基于遗传算法的组卷策略.pdfVIP

第 28卷第 3期 苏 州 科 技 学 院 学 报 (自 然 科 学 版 ) Vo1．28 No．3 2011年 9月 Seo．20l1 基于遗传算法的组卷策略 化 莉 (淮 阴工学 院 计算#L3-_程学 院，江苏 淮安 223003) 摘 要 ：对试卷 的评价指标做 了相应 的分析 。在此基础上 ，着重对 自动组卷算法进行 了研究 ，通过建立 自动组卷问 题的数学模型，提 出了一种基于遗传算法 GeneticAlgorithm解决组卷问题的新方法 ，该算法适应全局寻优且收敛速 度快等特点，解决了传统组卷 中编码长、适应度函数值计算 困难等 问题 ，较好地满足了 自动组卷 的要求 ，进而建立和 描述了组卷问题的染色体结构和适应度函数，设计了问题的遗传操作。 关键词 ：遗传算法 ：智能策略；数学模型 中图分类号 ：TP391 文献标识码 ：A 文章编号：1672—0687(2011)03—0058—04 在基于研究遗传算法 GeneticAlgorithm(以下简称 GA)的基础之上 ，进一步研究组卷策略，利用 GA对考 试系统的组卷方法进行研究，选定合适 的参数进行组卷 ，组出满足用户要求的试卷 ，这是文中的研究重点。 1 遗传算法的研究 1．1 遗传算法描述 基本的遗传算法 (SGA)可以解释为一种对群体进行操作 的算法l1l，它是 以群体 中的个体为研究对象，是 其他遗传算法的基础 ，为其他遗传算法搭建了一个基本的框架。 SGA的数学模型如下公式嘲 SGA=(C，E，Po，N， ，F，缈，T) 其 中：C代表编码手段 ，E代表适应度评价函数 ， 代表原始种群 ，Ⅳ代表种群大小 ， 代表选择算子 ，厂 代表交叉算子 ， 代表变异算子 ，代表遗传算法迭代终止条件 。 该算法 以适应度函数为根本 ，对群体之个体进行相关操作 ，以实现个体结构重组 ，从而使群体 中的个体 代代得 以优化，以便获得最优解。 1．2 算法的核心技术 1．2．1 适应度评价 GA的优化搜索 ，不需要用到外部信息 ，只作为适应度函数优化的依据 。对于该算法的适应度函数 ，唯一 需要注意的是 ：函数值不能为负 。但是在实际优化 问题 的时候 ，目标函数值有正也有负，需要保证个体适应 度始终取正值。 对于求 目标 函数最大值的优化问题 ，变换方法为 )+cn AX)+c 0 )： 【 0 厂(X)+C…≤0 对于求 目标 函数最小值的优化问题 ，变换方法为 F()：{c【～ )c~-f(X)0 0 C～ X)≤0 其 中， )为 目标 函数 ，C 是一个适当小的数 ，C一是一个适当大的数。 [收稿 日期】2011-02-14 [基金项 目】淮阴工学院科研基金资助项 目(HGB0907) 作【者简介]化 莉 (1977一)，女 ，江苏淮安人，讲师，硕士，研究方向：计算机应用。 第3期 化 莉 ：基于遗传算法的组卷策略 59 方法步骤总结如下 ：(1)预先指定一个较大 的数 ，通过进化得到当前最大 目标 函数值 ；指定较小的数 ，则 得最小 目标函数；(2)获得当前或最近几代群体中的最小或者最大 目标函数值 ；(3)根据待求解的问题来确定 适应度函数的设计 。 1．2．2 算法运行参数 基本 GeneticAlgorithm 中，需要提前设定下述 4个运行参数 ：(1)群体中所含个体的数量 Ⅳ，一般取为 30～250；(2)遗传