基于遗传算法的智能组卷策略的研究综述
《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 **********
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
2
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 基于遗传算法的智能组卷策略的研究综述
3
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 基于遗传算法的智能组卷策略的研究综述
4
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 基于遗传算法的智能组卷策略的研究综述
5
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
基于免疫遗传算法的智能组卷系统设计
基于免疫遗传算法的智能组卷系统设计
葛宇;梁静
【摘 要】为解决实际的组卷问题,降低组卷过程中的主观性,将免疫机制结合到遗传算法中,提出了一种基于免疫遗传算法的智能组卷算法,并从抗体编码、抗体选择、接种疫苗等方面对算法进行了优化.实验结果表明该算法取得了满意效果,具有较高实用性.%In order to solve practical problems in exam paper composing,
and reduce the subjectivity in composing process, in this paper we apply
the immune mechanism to genetic algorithm and design an intelligent
exam paper composing system based on immune genetic
algorithm.Meanwhile the algorithm is optimized in the aspects of antibody
coding, selection and vaccine.It is verified by the experimental result that
the algorithm achieves satisfying effect with quite high practicability.
【期刊名称】《计算机应用与软件》
【年(卷),期】2011(028)001
【总页数】3页(P274-276)
【关键词】智能组卷;免疫遗传;抗体选择;接种疫苗
【作 者】葛宇;梁静
【作者单位】四川师范大学基础教学学院,四川,成都,610068;成都电子机械高等专科学校网络中心,四川,成都,610031
【正文语种】中 文
0 引 言
计算机辅助教学(CAI)中的关键问题就是考试中的智能组卷,要求计算机按照教师和考核的要求,自动从试题库中选择试题,组成一份符合要求的试卷。生成的试卷要有随机性、科学性和合理性。
遗传算法与试题库自动组卷
遗传算法与试题库自动组卷
遗传算法可以与试题库自动组卷相结合，以优化试题组卷的效率和质量。
首先，利用遗传算法对试题库的题目进行筛选和优化，从而提高试题库的质量和多样性。遗传算法可以通过适应度函数评估和选择符合要求的试题，并进行基因交叉和变异，生成新的试题，从而不断改进试题库的质量。
然后，利用遗传算法对试卷进行自动组卷，优化试卷的难度、区分度、覆盖面等方面。遗传算法可以根据题目的特点和要求，选择适合的试题组成试卷，同时避免试题之间的相关性和重复性，以提高试卷的多样性和可靠性。
最后，可根据实际需要进行人工修正和调整，以确保试卷的质量和适用性。通过遗传算法与试题库自动组卷相结合，可以大大提高试卷的效率和质量，同时减轻教师的工作负担，促进教学效果的提高。
基于遗传算法的网络教学系统自适应组卷研究的开题报告
基于遗传算法的网络教学系统自适应组卷研究的开题报告
一、研究背景和意义
随着互联网技术的发展和线上学习的普及，网络教学系统已成为教学中不可或缺的一部分。当前的网络教学系统普遍存在课程资源不足、教学质量不佳等问题，其中组卷是影响网络教学质量的重要因素。目前，大多数网络教学系统采用静态组卷，即试题构成固定，缺乏个性化、灵活性和适用性。因此，开发一种能够自适应地组卷、优化试题难度和差异性的网络教学系统，具有重要的理论和实践意义。
遗传算法是一种生物学启发式算法，已被广泛应用于解决复杂系统优化问题。在组卷问题中，遗传算法能够有效地搜索试题集合中的优秀解，并通过优化策略和算子保持种群多样性，降低过早收敛和精英陷阱的风险。同时，遗传算法还能够通过适应度函数对试卷质量进行评估，进而实现自适应组卷。
本研究旨在基于遗传算法，针对网络教学系统组卷问题，设计一种自适应组卷算法，并实现相应的网络教学系统。该研究能够提高网络教学系统的教学质量和适用性，促进在线教育的发展。
二、研究内容和方法
研究内容：
1. 分析网络教学系统组卷问题，建立自适应组卷模型；
2. 设计遗传算法的基本遗传操作、优化策略和适应度函数；
3. 确定遗传算法的参数和执行流程；
4. 开发网络教学系统，实现自适应组卷和试卷评估功能； 5. 通过实验验证算法和网络教学系统的有效性，并进行性能比较和分析。
研究方法：
1. 文献综述、理论研究、实践探究等方法；
2. 基于Python编程语言实现遗传算法和网络教学系统；
3. 实验方法，包括仿真实验和现场实验。
三、预期结果
1. 设计一种基于遗传算法的自适应组卷算法，并评估其效果；
2. 实现一种能够自适应组卷和评估试卷质量的网络教学系统，开发出试用版；
3. 验证自适应组卷算法和网络教学系统的有效性和性能，包括准确率、效率、稳定性等方面；
4. 进一步完善网络教学系统，推广应用。
四、进度安排和预算
浅析遗传算法在智能组卷系统中的应用
ＩＳＳＮ １００９－３０４４ ＣｏｍｐｕｔｅｒＫｎｏｗｌｅｄｇｅ ａｎｄＴｅｃｈｎｏｌｏｇｙ电脑知识与技术 Ｖｏ１．１０，Ｎｏ．１６，Ｊｕｎｅ ２０１４ Ｅ—ｍａｉｌ：ｅｄｕｆ＠ｄｎｚｓ．ｎｅｔ．ｅｆｔ ｈｔｔｐ：／／ｗｗｗ．ｄｎｚｓ．ｎｅｔ．ｅｎ Ｔｅｈ＋８６—５５ １—６５６９０９６３ ６５６９０９６４
浅析遗传算法在智能组卷系统中的应用
龚利，史杨
（郧阳师范高等专科学校，湖北十堰４４２０００）
摘要：该文介绍了遗传算法的基本原理和构成要素，分析了遗传算法的特点，在遗传算法的研究基础上，找到了一个很好的 策略过程应用于智能试卷，提高运行的速度，避免了标准算法容易早熟现象，具有更好的健壮性，是一种很有发展潜力的优
化方法。
关键词：遗传算法；智能组卷
中图分类号：ＴＰ３１１ 文献标识码：Ａ 文章编号：１００９—３０４４（２０１４）１６—３８７９—０２
Ａｎａｌｙｓｉｎｇ ｔｈｅ Ａｐｐｌｉｃａｔｉｏｎ ｏｆ Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍ ｉｎ ｔｈｅ Ｉｎｔｅｌｌｉｇｅｎｔ Ｔｅｓｔ Ｐａｐｅｒ Ｇｅｎｅｒａｔｉｏｎ
ＧＯＮＧ Ｌｉ，ＳＨＩ Ｙａｎｇ
（Ｙｕｎｙａｎｇ Ｔｅａｃｈｅｒｓ’ＣｏＨｅｇｅ，Ｓｈｉｙａｎｇ ４４２０００，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｔｈｉｓ ｐａｐｅｒ ｉｎｔｒｏｄｕｃｅｓ ｔｈｅ ｂａｓｉｃ ｐｒｉｎｃｉｐｌｅ ａｎｄ ｃｏｎｓｔｉｔｕｅｎｔ ｅｌｅｍｅｎｔｓ ｏｆ ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ，ｗｈｉｌｅ ａｎａｌｙｓｉｎｇ ｔｈｅ ｃｈａｒａｃｔｅｒｉｓ— ｔｉｃｓ ｏｆ ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ．Ｉ ｆｉｎｄ ａ ｂｅｔｔｅｒ ｓｔｒａｔｅｇｙ ｉｎ ｔｈｅ ｐｒｏｃｅｓｓ ｏｆ ｔｈｅ ｉｎｔｅｌｌｉｇｅｎｔ ｔｅｓｔ ｐａｐｅｒ ｇｅｎｅｒａｔｉｏｎ ｔｈｒｏｕｇｈ ｔｈｅ ｓｔｕｄｙ ｏｆ ｇｅｎｅｔｉｃ
ａｌｇｏｒｉｔｈｍ．Ｔｈｉｓ ａｌｇｏｒｉｔｈｍ ｉｍｐｒｏｖｅ ｔｈｅ ｓｐｅｅｄ ｏｆ ｔｈｅ ｏｐｅｒａｔｉｏｎ ａｎｄ ａｖｏｉｄ ｐｒｏｎｅ ｔｏ ｐｒｅｍａｔｕｒｅ ｐｈｅｎｏｍｅｎｏｎ ｏｆ ｔｈｅ ｓｔａｎｄａｒｄ ａｌｇｏ－ ｒｉｔｂｍ，Ｉｔ ｈａｓ ａ ｂｅｔｔｅｒ ｒｏｂｕｓｔｎｅｓｓ，ｉｔ ｉｓ ａ ｏｐｔｉｍｉｚａｔｉｏｎ ｍｅｔｈｏｄ ｗｉｔｈ ｄｅｖｅｌｏｐｍｅｎｔ ｐｏｔｅｎｔｉａ１．
改进的遗传算法在智能组卷中的应用研究
改进的遗传算法在智能组卷中的应用研究
摘 要：该文提出分段二进制编码，对遗传算法的选择过程进行改进，并采用独立题型题库存放的方法来求解组卷问题。实验结果表明，新方法的组卷成功率和收敛速度都得到明显提高，较好的克服了早熟收敛现象，组卷质量明显提高。
关键词：改进遗传算法 智能组卷 数学模型
中图分类号：tp18 文献标识码：a 文章编号：1674-098x（2013）03（c）-00-02
随着我国信息技术的飞速发展，计算机在教学领域有了广泛应用，用计算机进行网上考试已经成为一种趋势，因此怎么才能快速从试题库中选出一份满足用户各项要求的试卷成为一个问题。目前常用的组卷方法有随机选题法、回溯试探法、遗传算法三种，而传统的遗传算法主要通过交叉算子繁衍后代，容易造成早熟收敛现象。因此目前已经有很多人为提高组卷效率，将遗传算法的算子改进后再应用到智能组卷系统中。该文为加快算法的收敛速度，将遗传算法的算子进行了改进，并应用于智能组卷系统中。
1 智能组卷的数学模型
将智能组卷问题视为从一定题量的数据库中抽取满足组卷要求的一组试题组合，就能够将组卷问题转化为一个多重约束目标问题。求解一份由m道试题且每道试题有n个属性的试卷，相即构建一个m×n的目标矩阵s。
s= 试题常有如下属性：⑴难度系数a1、⑵分数a2、⑶能力层次a3、⑷预计答题时间a4、⑸题型a5、⑹已出题次数a6。目标矩阵应满足以下约束条件：
⑴试卷难度系数=1-/总分（由用户给定）；
⑵试卷总分=（一般为100分）；
⑶答题总时间=（由用户给定）；
⑷（为第p能力层次题分），能力层次类型和所占分数由用户给定，即能力层次约束，其中
⑸题型题分=，第j题型题分，其中：c={，j为题型要求约束。题型分别为：判断、单选、填空、多选等，具体组卷题型类别和每题分值由用户给定。
组卷过程中，试题要根据数学模型中给出的各项指标来决定，即表示第i道试题中的第j项指标，其中i=1，2，…，m；j=1，2，…，n。
基于遗传算法的组卷研究的开题报告
基于遗传算法的组卷研究的开题报告
一、选题背景与研究意义
组卷是教育教学领域的重要环节，是促进学生知识掌握、提高考试质量的有效手段。传统的组卷方式通常由教师手工制定试卷，这种方式存在的问题是时间耗费多、难保证试题质量等。因此，采用基于遗传算法的组卷方法已成为当前教育教学领域的研究热点。遗传算法是一种模拟自然界生物进化过程的搜索算法，可用于解决组合优化问题，如组卷、调度等。
本研究旨在通过研究并实现基于遗传算法的组卷方法，能够提高试题难度分布的均匀性、增加试题多样性、提高试卷的区分度，从而提高考试的质量。
二、研究内容
1. 遗传算法的原理及基本流程
2. 如何将遗传算法应用于组卷中：包括编码、评价函数、遗传操作等。
3. 设计评价指标：根据试题知识点难度、试题类型等因素，设计合理的评价指标，以评价试卷的质量。
4. 设计实验：设计多组试卷模拟实验，对比传统手工制卷与遗传算法制卷的试卷质量，从而验证算法的可行性及优越性。
5. 开发实现：基于Python语言实现基于遗传算法的组卷方法，并开发应用程序。
三、研究计划
时间|内容
-|- 第1-2个月 |文献调研，深入理解遗传算法原理。
第3-4个月 | 研究如何将遗传算法应用于组卷中，并设计编码、评价函数、遗传操作等。
第5-6个月 | 设计合理的评价指标，以评价试卷的质量，并准备实验。
第7-8个月 | 进行试卷模拟实验，对比传统手工制卷与基于遗传算法的组卷方法的试卷质量。
第9-10个月| 改进算法，优化实验结果，并开发应用程序。
第11-12个月| 完善论文，撰写论文初稿，并准备答辩。
四、预期成果
1. 对基于遗传算法的组卷方法进行深入研究，并实现关键技术。
2. 针对试卷质量的评价指标进行设计，以评价试卷的质量。
3. 比较传统手工制卷方法和基于遗传算法的组卷方法在试卷质量上的差别。
4. 获得一种基于遗传算法的组卷方法并开发成应用软件。
遗传算法在组卷策略中的应用
第３０卷第３期 ２０１０年６月 厂东教育学院学报 Ｊｏｕｒｎａｌ ｏｆ Ｇｕａｎｇｄｏｎｇ Ｅｄｕｃａｔｉｏｎ Ｉｎｓｔｉｔｕｔｅ Ｖ０１．３Ｏ ＮＯ．３ ＪｕｒＬ ２０１０
遗传算法在组卷策略中的应用
刘林东
（广东教育学院计算机科学系，广东广州５１０３０３）
摘要：给出智能组卷数据模型，采用遗传算法中编码、初始群体、迭代等步骤，利用交叉概率、变 异概率和适合度判断迭代的收敛性，并产生适合规则的群体．对比遗传算法及其他组卷策略，遗传
算法在组卷次数及组卷时间上优于传统的组卷策略． 关键词：组卷策略；遗传算法；适应度；基因 中图分类号：ＴＰ ２７４ ．２文献标识码：Ａ文章编号：１００７—８７５４（２０１０）０３—００７５ ０５
遗传算法ｌ＿１］源于自然界的生物进化过程，通过模拟生物界自然选择和遗传变异的机制来求解复杂问题
的随机搜索和优化的方法．遗传算法作为一种模仿生物进化过程的高效、并行、全局的优化方法，其应用非常 广泛，已成功应用于组合优化、机器学习、信号处理、模型识别等各类实际问题中．
随着信息技术和远程教育的发展，现代教育、教学手段和形式发生很大的变化．考试系统作为远程教育 系统中重要组成部分，直接关系到远程教育系统的评价体系，因此其具有非常重要的应用价值．
将遗传算法应用于组卷策略能很好地解决传统方法中组卷成功率低、耗时长、复杂度大、体系结构复杂 等问题．
１ 智能组卷数据模型
考试系统一般包括题库模块、组卷模块、考试模块、改卷模块、数据分析等模块．可以根据应用的需要对 考试系统进行更详细的划分．题库模块根据学科、知识点的分布在数据库或数据仓库中存储考试题目；组卷
模块根据相关组卷策略以及题库模块生成试卷；考试模块根据所生成的试卷进行考试；改卷模块对考试数据
进行批改，并将批改结果存放在数据库中；数据分析模块对批改数据以及考生行为数据进行分析，反馈回考 试系统，完善和优化考试系统中的组卷模块．智能组卷数据模型如图１所示．
运用遗传算法进行智能组卷
２０１０年第１０期 （总第１３４期） 大众科技 ＤＡＺＨＯＮＧ ＫＥ Ｊ Ｎｏ．１０。２０１０ （Ｃｕｍｕｌａｔｉｖｅｌｙ Ｎｏ．１ ３４） 遗用遗传算法 进行智麓组卷
陈 涵 （南京化工职业技术学院，江苏南京２１００４８） 【摘 要】遗传算法以其具有很好的并行性，全局优化性和稳定性，较适合解决自动组卷问题，文章讨论了智能组中如何 运用该方法进行组卷，并尝试从编码方法上对遗传算法进行相关技术改进。 【关键词】智能组卷；遗传算法；全局寻优 【中图分类号】ＴＰ３０１．６ 【文献标识码】Ａ 【文章编号】１００８－Ｉ１５１（２０１０）１０—００１卜０２ （一）智能组卷数学模型 智能组卷是一个典型的多条件约束优化问题，组卷时通 常考虑的约束有试卷分数、试卷题型、试卷难度系数、能力 层次、教学要求、区分度等约束。因此，组卷中的一道试题 应由ｎ项指标决定，要生成一份试卷，就应决定一个ｍ×１１的 矩阵。假设从题库中抽取ｎ道试题，每道试题由五个属性（题 分ａ１，题型ａ２，所需时间ａ３，难度ａ４，知识点ａ５）决定， 则可生成这样的矩阵： 『。“ …ｎ蠢 ｌ啦． ２ ．．．０ ｌ Ｉ…………ｌ ｌ。 。 …。』 其中：Ｐ＝ａ ｌ≤ｉ≤ｎ，１≤Ｊ≤５ 以上问题求解中的目标状态矩阵为例，目标矩阵应满足 如下约束条件： １．试卷总分：一般由用户给定，设试卷总分为Ｍ，Ｍ满足 公式（１）： Ｍ：∑ ２．题型分数：组卷过程中的题型主要包括单选题，多选 题，填空题，断判题，简答题等，设Ｔ为第ｍ种题型要求的 分数，Ｔ满足公式（２），当试题题型编号ａ 属于第ｍ种题型 时，ｔ 为１，否则为０； ７１：∑（ａ ｔｍ） （２） ３．平均难度：平均难度一般由用户给出，本文取容易、 较容易、中等、较难、难５个难度级别，难度系数，设Ｄ为平 均难度，则Ｏ满足公式（３）： Ｄ：（∑ｎ 。 ａｉ４）／总分 （３） ４．知识点分数：设ｓ为第ｍ个一级知识点的要求分数， ｓ满足公式４．４，当知识点ａ 属于第ｍ知识点时，ｓ 为１，否 则为０； ｓ：∑（ｎ ） （４） ５．答题时间：设Ｔ为答题时问，则Ｙ满足公式（５）： （５） 可以看出，组卷问题是一个多目标的最优求解问题。在 组卷过程中，并不是约束条件越多就越好，过多的约束条件 反而会增加组卷难度并降低组卷效率，因此在系统试题库的 初期阶段选取了以上五个约束条件，随着系统的不断完善与 用户量的增加，可以再考虑其它约束条件。 （二）组卷算法设计 自动组卷是根据用户给定的约束条件搜索试题库中与特 征参数相匹配的试题，从而抽取最优的试题组合。目前常用 的组卷方法有随机抽取组卷算法、回溯试探组卷算法、遗传 组卷算法。随机选取法是根据组卷状态空间的控制参数，由 计算机提供的随机函数随机的从试题库中抽取一道试题进行 组卷，之后不断重复此过程，直到组卷完毕，或者无法从试 题库中抽取满足参数的试题为止。这种算法结构简单，但具 有很大的随机性和不确定性，易于陷入局部最优解和求解速 度慢的情况；回溯试探组卷法是将随机选取法产生的每一状 态类型纪录下来，当搜索失败时释放上次纪录的状态类型， 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 种算法对于题量较少的试题库组卷成功率较高，但却不能很 好地在全局范围内搜索，同时也存在组卷时间很长，程序结构 相对比较复杂的特点。 从以上分析可以看出，随机抽取组卷算法和回溯试探组 卷算法并不能很好地实现组卷要求，遗传算法是一种新发展 起来的并行优化算法，它很适合解决自动组卷问题。 １．遗传算法原理 遗传算法起源于６０年代对自然和人工自适应系统的研 究，最早由美国密执安大学的Ｈｏｌｌａｎｄ教授提出，遗传算法 把问题的解表示成“染色体”，在算法中以二进制编码表示， 在执行遗传算法之前，先给出一群“染色体”的假设解，再 将这些假设解置于问题的“环境”中，通过评价函数从中选 择出较适应环境的“染色体”进行复制，再通过交叉，变异 过程产生更适应环境的新一代“染体”群。如此反复，经过 一代又一代地进化，最后收敛到最适应环境的一个“染色体”， 它就是问题的最优解，遗传算法基本原理图如图１所示。 【收稿日期】２０１０—０７—２５ 【作者简介】陈涵（１９７９一），女，江苏南京人，南京４ｇ＿ｒ－ｇａ，２ｋ技术学院信息技术系讲师，研究方向为计算机语言。
基于遗传算法的自动组卷问题研究
基于遗传算法的自动组卷问题研究
李阿红;张建锋
【期刊名称】《电脑知识与技术》
【年(卷),期】2016(012)001
【摘 要】考试已成为整个社会评定个人水平能力及选拔人才不可缺少的手段之一。试题库的完整性及试题组卷的科学性已成为当代教育的热点研究问题。应用自动组卷系统，只需根据题型、题量、难易度、分值等相关参数的设置即可自动生成一套满足要求的试卷。在组卷系统研究中，自动组卷算法是整个系统的关键技术，提出新的利用遗传算法组卷系统，其目的在于提高自动组卷的有效性和试卷质量。%Testing has already been one of the main measures for assessing
talents’quality and promoting talents. Therefore, it has been a hot issue
that test bank should be integrated and the test paper generating module
should be scientific. The auto-gener-ating test paper system can generate
automatically test papers which can meet the requriements based on the
task types, the quan-tity,the degree of difficulty etc. In the research of the
system, the algorithm is the key technique,so the paper proposes the new
generating test paper system on the genetic algorithm to improve its
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
智能组卷系统是一种能够根据给定的题库和考试要求，自动生成合理的试题组卷的系统。为了提高组卷的效率和质量，本文提出了基于改进遗传算法的智能组卷系统设计。
需要建立一个题库，题库中包含各个科目的试题，每个试题都有题目、选项、答案和难度等信息。然后，根据考试的要求和限制条件，确定试卷的总题量、每个科目的题量以及各个科目的分值比例等信息。
接下来，通过改进的遗传算法来实现智能组卷。遗传算法是模拟生物进化过程的一种算法，通过对试题的编码、交叉、变异等操作，生成一组符合要求的试卷。
将试题编码为二进制串，每个试题的编码都包含了题目、选项、答案和难度等信息。然后，通过交叉操作，将两个编码进行随机交叉，生成新的编码。交叉的位置可以根据试题的难度和重要性来确定，以保证生成的试卷能够覆盖各个难度和重要程度的试题。
接着，通过变异操作，对编码进行随机的变异，引入新的试题，增加试卷的多样性和随机性。变异的概率可以根据试题的数量和要求来确定，以充分利用题库中的试题。
然后，通过适应度函数来评估生成的试卷的质量。适应度函数可以考虑试题的难度、知识点的分布和试卷的平衡性等因素，以找到最优的试卷组合。
通过迭代的方式，不断生成和评估试卷，直到生成满足要求的试卷组合。在每次迭代中，根据适应度函数对试卷进行评估，选择适应度高的试卷作为下一代的父代，然后通过交叉和变异操作生成新的试卷，再进行评估和选择，直到达到停止条件。
基于改进遗传算法的智能组卷系统设计可以有效地解决试卷组卷的问题，提高组卷的效率和质量。还可以根据实际需求和具体情况进行改进和优化，以更好地满足用户的需求和要求。