分段组卷伪并行遗传算法的研究与实现.docVIP

分段组卷伪并行遗传算法的研究与实现 　　摘 要： 遗传算法组卷存在收敛速度慢和未成熟收敛问题，难以满足考核要求。已有较多算法采用了分段编码、分段进化的策略，以降低算法的复杂度，提高算法的性能，但均未实现分段组卷，没能从根本上提高算法的性能。为此提出分段伪并行组卷的方法，即：分段组成符合要求的试卷段，再组合成一份完整的符合用户需求的试卷。实验证明，该方法能够大大加快收敛速度，提高组卷质量。 　　关键词： 遗传算法； 适应度； 组卷； 种群多样性； 伪并行 　　中图分类号：TP181 文献标志码：A 文章编号：1006-8228（2014）07-37-03 　　Abstract： There exist problems of slow convergence speed and premature convergence in genetic algorithm， making it hard to meet the inspection requirements. Hence the block coding， and segmented evolution strategy are adopted in many algorithms in order to reduce the complexity of the algorithm， and improve the performance of the algorithm. However， none of them can realize composing test paper piecewise. The performance of the algorithm is failed to fundamentally be improved. To solve the above problems， a method of pseudo-parallel group volume is proposed. Test paper is composed individually， and assembled into a complete test paper. It meets the demand of the users. Experiments show that this method can greatly speed up the convergence and improve the quality of composing test paper. 　　Key words： genetic algorithm； fitness value； composing test paper； diversity of population； pseudo-parallel 　　0 引言 　　随着人工智能技术的发展，出现了基于智能的计算机辅助教学系统。智能组卷是智能计算机辅助教学系统的重要组成部分，它的研究目的是使计算机代替人工出卷。能否快速地组成科学的、合理的和具有随机性的高质量试卷取决于组卷算法的设计。20世纪80年代中后期，国内外研究者根据组卷问题的特点进行了组卷算法的研究，相继产生了多种组卷方法。其中具有代表性的有随机抽题法、回溯试探法和遗传算法等[1]。①随机抽题法是根据组卷时定义的控制指标，不断从试题库中随机选取试题加入试卷中，直到组卷完成。该方法简单，单次运行速度快，但成功率低。②回溯试探法的基本思想：判断随机抽取的试题是否满足指定的约束条件，当满足约束条件时继续向前搜索，并保存待生成试卷的状态空间。当组卷失败时，则返回上次记录，再按照预定策略进行新的搜索试探，直到生成试卷或回到出发点为止。该方法组卷耗时长，且内存空间占用量也较大。③遗传算法作为一种优秀的算法，已在很多领域得到应用，与传统的搜索算法不同，它是模仿自然选择和遗传进化过程来搜索最优解，特别适于处理传统的搜索方法无法解决的复杂问题和非线性问题。智能组卷是一种多目标约束问题[2]，受多种因素的影响，如总分、题型，每种题型的题量，每种题型所占的分值、时间、难度、区分度等，但遗传算法利用适应度值来指导搜索方向，使得采用遗传算法解决多目标约束的组卷问题具有明显的应用优势。它具有所组试卷随机性强，质量高的特点，但由于约束条件多，易出现未成熟收敛和收敛慢，多个目标方向在收敛速度上存在不一致的现象，容易向一个方向上侧重。在采用遗传算法进行组卷时，较多算法采用了分段编码、分段进化的策略[3-4]，以降低算法的复杂度，提高算法的性能，但并未实现分段组卷，没能从根本上提高算法的性能。本文提出分段伪并行组卷的方法，即按题型分段成子群体，各子群体独立进行遗传进化。按题型组成符合要求的试卷段，