基于遗传算法自动组卷问题设计研究.docVIP

基于遗传算法自动组卷问题设计研究 　　［摘 要］根据目前考试多约束条件的需求，本文是在基于遗传算法的基础上，通过对编码、适应度函数、遗传算子、控制参数指标等方面来进行研究设计，对适应度函数的选择，特别是在控制参数指标中建立相应的交叉概率和变异概率，有利于防止结果进入局部最优和克服未成熟现象的发生，从而确保的试卷的覆盖范围和准确性，提高组卷效率。 　　［关键词］遗传算法 编码 适应度函数 遗传算子 算法控制参数 　　 　　一、引言 　　目前自动组卷的考试系统大多采用的算法都是随机抽取法和回溯试探法。随机抽取法不存在最优化这样的思想，因为组卷前用户会针对所需试卷的情况提出各种不同的制约条件，自动组卷完成后所生成的试卷，只要是能够满足给定条件要求的，都看作是可行的试卷。这种算法的策略就是在约束条件的限制下，让计算机在试题库中任意选取符合要求的试题，再不断重复这样的搜索选取过程，直到生成试题的操作结束或是无法搜索选取符合限制条件的试题为止。回溯试探法实际上是采用基于随机选取试题的基础上，记录下每次操作的状态类型，让这些类型与设定的条件相对比，再对满足条件的进行抽取操作，就这样循环到生成试卷或是重新开始组卷。 　　在相同限制条件与状态空间下，分析两种算法的优缺点，随机抽取法由于算法结构简单，对单一的某道试题的选取有较快的运行速度，因而此方法被许多人所采用。但对于组卷的整个过程来说，由于抽取的空间太大，即便组卷成功，也会用上让人难以忍受的时间，或是最终发现选取的试题不能满足某些要求，致使组卷的失败。 　　二、遗传算法 　　遗传算法是一种优化搜索的算法，它具有一切生命与智能产生进化的模仿机制过程。它通过迭代过程中的遗传变异理论和生物基因遗传原理，引入编码初始群体，针对构成群体的每个个体，按它们对环境的适应度来进行相关的操作，最终实现“优胜劣汰，适者生存”的演变进化过程。从优化寻优搜索的角度来说，遗传的过程就是让问题的解一代比一代优化，最终得出最优的解。基本工作流程如下图2-1。遗传算法具有全局搜索寻优能力；没有函数连续性和求导的限制，能直接操作于结构对象；不需要确定规则，能自动获取优化的搜寻空间，自动地来调整搜索寻优方向。与其它算法相比较，把遗传算法应用于组卷系统具有如下特点优势： 　　1.遗传算法具有有向的搜索方式：不同于一般无向搜索法的传统随机搜索方式，遗传算法是在进行着有向而高效的搜索。 　　2.遗传算法具有良好的并行性：算法的操作对象非单个可行解，是一组可行解；搜索轨道非单条，有多条。 　　3.遗传算法具有很强的通用性：算法无需利用高价值信息，只需利用目标函数信息，因而适用于任何不连续大规模函数的和目标函数的优化。 　　4.遗传算法具有良好的全局优化稳健性：主要是利用其良好的并行性和对择优机制的选择。 　　5.遗传算法具有良好的简单可操作性：算法操作是通过编码化的可行解，把编码化的个体适应值解释为目标函数。 　　6.遗传算法形成了最优的问题求解方法：该算法在和其它技术(如神经网络、信号处理、模糊推理、人工生命、机器学习和混沌行为等)相结合时比较容易。 　　三、遗传算法设计 　　遗传算法的特点用于处理智能自动组卷的问题，也就是先要生成一定规模的初始群体，按评价函数的条件进行个体的选择复制，接着使其以一定的概率进行交叉与变异的遗传操作，实现个体结构新的重组，这样不断循环迭代，最终搜索到符合全局的最优解，相应的算法步骤如下： 　　步骤 1 制定编码方案 　　组卷问题中所要求得到的可行解是一份生成的试卷，采用分组实数编码，把一份试卷映射为一个染色体，将组成试卷同类题型的试题映射成构成染色体的每个基因，再直接用各个试题的对应题号来表示基因的值，即染色体的基因编码表示为：，其中(n为试卷总题型数，i= n-1)是试题的题号。 　　步骤 2 确定适应度函数 　　适应度函数是对问题求解的评价函数。通过确定在群体中的某个体相应的适应度函数值f(x)，作为来描述个体性能的主要指标，也是个体进行优胜劣汰的主要操作。目标函数和适应值之间的关系存在着多样性，在函数优化问题中，将问题的目标函数与个体的适应度函数建立映射关系，保证映射后f(x)总是非负的，并且希望它的值在任何情况下越大越好。 　　步骤 3 设计遗传算子 　　 (1) 选择算子 是为了提高群体的平均适应度值。由于它本身不具有产生新个体的行为，所以群体中最优个体的适应度值也不会因为选择操作发生改变。遗传算法的主要操作过程是通过选择优异个体直接对下一代进行遗传或是通过间接的配对交叉产生的新个体再遗传给下一代，而淘汰劣质个体。如果初始群体大小为n，个体i的适应度值为，那么i被选择的概率就为。因此，个体适应度值越大，被选择的概率也就越高。 　　(2) 交叉算