与蚁群算法混合算法的智能组卷策略。
首先是基于遗传算法对试题库进行初步的全局较优解搜索，然后将得到的全局较优解信息转换为蚁群算法的信息素描述，最后基于蚁群算法实现快速精确收敛。
遗传算法优化问题研究综述
遗传算法优化问题研究综述遗传算法是一种基于进化论和遗传学原理的优化算法，被广泛应用于求解复杂问题。
遗传算法具有通用性、自适应性、并行性等优点，因此被应用于各个领域。
本文将综述遗传算法在优化问题中的研究进展和应用情况。
一、遗传算法的基本原理遗传算法是一种群体智能算法，其基本原理来自于进化论和遗传学原理。
整个算法过程可以分为个体编码、适应度评估、选择、交叉和变异五个环节。
个体编码将问题转化为适应度评估可以处理的数值表示形式；适应度评估是对各代种群中每一个个体的适应度进行评估的过程，适应度越好，则个体越可能被选择进行操作；选择是根据个体适应度大小对个体进行筛选，保留好个体进行进化操作；交叉是在选择个体之间进行部分信息交换，产生新的后代；变异是对新后代进行一些可控的随机操作，使其具备某些新性质。
通过这些进化操作，种群可以逐渐进化出适应度更高的个体。
二、遗传算法的改进算法进化策略算法是遗传算法的一种改进算法，其特点在于选择和变异操作。
进化策略算法不对个体进行选择操作，而是将个体分为若干互不干扰的子群。
在每个子群中，个体根据策略进行迭代式改变，直到达到一定停止标准。
与此不同的是，遗传算法的选择和变异操作是在整个种群中进行的。
差分进化算法是遗传算法的另一种改进算法，其特点在于采用差分变异操作。
在差分进化算法中，交叉操作是基于差分变异操作的。
通过选择两个个体以及进行差分，得到新的候选解向量。
由于差分运算减少了变异产生的随机性，提高了算法的收敛速度和效率。
三、遗传算法在优化问题中的应用1.组合优化问题组合优化问题是指通过组合若干元素来构造一个最优解的问题。
遗传算法结合带约束的排序方法可以高效地求解组合优化问题。
具体实现中，可以对候选解按照适应度进行排序，并将排序结果与已知的约束进行比对，从而有效地求出最优解。
2.数值优化问题数值优化问题是指寻找函数或者变量最小或者最大值的问题。
遗传算法可以有效地求解数值优化问题，且相比传统的优化方法有着更快的求解速度和更高的求解精度。
基于遗传算法的组卷系统的研究
ｔ ｃ ｎ ｌ ｇ ．Ａ Ｇ （ｅ ｅ ｉ ｌ ｏ ｉ ｈ ） ｂ ｓ ｄ ｓ ｓ ｅ ｆ ｉ ｅ ａ ｋ ａ ｄ ｔ ｓ ａ ｅ ｅ ｅ ａ ｉ ｇ ｏ ｅ ｅ ｈ ｏ ｏ ｙ Ａ ｇ ｎ ｔ ｃ ａ ｇ ｒ ｔｍ － ａ ｅ ｙ ｔ ｍ ｏ ｔｍ ｂ ｎ ｎ ｅ ｔ ｐ ｐ ｒ ｇ ｎ ｒ ｔ ｎ ｎ ｗ ｂ
① 由于每 一个 试题 库都 是一 个 独立 的数 据 库 ， 试题 库 的附 加 、转 移 和删 除极其 方便 ， 且不 影 响其
它 试题 库 ；
②方 便对 试题库 进行 加密 和备份 ，提 高 了试题
库 的安全 性 能 ；
③由于试卷 在学 生考 试前就 已生 成，在 考生 端
利用遗 传算 法在组 合优 化方 面 的优势 下，设 计 了一 个基 于遗 传算法 的 网络组卷 系统 ， 以解决现 实生 活
索 ，适 用 于在人 工 系统 中解 决复杂 特定 目标 的非线 性反 演 问题 。 ．
行复 制 。
步骤 五 ： 算 法采用 部分 匹配交叉算 子对 个 体进
行 适 当的 交叉 。
将遗传算法应用于组卷策略中，产生了符合条
件 的试 题集 ，并且 具有其 他组卷 算法 所没有 的高效
摘 要： 本文对 网络题卷库的优势和基本特 点进行 了介绍 ，对 网络考试所 涉及 的题 库设 计 、组卷算 法等技 术 进行 了讨论和研 究， 同时在研 究的基础上开发 了一个基于遗传算 法的网络组卷 系统 ， 阐述 了此系统的数据库结 并 构及其 应用发展 方 向。 关键字： 遗传算法： 组卷． 多层数据库 中图分 类号 ：Ｔ ３ Ｐ １ １ 文献标识码 ：Ａ
ｉ ｒ ｅｎ ｅ ｏ ｔ ｂ ｉ ｏ ｓ ｕ ｙ． Ｉ ｓ ｔ ｕ ｔ ｒ ｓ ｐ ｅｓ ｔ ｄ ｎ ｈｅ ａｓ ｓ ｆ ｔ ｄ ｔ ｓ ｒ ｃ ｕ ｅ， ｐ ｉ ａ ｙ ｕ ｃ ｉ ｎ ａｎ ｔ ｅ ｐ ｌ ｃ ｔｉ ｒｅ ｌ ｏ ｒ ｍ ｒ ｆ ｎ ｔ ｏ ｄ ｈ ａ ｐ ｉ ａ Ｏｎ ａ ａ ｓ ｄ ｓ ｒｉ ｅ ｉ ｔ ｅ ｎ ｏ ｔ ｅ ａ ｅ ｅ ｃ ｂ ｄ ｎ ｈ ｅ ｄ ｆ ｈ ｐ ｐ ｒ．
基于改进遗传算法的智能组卷系统设计
基于改进遗传算法的智能组卷系统设计随着教育信息化的发展，智能组卷系统在教育领域得到了广泛的应用。
智能组卷系统通过算法来实现自动组卷，不仅提高了教学效率，还减轻了教师的工作负担。
目前，智能组卷系统主要是基于遗传算法来进行设计的，但是传统的遗传算法在组卷过程中存在一些问题，比如容易陷入局部最优解、计算时间长等。
为了提高智能组卷系统的效果，本文提出了一种基于改进遗传算法的智能组卷系统设计。
本文对传统遗传算法进行了改进。
传统遗传算法是通过选择、交叉、变异等操作来搜索最优解的过程。
但是在组卷过程中，题目的难易程度和相关性对习题的质量有较大影响。
本文引入了自适应的选择策略和突变策略，提高了算法的搜索能力。
具体来说，在选择过程中，本文使用了轮盘赌选择算法，并按照题目的难度和相关性来赋予题目不同的适应度值，使得难度高且相关性低的题目具有更小的被选中概率。
在突变策略上，本文引入了随机权重调整算法，通过调整题目在个体中的权重来实现题目的变异，使得个体的多样性更加丰富，增加了搜索空间。
本文设计了智能组卷系统的框架。
智能组卷系统由数据预处理、知识库构建、个体生成、适应度评估、选择、交叉、变异等模块组成。
数据预处理模块用于对原始试题数据进行清洗和格式化处理，减少噪声和冗余信息。
知识库构建模块用于构建试题的知识图谱，提取出试题的知识点和关联关系，为后续操作提供基础。
个体生成模块根据知识库和试题库中的试题信息生成初始的组卷个体。
适应度评估模块对每个个体进行评估，计算其适应度值。
选择模块采用自适应选择算法对个体进行选择，并生成下一代个体。
交叉模块通过交叉操作，将选择出的个体进行配对，生成新的个体。
变异模块对新生成的个体进行变异操作，增加个体的多样性。
经过多代的迭代，系统将得到一组优质的试卷。
本文进行了实验评估。
本文选取了一组试题数据集进行实验，通过对比传统遗传算法和改进遗传算法的组卷效果，验证了改进算法的有效性。
结果表明，改进算法具有更好的搜索能力和优化效果，能够生成质量更高的试卷。
基于优化遗传算法的智能组卷系统研究
基于优化遗传算法的智能组卷系统研究
张琦; 郑河荣; 刘志; 陈云泽
【期刊名称】《《浙江工业大学学报》》
【年(卷),期】2009(37)3
【摘要】智能组卷技术是计算机无纸化考试系统中一项必不可少的重要技术,而改进组卷算法和提高组卷质量已成为当前的研究热点.重点分析研究组卷算法,通过建立组卷数学模型,结合遗传算法理论解决考试系统中的智能组卷问题.在选择算子中采用适应度排序在前一半的个体进入下一代的繁殖;在交叉算子中采用最优保持策略;在成卷前调整试卷知识点的分布.使组卷算法在不同的要求下都能得到较为满意的效果.智能组卷在通用计算机考试系统建设中具有较高的应用价值.
【总页数】5页(P306-310)
【作者】张琦; 郑河荣; 刘志; 陈云泽
【作者单位】浙江省教育考试院浙江杭州 310012; 浙江工业大学软件学院浙江杭州 310032
【正文语种】中文
【中图分类】TP301.6; TP273
【相关文献】
1.基于改进遗传算法智能组卷系统的研究 [J], 李国安;
2.基于遗传算法的智能组卷系统的研究 [J], 于健;马强;徐全生
3.基于遗传算法的智能组卷系统的研究与实现 [J], 于淼;方工文
4.基于遗传算法的智能组卷系统的研究与设计 [J], 杨玉华
5.基于遗传算法的智能组卷系统的研究与实现 [J], 赵博;宁慧;张汝波
因版权原因，仅展示原文概要，查看原文内容请购买。
基于遗传算法的自动组卷技术
ＹＡＮＧ Ｗｅ ｉ — ｗｅ ｉ ， Ｓ ＯＮＧ Ｈａ ｉ — ｆ ｅ ｎ ｇ ， ＧＡＯ Ｗｅ ｉ — ｗｅ ｉ ， Ｍ Ａ Ｘｉ ａ ｎ － ｍｉ ｎ ，
ＬＩ Ｆａ ｎｇ ， ＺＨ ＡＮＧ Ｌｉ — ｕｉ ｒ ｎｇ 。
（ １ ． Ｈｅ ｉ ｌ ｏ ｎ ｇ ｊ ｉ ａ ｎ ｇ Ｉ ｎ ｔ ｅ ｒ ｎ ａ ｔ ｉ ｏ ｎ ａ ｌ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ，Ｈａ ｒ ｂ ｉ ｎ １ ５ ０ ０ ２ ５ ，Ｃ ｈ ｉ ｎ ａ ； ２ ． Ｈｅ ｉ ｌ ｏ ｎ ｇ ｊ ｉ ａ ｎ ｇ Ｉ ｎ ｓ ｔ ｉ ｔ ｕ ｔ ｅ ｏ ｆ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ ，Ｈａ ｒ ｂ ｉ ｎ １ ５ ０ ０ ５ ０ ，
摘
要： 针 对 网 络考 试 系统 中 的组 卷 需 求 ， 建 立 组 卷 的数 学模 型 ， 采用整数编码策 略， 将 遗 传算 法 进 行 改 进 并 应 用 到
自动组卷模块 中。测试结果表明 ， 该算法能够较好地 完成智能组卷工作 ， 提高组卷的质量和效率 。 关键词 ： 自动组卷 ； 遗传算法 ； 适应度 函数
第 ２ ７卷第 ２ 期
２ ０ １ ３ 年 ６月
黑
龙
江
工
程
学
院
学
报（ 自然科 学版 ）
Ｖｏ １ ． ２ ７． Ｎｏ ． ２
Ｊ ｏ ｕ ｒ ｎ ａ ｌ ｏ ｆ Ｈｅ ｉ ｌ ｏ ｎ ｇ ｊ ｉ ａ ｎ ｇ Ｉ ｎ ｓ ｔ ｉ ｔ ｕ ｔ ｅ ｏ ｆ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ
中图分类号 ： Ｔ Ｐ ３ １ ５ 文 献标 志码 ： Ａ 文章编号 ： １ ６ ７ １ ４ ６ ７ ９ （ ２ ０ １ ３ ） ０ ２ — ０ ０ ７ ２ — ０ ３
遗传算法在通用考试系统自动组卷中的研究与应用的开题报告
遗传算法在通用考试系统自动组卷中的研究与应用的开题报告一、选题背景及意义随着社会的进步和技术的不断发展，现代教育已经进入了信息化的时代。
而其中的一个重要应用就是计算机辅助教育。
通用考试系统是一种基于计算机的考试方式，可以实现自动组卷、自动评分、自动统计成绩等功能。
采用通用考试系统可以节省人力物力，提高教育教学评估效率。
然而，传统的考试组卷方式往往需要耗费大量时间和精力，难以满足不断变化的社会需求。
同时，一张考卷必须要考虑到多个方面的因素，如考察知识点的覆盖度、难易程度的平衡、题目的重复率等等，难以用传统的方法进行考虑。
这时候，遗传算法作为优化问题的一种有效方法，被广泛应用在考试组卷中。
因此，研究和应用遗传算法在通用考试系统自动组卷中具有重要的理论和实践意义。
二、研究内容和目标本论文主要研究遗传算法在通用考试系统自动组卷中的研究与应用。
具体的研究内容包括以下方面：1. 经典的遗传算法在考试组卷中的研究与应用，包括算法的原理、过程以及优势与不足等等。
2. 基于遗传算法的考试组卷模型，包括考试目标、题目难度、知识点权重、限制条件等等。
3. 设计并实现基于遗传算法的通用考试系统，可以实现自动组卷、自动评分、自动统计成绩等功能。
4. 通过模拟实验，对比基于遗传算法的考试组卷模型和传统的考试组卷模型的优劣，验证遗传算法在考试组卷中的有效性。
研究目标是：1. 研究遗传算法在考试组卷中的基本原理与优势，并将其运用到实际的通用考试系统中；2. 设计一个基于遗传算法的考试组卷模型，使其可以满足不同的考试需求；3. 设计并实现一个通用考试系统，该系统可以自动组卷、自动评分、自动统计成绩等功能；4. 通过实验验证基于遗传算法的考试组卷模型在优化考试组卷问题中的有效性，并比较其和传统方法的差异和优劣。
三、研究方法和步骤研究方法：1. 文献调研：对国内外已有的相关文献进行综合分析和研究。
2. 建立基于遗传算法的考试组卷模型，并编写相应的程序。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
《基于遗传算法的智能组卷策略的研究》综述姓名刘春晓学号 2015216104专业计算机技术班级 3班天津大学计算机科学与技术学院2016年 6 月基于遗传算法的智能组卷策略的研究综述摘要随着计算机技术的日益发展和成熟，手工组卷已经不能满足现代的教学要求，组卷智能化在提高教学质量方面发挥着很重要的作用。
文章对组卷策略进行了梳理，对比和总结，主要介绍了遗传算法的优点，从遗传算法的基本流程、编码方式、适应度函数和遗传算子方面进行了归纳。
接着分析了目前智能组卷策略研究的不足和挑战，最后总结了未来的研究设想。
关键词智能组卷；遗传算法；适应度函数；遗传算子1引言在计算机技术发展飞速的今天，计算机应用已经慢慢的渗透到人类生活的方方面面，计算机的辅助教学功能也逐渐得到大家的重视。
传统的手工组卷受到人为因素的干扰，导致考试的效率低下，组卷智能化已经成为不可或缺的一项研究。
近几年，智能优化算法倍受人们关注，如人工神经网络、遗传算法，为解决复杂问题提供了新的方法，并在诸多领域取得了成功。
组卷问题是一个在一定约束条件下的多目标参数优化问题，针对传统的组卷算法具有组卷速度慢、成功率较低、试卷质量不高等缺点。
智能组卷算法在计算机辅导教学过程中之所以受到重视，是因为它把人工智能技术运用到了组卷中，能够智能的设计试卷的结构和内容，包括试卷的难易度，知识点，题型和题量等，使生成的试卷质量比较高。
遗传算法（Genetic Algorithm ,GA）基于达尔文的进化论和孟德尔的自然遗传学说,是通过模拟遗传选择和自然淘汰的生活进化的随机搜索和全局优化算法（张建国 2009：1）。
由于该算法有智能的搜索技术和收敛性质，可以较好的满足智能组卷的要求。
所以本系统选用遗传算法作为组卷算法，以试题章节、试题数量、试题知识点、试题题型、试题难度分布、试题曝光度、覆盖度、试题分数分配等约束为组卷条件，使试卷有更好的区分度。
基于遗传算法的智能组卷系统实现了组卷智能化，优化了其他组卷算法的不足，使教学更加自动化和公平化，提高了组卷效率。
2研究现状分析在系统开发之前，应该首先选择适合本系统的组卷算法，组卷算法的选取对试卷的质量影响颇大。
只有相对好的算法才能提高组卷的效率和成功率。
组卷实质上就是在复杂的约束条件下的多目标求最优解的问题，保证试卷能够满足教学要求。
随着计算机技术和人工智能理论的飞速发展，各种组卷策略层出不穷，选择适合的算法对系统运行有极其重要的作用。
分析各种组卷算法的优缺点，找到最优的组卷算法是该系统开发的任务之一。
这里我们就现阶段组卷算法进行分析和总结。
现阶段比较成熟的组卷算法有随机选取法、回溯试探法和遗传算法。
随机选取法生成的试题重复率较高，难以达到预期效果。
回溯试探法是一种有条件的深度优化法，对于状态类型和题量较小的题库系统而言，组卷成功率高，但占用内存。
这两类组卷算法对于规模比较小的试题库有一定的作用，但可能满足不了用户对组卷效率的要求。
由此可见想要设计一套较好的智能组卷系统，应该选择规模适当的试题库和较好的组卷算法。
在现有的智能组卷算法中选择一个收敛性强、适应度大、效率高的算法显得尤为重要。
2.1 盲目随机选取算法随机选取算法容易实现且逻辑简单，在早期组卷时曾被广泛应用。
该算法有两种随机选择性：先设定属性的指标，随机从试题库中选取子集判断是否满足设定的指标，符合则加入试卷，不符合则选取下一子集判断，循环操作直到组成试卷；从试题库中随机抽取试题判断是否满足试卷约束条件。
在随机抽取试题过程中，要做到：随机、无法预知、不重复、优化数据存取及快速组卷等（池抚新等 1999）。
随机选取算法具有组卷速度快、结构简单等优点，但试题的重复率偏高，生成的试题知识点分布不均匀，难以达到预期的组卷效果，多数会导致组卷不成功。
2.2 深度与广度搜索算法深度与广度搜索算法又被称为回溯试探算法。
该算法是基于随机选取算法，对其缺点进行改进后提出的。
深度与广度搜索算法仍然沿用随机抽取的方法从试题库中抽题，但在抽题过程中如果不能找到符合要求的试题且组卷还没有结束时，就会采用深度与广度搜索算法，将最近的搜索结果丢弃，向上回溯到最近的一个节点重新找一条路径进行搜索，直到组卷结束。
该算法放弃部分搜索结果而不是全部的结果，减少了盲目随机选取算法的无效循环，提高了组卷效率。
该算法在理论上是可以搜索到每一种组卷结果的，但随着试题库数量的增加，它的遍历次数也会成比例增加，所以该算法比较适合容量小的试题库。
如果试题库过大，该算法会占用太多的内存资源，消耗组卷时间，所以该算法在实际应用中是受限制的。
2.3 遗传算法遗传算法是在20世纪70年代由进化计算的创始人之一Holland提出的。
该算法用一系列程序步骤来表示将人造染色体的一个种群进化到另一个种群的过程，该算法使用自然选择机制和遗传学的交叉、突变机制。
到目前为止遗传算法是相对比较适合应用到组卷系统中的，它是一种具有搜索功能的自适应全局的优化算法。
它利用选择算子、交叉算子和变异算子三大遗传算子，促进解集合类似种群在自然界的自然选择和优胜劣汰，不断进化最终收敛到最优状态。
遗传算法跟传统算法比较优势有：对可能的解有广泛的标示性，应用更加普遍；能够对种群进行全局搜索；在种群空间中的搜索具有随机性；对搜索空间没有特殊要求，适用范围广。
遗传算法使用单个染色体适应性来实现繁殖，完全模拟自然界优胜劣汰，适者生存的生存法则。
进行繁殖时，交叉操作交换两个单独染色体的一部分，突变操作则改变染色体上随机选中的某个基因的值（Michael Negnevitsky 2005：221）。
通过多次繁殖后，适应性低的染色体就会灭绝，适应性高的染色体会在之后的繁殖中占据主导地位。
个体不断选择、交配和变异后产生下一代的种群，不断的进化产生符合自然环境的种群。
目前遗传算法在国内外的研究中很受欢迎，虽然在应用过程中还是存在不足之处仍需改进，但已经取得了很大的成果。
遗传算法在借鉴了魏斯曼的自然选择理论和孟德尔遗传学后形成了比较成熟的算法体系，在智能组卷领域体现其特有的优势。
3问题与挑战不管是随机选取法、回溯试探法还是遗传算法本身并不能直接解决智能组卷问题，遗传算法的不足之处如下：1、早熟。
这是最大的缺点，即算法对新空间的探索能力是有限的，也容易收敛到局部最优解。
2、大量计算。
涉及到大量个体的计算，当问题复杂时，计算时间是个问题。
3、处理规模小。
目前对于维数较高的问题，还是很难处理和优化的。
4、难于处理非线性约束。
对非线性约束的处理，大部分算法都是添加惩罚因子，这是一笔不小的开支。
5、稳定性差。
因为算法属于随机类算法，需要多次运算，结果的可靠性差，不能稳定的得到解。
所以我们需要对遗传算法进行改进，将遗传算法中的生物学机制与试卷体系进行类比和编码，其中还有一个关键问题，如何把智能组卷问题映射为一个数学模型。
只有在这个基础上，遗传算法才能发挥出作用。
4未来研究方向目前遗传算法组卷的研究，从理论到应用都有了一定的基础，但是还存在一些可以完善的地方。
具体而言，今后的方向可以有以下两个方面：（1）遗传算法与其他计算智能方法的相互渗透和结合，使组卷效率更高：遗传算法正日益和神经网络、模糊推理以及混沌理论等其他职能计算方法相互渗透和结合，以到达取长补短的作用。
（2）并行处理遗传算法：并行处理的遗传算法的研究不仅是遗传算法本身的发展，而且对于新一代智能计算机体系结构的研究都是十分重要的，遗传算法在操作上具有高度的并行性。
并行处理后的遗传算法组卷将大大提高组卷速度，优化试卷结构。
在试题库种群规模方面，应该增加试题库的种群规模和试题库的试题数量，在大量试题库的基础上运用遗传算法，且能优化遗传算法中的早熟现象，使生成的试卷更合理，更人性化。
参考文献[1]吴晓琴.基于遗传算法智能组卷的研究与应用[D].导师：李龙澍.安徽大学,2007.[2]徐江涛.基于遗传算法的试题库智能组卷研究[D].导师：全惠云.湖南师范大学,2007.[3]冯长宝.一种基于遗传算法的智能组卷模型与系统设计[D].导师：周东岱.东北师范大学,2010.[4]王新华.基于混合遗传算法的智能组卷问题研究[D].导师：刘大有.吉林大学,2010.[5]吴根忠.基于遗传算法的电工学组卷程序的研究.现代电子技术,2015,38(20);78-80[6]何勇.基于遗传算法实现普通话测试的自动组卷技术的分析.电子测试,2014,(2X);31-32[7]李静.基于遗传算法的自动组卷问题的研究.计算机与数字工程,2015,43(6);994-996[8]韦忠庆.基于遗传算法的成人高等教育智能组卷模型的研究与设计.桂林航天工业学院学报,2015,20(1);14-19[9]李迎斌,王春峰,刘丽萍.基于遗传算法的试题库组卷研究.数字技术与应用,2014,(12);128-129[10]施俊.基于遗传算法的自动组卷研究与应用.电脑知识与技术：学术交流,2014,(12);8160-8162[11]莫家庆.基于遗传算法的组卷系统的研究与实现.福建电脑,2014,30(6);31-33[12]龚利.浅析遗传算法在智能组卷系统中的应用.电脑知识与技术：学术交流,2014,(6);3879-3880[13]刘淳安,赵天绪,刘燚等.智能组卷的优化模型及求解的遗传算法[J].科学技术与工程,2010,10(30):7454-7456[14]路宽,李冬梅,余婧等.基于元胞遗传算法的智能组卷的研究[J].计算机工程与应用,2013,(16):57-60.[15]李广水,马青霞,陈爱萍等.分布式遗传算法在智能组卷中的Web services实现[J].计算机应用研究,2010,27(11):4185-4188.[16]刘英,王琰,杜焱等.基于自适应算子的遗传算法多目标智能组卷[J].计算机应用,2008,28(z1):22-24.[17]白东玲,郭绍永.改进的遗传算法在智能组卷系统中的应用研究[J].计算机与现代化,2013,(3):25-28.[18]陈汶滨,蒋萍萍,刘义军等.遗传算法在试题库智能组卷中的应用[J].计算技术与自动化,2007,26(3):35-37,56.[19]赵培玲,周根宝,李玉鹏等.基于遗传算法的组卷问题的研究与设计[J].内蒙古农业大学学报（自然科学版）,2010,31(4):237-243.[20] Cen, G ; Dong, YX ; Gao, WL;et al. (2010). A implementation of an automatic examination paper generation system. MATHEMATICAL AND COMPUTER MODELLING. 51.1339-1342.[21] Chen Xiao-dong; Wang Hong-yu.(2005). An exam-paper generating algorithm based on improved genetic algorithm. Journal of the Harbin Institute of Technology.37.1174-1176.[22] Liu Shushu ; Wang Fengying.(2010). Strategy and Realization of Auto-generating Exam Paper Based on Genetic Algorithm. 2010 Proceedings ofInternational Conference on Artificial Intelligence and Computational Intelligence. 478-482.[23] Han, Lingling; Li, Xiaodong.(2014). The analysis of exam paper component based on genetic algorithm. Proceedings - 2014 4th International Conference on Communication Systems and Network Technologies. 561-564.[24] Gao Huming; Li Yanjie.(2009). An autogenerating test paper method based on latent semantic analysis and genetic algorithm. 2009 International Workshop on Intelligent Systems and Applications..1174-1178.[25] Zhang Qi; Zheng He-Rong;et al.(2009). Study on intelligent test paper generating system based on optimized genetic algorithm. Journal of Zhejiang University of Technology.37.306-310.[26] Song Yan; Yang Guoxing.(2013). A Genetic Algorithm of Test Paper Generation. Computer Engineering and Design.897-901.[27] Kui Zhang ; Lingchen Zhu.(2015).Application of improved genetic algorithm in automatic test paper generation. 2015 Chinese Automation Congress .495-499.[28] Weimin Zuo; Xuyu Xiang; et al.(2014). Research on Intelligent Test Paper Based on Hierarchical and Self-Adapting Genetic Algorithm. Information Technology Journal.13.2666-2673.[29] Cong Yan. (2014). Test Paper Composition Design on College English Examination Based on Genetic Algorithm. Applied Mechanics and Materials.4585-4588.[30] Nie Jun.(2014).An improved genetic algorithm for intelligent test paper generation. 2014 7th International Conference on Intelligent Computation Technology and Automation.72-75.（注：可编辑下载，若有不当之处，请指正，谢谢!）。