基于改进遗传算法组卷算法研究与应用.docVIP

基于改进遗传算法组卷算法研究与应用 　　摘要：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 　　中图分类号: TP18 文献标识码：A 文章编号：1007-9416(2011)11-0130-03 　　 　　Research and Application of Test Paper Generation Based on The Improved Genetic Algorithm 　　 　　Ji Chunmei 　　(Yancheng textile vocational and technical college, Yancheng Jiangsu 224005,,China) 　　 　　Abstract：On the basis of genetic algorithm,by improving the coding strategies , the fitness function,the enetic operators,and increasing the retention mechanism of excellent individuals ,it could effectively solve the problem of restriction optimizingin the process of intellect test paper combination.,and Improve the efficiency.prove that this kind of genetic algorithm has good generality, adaptivity,convergence, and the characteristics of the global optimization.It Has been applied to the test paper generation of the database system, and has achieved good effects. 　　Keywords:Genetic algorithm;Restricting condition Fitness function Genetic operators 　　 　　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。 　　 　　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 　　(6)考试时间 　　除了上述组卷目标外，还可以指定区分度、曝光