基于混合智能算法的组卷策略研究

改进的人工鱼群混合算法在智能组卷中的应用吴旭;洪联系;魏德志;郭剑平【摘要】现有的智能组卷多采用单一算法,而每种算法都有其各自的缺点,针对此缺陷提出了结合人工鱼群算法和遗传算法的优点组成混合智能组卷算法.在智能组卷开始时,采用人工鱼群算法快速靠近组卷目标,在组卷过程中,当最优个体在连续多个迭代过程中无变化或变化极小时采用遗传算法对人工鱼个体进行跳变,提高收敛速度.通过模拟计算证明,该混合智能算法能有效地优化其中单一算法独自进行智能组卷的成效.%Intelligent auto-generating paper was a optimization problem which had multi-target parameter in certain constraint conditions.There had been many algorithms to realize intelligent auto-generating paper.But,most of the methods achieving the target used only a single algorithm.Since each of the algorithm had its own shortcomings,so in the process of intelligent auto-generating paper,it sometimes can't avoid the defects of a single algorithm.By incorporating AFSA and GA's advantages into a mathematical model for intelligent auto-generating paper,a HIDA algorithm was proposed.In the course of generating paper,the AFSA was adopted to approach to the target first.When the best individual didn't change or changed very small continually,the GA was used to make the fish jump to increase the convergence speed.The results of experiments showed that the HIOA-GFA was better than single one of the Algorithms to generate paper.【期刊名称】《集美大学学报（自然科学版）》【年(卷),期】2012(017)005【总页数】7页(P394-400)【关键词】智能组卷;人工鱼群;遗传算法;混合智能算法【作者】吴旭;洪联系;魏德志;郭剑平【作者单位】集荚大学诚教学院,福建厦门361021;集荚大学诚教学院,福建厦门361021;集荚大学诚教学院,福建厦门361021;集荚大学诚教学院,福建厦门361021【正文语种】中文【中图分类】TP301.6随着信息技术的发展，传统的人工组卷方式已经不能满足许多新出现的考核需求．例如，驾校理论考试机考、高校计算机等级考试机考、英语四六级机考、GRE 机考和众多网络在线考试等．这些考试系统的共同特征就是题库量大、考核内容全面，在考核期间可随时无限量提供既符合考核指标要求又互不相同的试卷，具有随机性、科学性、合理性，尤其在交互式环境下可满足用户对组卷速度高的要求等．智能组卷问题实质上是一个多重约束条件的优化问题，目标的约束越多，问题的复杂度就越大．组卷过程是智能化、自动化的不断试探往复的过程．智能组卷主要有随机抽取法［1］、回溯法［2］、遗传算法［3］、模拟退火算法［4］、粒子群算法［5］等．在智能组卷研究起步早期较多采用随机抽取法、回溯法，目前智能组卷较多采用遗传算法、模拟退火算法、粒子群算法等．这些算法都存在约束条件的局部满足、参数不确定、组卷时间过长等问题．人工鱼群算法 (AFSA)只需要比较目标函数值，具备对初值要求不高，可随机产生或设置固定值，收敛快等优点［6］．目前该算法已经由解决一维静态优化问题发展到解决多维动态组合优化问题，并在神经网络、电力系统、通风系统、油田定位、模糊控制器设计、灌区优化配水、数据挖掘、多用户检测、湖泊富营养综合评价、路由优化、任务调度和数字图像信号处理、非线性复杂函数最优化等方面得到了一定的应用，并取得了较好的应用效果．人工鱼群算法虽然具有上述的优良特性，但是人工鱼群算法前期搜索较快，后期较慢，且随着人工鱼数量增加，计算量相应增大，寻优精度难以提高［7］，因此也限制了单纯依靠人工鱼群算法行业应用的进一步发展．针对这个问题，研究者开始在人工鱼群算法中引入其他算法，利用不同算法的优势形成互补，从而较大地提高人工鱼群算法的效率．遗传算法 (GA)是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法，最初由美国Michigan大学J.Holland 教授于1975年首先提出来［8］．遗传算法具有同时处理群体中的多个个体，覆盖面大，减少了陷入局部最优解的风险，利于全局择优，具有良好的自组织、自适应和自学习等优点．湖南农业大学的任剑等［10］设计了基于层次分析方法与人工鱼群算法相结合的智能组卷算法，主要通过层次分析法确定各组卷目标的权重，进而通过线性加权求和将多目标规划模型转换为单目标规划模型，最后利用改进的人工鱼群算法求解模型得到最优组卷方案;许昌学院的李娟等［11］采用基于人工鱼群模型的自动组卷抽题算法研究了智能组卷方式，并对鱼群的聚群追尾行为进行了改进．人工鱼群算法和遗传算法的特性决定了其同样适合解决智能组卷的相关问题．采用人工鱼群与遗传混合算法进行人工智能组卷的研究目前还很少，但在其他领域已经有了一些应用．郭卫等［12］采用人工鱼群算法模拟梯级水库优化调度，再用遗传算法进行局部细化搜索，实例结果表明该混合算法行之有效．本文拟提出结合两种算法的优点来解决目前智能组卷中的算法缺陷，在组卷前期采用人工鱼群算法快速靠近组卷目标，当人工鱼群中的最优个体在连续迭代过程中没有变化或者变化较小时，采用遗传算法中的选择运算、交叉运算、变异运算实现人工鱼的跳变．智能组卷模型约束条件的目标函数如下．其中，fi代表第i个属性指标与用户指定指标的误差绝对值;wi代表不同属性在组卷中重要程度的权值;ei代表组卷各个目标的属性;mi代表允许误差范围．f的值越小，说明组卷结果越接近设定的目标要求．各属性约束条件的设定如下．1)总分约束条件S的值由教师设定，通常S=100．2)各章节分约束条件SCk的值由教师设定．定义Cc为章节知识点覆盖率，Cc=试卷包含章节数/总章节数，C值约束条件由教师设定，一般情况Cc≥65%．3)每种题型总分约束条件由教师设定．定义Cq为题型覆盖率，Cq=1．4)各知识点总分SKk约束由教师设定．定义Ck为知识点覆盖率，Ck=试卷所包含知识点/考纲要求知识点数，一般设定Ck≥80%．5)约束条件为各难度范围内的试题期望分值在教师限定范围内．6)试卷区分度条件由教师设定．7)考试时间T约束条件由教师设定，通常T=120 min．人工鱼个体状态X=(x1，x2，…，xn)，其中xi(i=1，2，…，n)为寻优变量，人工鱼视野范围用Visual表示，人工鱼移动步长最大值用Step表示，拥挤度因子用δ表示．鱼群规模用Np表示．1)觅食行为，可以认为鱼是通过感知水中的食物量或浓度来选择趋向的．在算法中表现为鱼经过试探，在人工鱼当前状态的d领域距离内搜索得到更优解，如果在次数k以内无法找到更优解则执行随机行为．2)聚群行为，大量或少量的鱼都能聚集成群，用这种生存方式可以进行集体觅食和迷惑敌害．鱼聚群时所遵守的规则有三条，分别是分隔规则 (尽量避免与临近伙伴过于拥挤)、对准规则 (尽量与临近伙伴的平均方向一致)、内聚规则 (尽量朝临近伙伴的中心移动)．在算法中表现为，人工鱼在当前状态Xi的d距离领域内发现中心位置食物浓度更高且不太拥挤，则向中心位置移动．3)追尾行为，当某一条鱼或几条鱼发现食物时，附近的鱼会尾随其后快速游过来，进而导致更远处的鱼也尾随过来．在算法描述中表现为鱼在当前状态的d距离领域内搜索最优解Xmax，如果对应位置的食物浓度Ymax更高且不太拥挤，则向该位置前进一步．4)随机行为，鱼在水中悠闲的自由游动，基本上是随机的，其实也是为了在更大范围中寻觅食物或同伴．在算法中表现为鱼向任意方向前进一步．5)使用公告板记录当前最优函数值．6)鱼群经过觅食、聚群、追尾、随机行为选择后生成新鱼群．终止条件判断，当达到最大搜索次数后取公告板值或公告板上函数值满足条件则停止搜索［13］．一个生物种群是由经过基因编码的一定数目的个体组成．每个个体是带有特征染色体的实体．染色体作为遗传物质的主要载体决定了个体性状的外部表现．遗传算法采纳了自然进化模型如选择、交叉、变异、迁移、局域与临域等随机初始化生成一定数目个体种群，通过计算个体适应度，不断比较和优化个体产生新生代直至满足最优解．1)初始化，设置进化代数计数器n=0，设置最大进化代数K，随机生成M个个体作为初始群体P(0)．2)个体评价，计算群体P(t)中各个个体的适应度．3)选择运算，将选择算子作用于群体．选择的目的是把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代．4)交叉运算，将交叉算子作用于群体．所谓交叉是指把两个父代个体的部分结构加以替换重组而生成新个体的操作．5)变异运算，将变异算子作用于群体，即对群体中的个体串的某些基因值作变动．6)群体P(t)经过选择、交叉、变异运算之后得到下一代群体P(t1)．终止条件判断，当达到最大搜索次数，则以进化过程中所得到的具有最大适应度个体作为最优解输出，或适应度函数值满足条件则结束运算输出对应解．本混合算法是基于人工鱼群算法与遗传算法的混合算法．在人工鱼群算法运行到连续不变化或变化极小时将使用遗传算法进行收敛．由于遗传算法本身的生物学特性，使用二进制编码有利于遗传操作，所以本HIOA－GFA使用二进制编码形式．选中的题目用1表示，未被选中则用0表示．例如题库有10道题，其中6道被选中，分别是第1、3、4、6、8、9道试题，则该份试卷二进制编码为1011010110．采用人工鱼群算法运行时，将每一套生成的试卷视作为一条候选鱼．采用遗传算法运行时，将每一套生成的试卷视作为一个染色体．1)初始化公告板．根据满足分数、题型、二项基本要求随机产生n条鱼．组卷时，可首先设置为生成仅满足分数为100分，题型覆盖单选、多选、判断、问答、设计5个题型的 n条鱼，即 n套如下试卷:X1=001010111000…1，X2=110001000110…0，……，Xn=011000110111…1．不采用完全随机生成初始鱼群是因为这样可以加快鱼群收敛速度;设置4个参数，分别是stopIterate代表人工鱼状态连续不变化或变化很小时的迭代次数，初始值为0;maxStopIterate代表鱼群最大允许连续不变化次数;iterateNum代表遗传操作迭代次数计数器，初始值为0;maxIterateNum代表遗传操作最大允许迭代次数．最后设置人工鱼的相关参数如Visual(可视域)、Step(步长)、δ(拥挤度因子)、tryNum(试探次数)等．2)计算初始鱼群各个体当前状态值，选取最小值的鱼进入公告板，并把该人工鱼状态值赋予公告板．组卷时，由计算机分别计算出这n套试卷的目标函数f值，并将f值最小的那套试卷所对应的二进制编码存入字符串变量bestFish，同时将最小的f值赋予变量board，即记录到公告板．3)根据人工鱼群算法进行追尾、聚群、觅食行为或随机行为的选择．如果行为选择之后，最小值无变化，则人工鱼再进行随机行为，并且设置stopIterate=stopIterate+1．组卷时，追尾活动表现为每条鱼Xi即每套二进制编码试卷查看在自己Visual(可视域)范围内的其他二进制编码试卷，从中找出目标函数值f最小的试卷Xj，对应目标函数值f记为Yj．Xj周围在可视域内其他试卷数量记为nf．若Yj*nf＜δ(拥挤度因子)*Yi，则认为Xj周围“食物”较多而且不太拥挤，这个时候试卷Xi可以对自己和试卷Xj的不同位进行重新随机取值，比如Xi=0011001，Xj=0010100，则把Xi的第四、第五和第七位随机取值，从而使得Xi向Xj靠近．在追尾失败的情况下，聚群行为表现为每条鱼Xi，即每套试卷找出自己可视域内的其他试卷，形成小鱼群，然后找出所在鱼群中心点．找寻中心点具体表现为若鱼群中半数以上试卷在第i位上取1，则中心点第i位也是1，否则设置为0．之后方式采用追尾行为中判断食物浓度和拥挤度来决定是否向中心点靠近．在聚群失败的情况下进行觅食活动，即每套试卷随机从自身选取visual(可视域)个位，并对所选取的这些位进行随机变换，若新状态更优则向新状态移动，否则重新进行觅食，重复tryNum(尝试次数)次后依然没有更优则进行随机移动．4)各人工鱼行为选择后比较自身f值和公告板board的值，如果f值优于公告板board值，则用对应试卷编码取代bestfish，同时用自身f值更新公告，设置stopIterate=0．5)判断stopIterate的值是否等于maxStopIterate．如果两者值相等，执行遗传操作，即跳转到6)．否则判断算法终止条件，即跳转到7)．6)除公告板上人工鱼外，进行遗传操作．将鱼群进行适应值降序排序．首先，选择适应值前30%的染色体直接进入子代;其次，选择接下来69%的染色体进行单点杂交;最后，选择尾部1%的染色体进行变异操作．计算新生成的各染色体个体值，并比较公告板，如果优于则取代;设置stopIterate=0．7)判断是否满足算法终止条件，即iterateNum的值是否等于maxIterateNum的值，如不满足则设置iterateNum=iterateNum+1，并且跳转到3)执行．满足则结束算法运行，输出公告板上的最优解［7］．算法流程图如图1所示．为了验证HIOA－GFA算法的可行性和有效性，利用现有《大学计算机应用基础》题库中1500套题目进行组卷实验．该题库包含了选择题、填空题、判断题、程序设计题、问答题等，每组试卷总分100分，考试时间120 min，试卷难度系数0.5．实验环境为Windows xp操作系统，CPU为Inter Core 2 Duo 2.4G主频，2G内存，Visiual Studio 2008环境下C#语言编程实现，数据库使用SQL SERVER 2005．HIOA－GFA参数设定为群体规模Np为30，AFSA中最大连续不变化次数maxStopIterate=10，视野Visual=4，步长Step=1，拥挤度因子δ=6，试探次数tryNum=3．GA中最大迭代次数maxIterate-Num=120．遗传操作中选择概率yc=0.30、交叉概率ym=0.69、变异概率yv=0.01．抽题模型参数如表1所示．依据上述组卷要求，采用随机抽取法 (SSA)、人工鱼群算法 (AFSA)、遗传算法(GA)、人工鱼群与遗传混合算法 (HIOA－GFA)4种组卷算法进行对比实验，对题库为1500道题分别组卷20次，4类成功率对比如图2所示，平均耗时对比如图3所示．从图2对比数据看出，随机抽取算法在题库量大时，成功率明显偏低，在本案例中只有45%．单独采用人工鱼群算法和遗传算法成功率分别提高至78%和69%，但是成功率依然不高．采用HIOA－GFA进行组卷，成功率达到了100%．所以采用HIOA－GFA组卷可以很好地满足用户的组卷需求．从图3对比数据看出，随机抽取法组卷速度慢，平均每次组卷耗时198 s．单独采用AFSA或GA组卷，效率有所提高，但是时间消耗依然较长，不能够很好满足用户需要．采用HIOA－GFA进行组卷，时间则大为缩短，耗时分别只有前3种算法的11.6%，26.7%，31.9%．因此可以看出，采用HIOA－GFA进行智能组卷可以快速提高组卷速度．【相关文献】［1］王萌，金汉均，王晓荣，等．集合随机抽选法在智能组卷中的研究［J］．计算机工程与设计，2006，27(19):3584－3585．［2］王文发，马燕，李宏达．回溯法求解多约束分配问题［J］．江西师范大学学报:自然科学版，2008，32(6):729－732．［3］张琦，郑河荣，刘志．基于优化遗传算法的智能组卷系统研究［J］．浙江工业大学学报，2009，37(3):307－310．［4］周艳聪，刘艳柳，顾军华．小生境自适应遗传模拟退火智能组卷策略研究［J］．小型微型计算机系统，2011，32(2):323－326．［5］阎峰，安晓东．基于粒子群优化算法的智能抽题策略研究［J］．中北大学学报:自然科学版，2008，29(4):334－337．［6］李广水，马青霞，陈爱萍，等．分布式遗传算法在智能组卷中的Web services实现［J］．计算机应用研究，2010，27(11):4185－4186．［7］张汉强．人工鱼群混合智能优化算法及其应用研究［D］．浙江:浙江工业大学控制系，2010．［8］周艳丽．基于改进遗传算法的自动组卷问题研究［J］．计算机仿真，2010，27(9):320－321．［9］黄艳峰，陈涛．基于改进遗传算法的智能组卷系统的设计与实现［J］．煤炭技术，2009，28(10):150－151．［10］任剑，卞灿，全惠云．基于层次分析方法与人工鱼群算法的智能组卷［J］．计算机应用研究，2010，27(4):1293－1300．［11］李娟，田胜利．基于人工鱼群模型的自动组卷抽题算法研究［J］．许昌学院学报，2008，27(5):92－97．［12］郭卫，方国华，黄显峰．基于人工鱼群遗传算法的梯级水库优化调度研究［J］．水电能源科学，2011，29(6):49－51．［13］张梅凤．人工鱼群智能优化算法的改进及应用研究［D］．大连:大连理工大学电子与信息工程学院，2008．。

基于遗传与蚁群混合算法的智能组卷研究王纯纲;刘志杰;谢晓尧【摘要】针对遗传组卷算法局部求解能力不足、容易早熟和退化对系统中的反馈信息利用不够的问题,以及蚁群组卷算法搜索初期信息素匮乏的缺点,充分利用遗传算法较好的全局搜索能力和蚁群算法较高的求解精度的优势,提出了一种遗传算法与蚁群混合算法的智能组卷策略.实验结果表明,与单一组卷算法相比,提出的混合组卷方法收敛速度更快,能更有效地解决智能组卷问题,具有更好的实用性.【期刊名称】《贵州师范大学学报（自然科学版）》【年(卷),期】2014(032)001【总页数】5页(P100-104)【关键词】遗传算法;蚁群算法;智能组卷;试题库【作者】王纯纲;刘志杰;谢晓尧【作者单位】贵州师范大学贵州省信息与计算科学重点实验室,贵州贵阳550001;贵州师范大学贵州省信息与计算科学重点实验室,贵州贵阳550001;贵州师范大学贵州省信息与计算科学重点实验室,贵州贵阳550001【正文语种】中文【中图分类】TP3910 引言组卷作为一个多目标多约束条件的组合问题，其自动从试题库中抽取试题，以满足教师所要求的题型、知识点覆盖面、难度和分数分布等一系列要求的试卷。

近年来，一些研究者对智能组卷进行了研究，提出了基于遗传算法的智能组卷策略［1，2］及基于蚁群算法的组卷策略［3，4］。

遗传算法虽然具有潜在的并行性和较强的全局搜索能力，不需要确定的模型且鲁棒性强。

但是其后期局部寻优能力较差，容易发生早熟以及退化现象且对系统中的反馈信息利用不够［5］，求解到一定程度后往往做大量无为的冗余迭代，求精确解效率低。

而蚁群算法是通过信息素的累积和更新从而收敛于最优路径，具有分布、并行、全局收敛能力，但是在搜索初期信息素匮乏，使得搜索初期信息素积累时间长，求解速度慢［6］。

因此本文将遗传算法与蚁群算法相结合［7］，提出了一种遗传算法与蚁群算法混合算法的智能组卷策略。

首先是基于遗传算法对试题库进行初步的全局较优解搜索，然后将得到的全局较优解信息转换为蚁群算法的信息素描述，最后基于蚁群算法实现快速精确收敛。

基于改进人工鱼群算法的智能组卷的研究智能组卷是指通过计算机算法和人工智能技术来自动生成试卷的过程。

它能够根据试题的属性和难度等要素，以及考生的特点和需求等因素，自动选择合适的试题，并根据一定的约束条件组合成试卷。

智能组卷的研究，对于提高试卷的质量和效率具有重要意义。

人工鱼群算法是一种模拟自然进化过程的优化算法，它通过模拟鱼群在寻找食物的过程中的行为，来解决复杂优化问题。

人工鱼群算法具有较好的全局搜索能力和较强的寻优能力，在解决组卷问题上有很大的潜力。

需要对试题的属性和难度进行建模和表示。

试题的属性可以包括知识点、题型、难度等信息，可以将其表示为向量或矩阵形式，用于计算和比较。

需要考虑试题的约束条件，如题目数量、题型分布等。

需要设计适合于组卷问题的目标函数。

目标函数可以包括试题的多样性、难度适应性、知识点覆盖等指标，用于评价试题组合的优劣。

通过对目标函数的定义和优化，可以得到更合理的试题组合方案。

然后，需要设计改进的人工鱼群算法来求解组卷问题。

可以通过改变人工鱼群的行为规则、参数设置和模拟过程等方式来增强其搜索和优化能力。

可以采用多种交叉和变异策略，引入试题互补性和关联性等因素，从而提高算法的性能和效果。

需要进行实验和评估，验证改进的人工鱼群算法在智能组卷问题上的有效性和效果。

可以通过使用真实试题库进行测试，比较改进算法和其他算法的性能差异。

还可以针对不同的应用场景和实际需求，进行参数调优和算法组合，进一步提升智能组卷系统的性能。

基于改进人工鱼群算法的智能组卷研究，可以有效地提高组卷的质量和效率，具有较好的应用前景。

希望未来能够有更多的学者和研究者加入到该领域的研究中，不断推动智能组卷技术的发展。

智能化组卷系统的研究和实现的开题报告一、研究背景及意义随着信息技术的不断发展和教育教学的变革，人们对于教育教学质量的要求也不断提高。

试卷作为一种考核方式，不仅能够反映出学生的学习成果，而且也是教育教学质量的重要指标之一。

因此，优质试卷的编写和评估是教育教学质量保障的重要一环。

传统的试卷编写方法主要是人工编写，这种方式存在着效率低、易出现重复、背题等问题。

而智能化组卷系统则可以自动地根据不同的需求和要求生成合适的试卷，大大提高了试卷编写的效率和质量，具有很大的应用前景和推广价值。

二、研究内容和目标本研究将围绕智能化组卷系统的设计、开发和评估展开。

具体研究内容如下：1.分析和研究现有的智能化组卷系统的特点和优缺点，探讨适合本项目需求的组卷算法与模型。

2.设计并实现智能化组卷系统，包括试题库的建立、试卷设计算法与模型的建立、试题筛选、试卷生成等模块的开发。

3.对系统进行测试和评估，验证系统的性能和实用价值，分析可行性及代价，提供有力的技术支持和决策依据。

三、研究方法本研究将结合理论分析和实验研究方法，确保实现项目目标的同时提高本研究的实用性和推广价值。

具体研究方法如下：1.文献综述法：对智能化组卷技术的研究现状进行广泛的调查和分析。

2.问卷调查法：通过问卷调查了解用户对智能化组卷系统的需求和期望，为系统设计提供指导。

3.面试法：对试题库建立、试卷生成算法等方面的专家进行深度的访谈和交流，收集实用的建议和经验。

4.实验方法：通过构建试题库、试卷生成算法等实验模型，进行系统设计与性能测试，评价系统实用价值。

四、研究进度与计划本研究计划以2021年4月为起点，以2022年5月为终点，具体的进度计划如下：1.4月-5月：制定研究计划；调查和综述现有的组卷系统研究；确定组卷算法与模型。

2.6月-8月：建立试题库；实现试卷生成算法与模型。

3.9月-11月：开发组卷系统，并进行初步的测试；对系统进行优化与加强。

4.12月-2月：对系统进行综合测试，收集用户反馈，改进系统。

基于智能组卷策略的测评系统研究和实现的开题报告一、研究背景随着教育信息化建设不断推进，测评系统已成为教育教学的重要组成部分，也是中小学教学管理的重要手段。

传统的测评系统通常采用固定试题库，同时由于试题的难易度、内容、形式等方面的限制，其测试效果难以得到拓展。

因此，选用智能组卷算法进行试题选取已成为一种趋势。

智能组卷算法能够灵活地挑选试题，以达到更加客观的测评结果。

而智能组卷策略是在教育大数据的基础上建立的，通过分析学生的个人能力、学科特性、学习习惯等信息，自动生成适合学生的试卷。

如何基于智能组卷策略实现高效率、客观化的测评系统是本研究的主要课题。

二、研究目标本文旨在通过研究智能组卷策略，设计和实现一种适合教学教育应用的测评系统，旨在为学生提供更具针对性、更加科学的测评分析，便于教育工作者更好地指导学生学习，发现学生的潜力、优势和不足，以及不断改进和提高教育教学质量。

三、研究内容（1）智能组卷算法研究：针对智能组卷策略中试题选取的问题，分析各自之间的差异性，优化试题库的构建，结合学科特性、难度系数、知识点覆盖等信息进行试题选取；（2）测评系统设计：对上述智能组卷算法进行系统分析，并设计模块和执行流程，并采取适当的技术手段实现对各个模块的整体控制；（3）测评系统实现：参考互联网技术的发展，采用Python语言实现测评系统的核心功能，并通过开发工具完成UI界面的设计和开发，以便用户使用和查询；（4）测评系统评价：通过对生成的试卷的模拟测试和实际使用情况，验证本文提出的测评系统的高效性、准确性、易用性、可扩展性等特点。

四、研究意义通过基于智能组卷策略的测评系统，能够解决传统测评系统中试题固定、难易度标准一致等问题，提供更加针对性、全面性的测评分析，让教育者更好地发现和指导学生的发展，以适应教育教学的不断变化，提高教育教学的效率和质量。

五、研究过程（1）资料收集：收集有关智能组卷策略、测评系统等方面的权威资料、文献材料和参考书籍；（2）智能组卷算法研究：对智能组卷策略进行分析，并对其算法进行研究；（3）系统设计：根据智能组卷策略和测评系统的特点，进行系统的设计；（4）系统实现：采用Python语言实现系统核心功能，并进行UI界面的设计和开发，同时开发测试程序进行测试；（5）系统评估：对生成的测试结果进行数据分析和评估。

《基于遗传算法的智能组卷策略的研究》综述姓名刘春晓学号 2015216104专业计算机技术班级 3班天津大学计算机科学与技术学院2016年 6 月基于遗传算法的智能组卷策略的研究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。

文章对组卷策略进行了梳理，对比和总结，主要介绍了遗传算法的优点，从遗传算法的基本流程、编码方式、适应度函数和遗传算子方面进行了归纳。

接着分析了目前智能组卷策略研究的不足和挑战，最后总结了未来的研究设想。

关键词智能组卷；遗传算法；适应度函数；遗传算子1引言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，使生成的试卷质量比较高。

遗传算法（Genetic 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。

基于混合求解算法的智能组卷研究
胡楠;谢政权
【期刊名称】《科学技术与工程》
【年(卷),期】2009(009)013
【摘要】智能组卷是一个多约束目标的组合优化问题,针对传统算法在组卷方面存在的不足,将遗传算法和模拟退火算法相结合,提出了一种混合求解算法.新算法不仅克服了未成熟收敛,而且速度和性能都有显著提高.实验结果表明,新算法提高了组卷效率.
【总页数】5页(P3642-3645,3651)
【作者】胡楠;谢政权
【作者单位】娄底职业技术学院电子信息工程系,娄底,4170001;湖南大学软件学院,长沙,410083;娄底职业技术学院电子信息工程系,娄底,4170001
【正文语种】中文
【中图分类】TP183
【相关文献】
1.基于蚁群混合遗传算法的组卷问题研究 [J], 郭秀娟;张坤鹏
2.基于混合智能算法的自动组卷问题研究 [J], 管宝云;尹琦
3.基于混合粒子群算法的智能组卷研究 [J], 李建敏;
4.基于遗传与蚁群混合算法的智能组卷研究 [J], 王纯纲;刘志杰;谢晓尧
5.基于蚁群混合遗传算法的组卷问题研究 [J], 郭秀娟;张坤鹏
因版权原因，仅展示原文概要，查看原文内容请购买。