基于遗传算法的智能组卷策略的研究综述.docVIP

《基于遗传算法的智能组卷策略的研究》综述 姓名 刘春晓2015216104 专业 计算机技术 班级 3班综述 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 关键词 智能组卷；遗传算法函数算子 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的试卷质量比较高 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。 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 遗传算法是在0世纪 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 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