改进遗传算法在智能组卷系统中应用研讨.docVIP

改进遗传算法在智能组卷系统中应用研讨 　　摘 要：在线无纸化测试是现今流行的测试方式，无纸考试日渐替换了传统模式下的笔试并获取了更广的认同。设计考试配备的网络系统不可缺失组卷步骤，如何组卷关乎测试得出的精准性。组卷系统提升了智能性，采纳改进得出的新式遗传算法以此来自动调配组卷。智能水准更高的组卷应能便于自动调配试题，完善了原有的系统性能。对于此，解析了智能组卷可选的改进遗传算法，结合实情探析了更合适的应用思路。 　　关键词：改进遗传算法 智能化组卷系统 具体应用 　　中图分类号：TP2 文献标识码：A 文章编号：1674-098X（2016）03（b）-0013-02 　　网络考试日渐渗透于多样领域，新式背景下的无纸测试便利了常规的考试。网络考试不可脱离设计步骤内的组卷，选取的组卷方式关系到随机抽调的试卷质量，也关乎网络考试表现出来的智能性水准。操作组卷问题时，先要拟定可查验的必要参数并采纳合适的变换算法。设计并选取最相宜的组卷算法应能整合多样的内外要素，例如妥善设定题型配比、划分多层次的试卷分值、设定最佳的测试时段。组卷算法常见回溯试探及随机抽调的两类方法，组卷应能吻合真实的能力层次[1]。相比来看，改进遗传算法更注重于化解组卷步骤中的智能性难题，获取了凸显的组卷应用实效。 　　1 根本的算法机理 　　1.1 遗传算法的内涵 　　遗传算法含有如下的根本原理：若群体没能获取最佳解，或者没能获取最近似的解，那么不可继续后续的个体进化。在遗传算法中，个体表现出来的本身特性不可超越前一代；与此同时，个体彼此也是很近似的。在这种状态下，算法将很难予以维系且快速终止。借助设定好的算法流程，局部可获取最佳解答，然而全局并不可获取这种最优解答。针对于智能组卷，应能采纳最合适的遗传算法。常规状态下的算法可分成拟定遗传编码、操作选择性的算法、拟定适应度数。经过对比可得：相比于生物遗传学，遗传算法更契合了智能组卷依循的流程。为此，有必要详尽辨析遗传算法内含的多步骤，确保常态的组卷可被落实[2]。 　　1.2 智能组卷中的算法价值 　　面对规模较大的常规考试可选更高层次智能性的阅卷及组卷，借助微机以便于组卷。从现存题库中，采纳自动的多步骤筛选了最适宜的若干题型；经过自动生成，得出合格的卷面。现今教学及测试范围内都可选取智能化组卷，新式组卷替换了常用手动的组卷并显现了优势。这是由于，传统步骤内的手动组卷消耗掉的精力时间都是较多的，组卷缺失了便捷性及更高的灵活性并且减低了应有的组卷效率。智能性的微机组卷可协助节省时间，用户即可拥有更多用作备考的充足时间，在根本上提升了平常授课的质量。 　　计算机辅助下的组卷应能优选遗传算法，这种算法凸显了独有的新优势。遗传算法有着更优的鲁棒性及便捷性，可并行内在的各类算法并用作化解繁杂的多样难题。遗传算法依循了随机搜索，模拟得出自然状态下的遗传机理以便于搜索最适宜的某一解答[3]。在自然界中，这类算法模拟了交叉及变异、物种的选择等，各次的筛选中都应预留有待选取的解答。依照给定的规则，从现存的多种群范围内筛选了最优的个体。运用交叉变异，遗传算法获取了新种群，这样即可寻找期待中的最优解答。 　　考试系统不可缺失智能组卷，遗传算法辅助状态下的智能组卷被归入必备的部分。在最大范围内，智能组卷缩减了命题总量且杜绝了潜在的人为偏差。若拟定了多样约束要件下的某一复杂条件，则遗传算法凭借于染色体编码、寻找遗传算子、寻找适应度函数这些路径即可快速确保最优的组卷质量。这样做，在根本上提快了日常组卷的速率，组合得出的试卷也可覆盖着更广的知识范围。此外，智能组卷也避免了多次反复同种的知识点，新式算法被确认为有效的。 　　2 改进得到的新遗传算法 　　（1）设计得到算法配备的编码。运行状态下的微机可辨析的编码都为二进制，遗传算法也应吻合给定的这种格式。编制二进制特定的编码时，要选取搭配的染色体。借助实数编码，还可选取多样的途径用作编码。新式技术下的编码算法可分成多类，提升了根本的编码速度。针对于智能组卷，恰当编码应能确保更高层次内的智能化。二进制可选简易的编码步骤，变异及交叉性的操作都更为便捷。然而，这种编码运算也将耗费更多存储性的内在空间，缺失了表述时的精准性。遇有约束性的复杂难题，二进制编码也将显现独有的优势[4]。 　　（2）要明确合适的适用度数。适应度函数被融汇于算法范围内，要选取适应度的函数，这种前提下才可设置关键性的智能组卷手段。代表着适应度的数值应为进化步骤中的函数，这种数值对应着给出来的设置标准。运用这种标准，有序区分了质量不同的个体。若确定了最佳的适应度函数，即可精准辨别优劣不同的多样个体。这样做，也防控了过早淘汰某一个体或较快的扩散，抑制早熟并维持了多样形态的个体种群[5]。 　　（3）选取某