基于改进型遗传算法的组卷系统设计研究

体会在交配池内进行下一代的繁殖，按照遗传算子来产生新一代群体。适应度值会决定个体选中机会的大小，f（x）越大则被选中的机会越小。使用频率最高的选择策略包括确定性选择和赌轮选择两种。

2.6 繁殖

发挥遗传算子的作用会使得交配池产生一群新个体，继而形成下一代群体。纵观传统遗传算法的操作流程，繁殖是通过交换算子的作用来完成的。遍历性并不是附着在每个交换算子的搜索工作中，就算单独使用也不具备全程的收敛性。通过变异算子来重现生物进化的全过程，即可判断基因突变的原因和问题，多样性会随之得以保存，这就决定着突变算子同时具有收敛性和遍历性。

遗传算法经过以上6个步骤即可完成最基本的优化活动，通过对个体的优劣评价、适应度选择、繁殖来选取最优秀的下一代个体，循环往复地遗传和搜索会最终得到问题的最佳解。

3、遗传算法改进

传统遗传算法在收敛性、遍历性上有所欠缺，所以采用分组自然策略来避免欠缺点的出现，保证各种性质的稳定性。每个编码代表着一类题型，在分组自然数策略的帮助下进行数据编码。对题型的选择和染色体一样，试题等同于染色体，所以最终获得的试题编号就代表着这个染色体的编码。根据所需可以对染色体进行各种处理，如变长编码的行为即是为了合并试题集，但是每个试题之间仍然保持独立自主的关系，不同的试题组也不会彼此影响，如图1所示为两张试卷的染色体编码。

迭代次数的减少会带来收敛性增加的结果，对题量的要求不同会直接导致题型的选择或改变，试题分库会提供最适合下一代繁殖的初始种群。随机抽取的方式能满足基本的知识约束性，在属性条件不变的基础上选择题型和题量无疑让算法的运行更加简易，针对染色体的运算效率也会随之提高。二进制编码占取了大量的搜索空间，而自然数编码不存在占据空间的问题，能直接减小编码的长度，在小空间内寻找最好的对象，进一步缩短了解码时间，帮助在最短速度内获得所需问题的解。

图2为染色体交叉操作过程，随机选取两个不存在必然联系的双亲染色体，通过遗传算法得出两者之间发生交叉的概率，用O或1来表示随机数，对交叉操作结果的判断也需要拿捏交叉概率和随机数两个标准。一旦出现随机数小于交叉概率的情况，则放弃交叉操作，如果随机数大于交叉概率，交叉操作就会如序进行。对交叉点的选择也是随机的，确定交叉点后操作交叉运算，使最终获得的新个体满足各项条件。关于试卷染色体的交叉操作和种群一样，只是分别代表填空、判断、概念、计算等题型，帮助调配出最佳组合。

概率系数b值的大小需要在变异操作中确定，平均适应值和最佳适应值相减所得值即为概率系数，得出b值后就可确定变异概率P_m。变异概率P_m会和随机数形成一个硬性比较，当变异概率大于随机数时则进行变异反应，对变异点和流程的确定都是随性的，当变异概率小于随机数时则放弃进行变异反应。概率系数b并不是一成不变的，当染色体适应度开始变化时，b也会随之上下浮动，初期阶段的染色体适应度会急剧上升，此时概率系数会出现反向减弱，等待进化进入另一稳定阶段后概率系数b会和染色体适应度持平，度过平稳阶段后概率系数b又会发生一个极大的变化，随着数值的增大变异程度也会加剧，帮助种群扩大繁殖空间，增加全局搜索的度，同时提高个体繁殖的多样性。

4、组卷系统设计与实现

如图3所示为系统功能模块。本系统使用了高内聚、低耦合的设计标准，使得组卷系统可细分成三类。

对主窗体的设计可以使用多文档界面技术，使得第一模块就有试卷设置管理、多维细目表管理、已有试卷查询等部分，而每个模块下面都会继续细分成两三个部分。应用程序会为系统提供很好的索引，使其和WM_COM-MAND形成良好的互动，如果有回馈消息则表示模块通过，即可进行下一子菜单的选择和使用。主窗体为多维细目表管理提供了有效途径，系统也会呈现出管理或设置试卷的属性。系统通过试卷设置管理检查后就可进入下一菜单，选择录入试卷设置、修改试卷设置或删除试卷设置，而3个选项下面会涉及试卷难度、题型、内容3个方面。当选择了细目表数据或试卷生成界面时会出现图4所示情况。

组卷操作会直接影响到试卷质量的好坏或学生考试的难度，所以当启动程序后要从遗传算法组卷和细目表组卷中选择一项。如果选择了遗传算法模式，就会生成图5所示的界面，里面涉及的题型、题量、难度等问题都是平衡均匀的，界面下面会有标准生成的答案，通过点击保存或生成Word试卷来完成工作。

5、结语

选择优秀的算法能为组卷工作发挥事半功倍的作用，科学的组卷模式充分考虑了试卷题型、题量、难度、知识点等多方面因素，使得最终生成的试卷公平、合理。改进型遗传算法在组卷系统中的运用取得了良好的效果，避免了遍历性、收敛性不足等缺点，使得学生考试接触的知识面更加完整，能充分考核学生的学习能力和知识掌握程度。

推荐访问:遗传 算法 改进型 研究 设计

---