资源描述：
《基于改进遗传算法的组卷算法研究与应用》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。
1、基于改进遗传算法的组卷算法研究与应用：在基本遗传算法的基础上，对编码策略、适应度函数、遗传算子进行了改进，增加了优良个体的保留机制，有效地解决了智能组卷中的约束优化问题，提高了组卷效率。实践结果表明，改进的算法具有较好的通用性、自适应性、收敛性和全局优化性，已应用于试题库系统的组卷，并取得了良好的效果。 关键词：遗传算法约束条件适应度函数遗传算子 :TP18：A：1007-9416(2011)11-0130-03 ResearchandApplicationofTestPaperGenerationBasedonTheImprovedGeicAlgorithm
2、 JiChunmei (Yanchengtextilevocationalandtechnicalcollege,YanchengJiangsu224005,,China) Abstract：Onthebasisofgeicalgorithm,byimprovingthecodingstrategies,thefitnessfunction,theeicoperators,andincreasingtheretentionmechanismofexcellentindividuals,itcouldeffectivelysolvetheproblemofrestr
3、ictionoptimizingintheprocessofintellecttestpaperbination.,andImprovetheefficiency.provethatthiskindofgeicalgorithmhasgoodgenerality,adaptivity,convergence,andthecharacteristicsoftheglobaloptimization.ItHasbeenappliedtothetestpapergenerationofthedatabasesystem,andhasachievedgoodeffects. Ke
4、y;RestrictingconditionFitnessfunctionGeicoperators 遗传算法[1]是一种通过模拟自然进化过程搜索最优解的方法，其主要特点是群体搜索策略和个体间的信息交换。基本遗传算法的主要步骤可描述如下： (1)基因编码； (2)随机生成一定规模的初始种群； (3)测算群体中每个个体的适应度值； (4)进行选择、交叉、变异，生成新一代种群； (5)再次测试个体适应度值，如满足终止条件，则输出问题最优解，否则转向步骤（4）进行下一轮进化。 遗传算法具有简单、鲁棒性强、全局寻优等优点，在解决组卷问题时应用较为广泛，但同时也存在
5、容易过早收敛、以及在进化后期搜索效率较低等缺点。改进遗传算法的目的是既要保护群体的多样性，又要加快算法的收敛速度。当前的改进方案主要有两类：一类是对遗传算法本身，即在编码方式以及遗传算子等方面进行改进；另一类是将基于问题的启发式搜索技术引入遗传算法中，如将模拟退火和多种群并行遗传进化的思想与基本遗传算法相结合。本文采用第一类方法改进遗传算法。 1、组卷问题的数学模型[2] 用户的组卷目标包括题型、难度系数、知识点等很多方面，组卷问题实际上就是一个多条件的约束优化问题。用向量（a1，a2，…，an）表示用户的n项组卷目标，一份包含m道试题的试卷即可对应为m×n的目标矩阵s
6、。 考虑到组卷系统的通用性和实用性，设目标向量包括如下几方面（题型a1，题分a2，知识点a3，难度系数a4，能力要求a5，预期时间a6），题型包括单选、多选、填空、判断、计算及综合；知识点划分与章节对应；难度系数=1-（平均得分/题分），范围是（0,1），难度系数为0或为1的试题，属于无意义的试题；能力要求分为识记、理解、应用3种。 目标矩阵应满足以下约束条件： (1)试卷总分 (2)题型j的目标分值，其中 (3)知识点k的目标分值，其中 (4)能力要求p的目标值，其中 (5)难度要求的目标值，整卷的难度系数用每道试题难度系数的加权平均来计算，整卷难度系数
7、 (6)考试时间 除了上述组卷目标外，还可以指定区分度、曝光时间等其它目标参数，但指标过多将降低组卷效率。 2、改进的遗传算法设计 用遗传算法处理多目标优化问题的关键是进化选择机制[3]，基本遗传算法可定义为一个8元组GA=（C,E,P0,M,φ,Г,Ψ,Τ），C为个体编码方法，E为适应度评价函数，P0为初始群体，M为群体大小，φ为选择算子，Г为交叉算子，Ψ为变异算子，Τ为终止条件。 2.1染色体编码 基本遗传算法采用面向试题库的二进制编码[3]，题库中的每道题被选中时用1表示，未被选中用0表示，试题库
