基于遗传算法的智能组卷策略的研究综述

基于遗传算法的智能组卷策略的研究摘要姓名：刘春晓学生编号2015216104专业计算机技术三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研究综述随着计算机技术的发展和成熟，人工组卷已经不能满足现代教学的要求，智能组卷对提高教学质量起着重要作用。本文对组卷策略进行了梳理、比较和总结，主要介绍了遗传算法的优点，并总结了遗传算法的基本流程、编码方法、适应度函数和遗传算子。然后，分析了当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思路。关键词智能组卷；遗传算法；健身功能；遗传算子介绍在计算机技术飞速发展的今天，计算机应用已经逐渐渗透到人类生活的各个方面，计算机的辅助教学功能也逐渐受到重视。传统的人工组卷受到人为因素的干扰，导致考试效率低下。智能组卷已经成为一项不可或缺的研究。近年来，智能优化算法引起了人们的广泛关注，如人工神经网络和遗传算法，它们为解决复杂问题提供了新的方法，并在许多领域取得了成功。试卷生成问题是一个在一定约束条件下的多目标参数优化问题。传统的组卷算法存在组卷速度慢、成功率低、试卷质量低等缺点。智能组卷算法之所以在计算机教学过程中受到重视，是因为它将人工智能技术应用于组卷，能够智能地设计组卷的结构和内容，包括组卷的难易程度、知识点、问题类型和问题数量，使生成的组卷质量更高。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理论，是一种随机搜索和全局优化算法，通过遗传选择和自然淘汰模拟生命进化(张建国2009: 1)。由于该算法具有智能搜索技术和收敛特性，能够更好地满足智能组卷的要求。因此，系统选择遗传算法作为组卷算法，并以试卷章节、试卷数量、试卷知识点、试题、试卷难度分布、试卷曝光度、覆盖率、试卷分数分布等约束作为组卷条件，使试卷具有更好的区分性。基于遗传算法的智能组卷系统实现了智能组卷，优化了其他组卷算法的不足，使教学更加自动化和公平，提高了组卷效率。2.当前研究现状分析在系统开发之前，我们应该首先选择一个适合系统的组卷算法。试卷生成算法的选择对试卷质量有很大影响。只有相对较好的算法才能提高组卷的效率和成功率。从本质上讲，组卷就是在复杂的约束条件下，为多个目标寻找最优解，以保证试卷能够满足教学要求的问题。随着计算机技术和人工智能理论的飞速发展，各种试卷生成策略层出不穷。选择合适的算法在系统运行中起着极其重要的作用。分析各种组卷算法的优缺点，寻找最优的组卷算法是系统开发的任务之一。这里我们分析和总结了当前的生成算法。目前，成熟的组卷算法包括随机选择法、回溯启发式方法和遗传算法。随机选择方法生成的试题重复率高，难以达到预期效果。回溯启发式是一种条件深度优化方法。对于状态类型和问题数量较少的题库系统，成功的随机选择算法易于实现，逻辑简单。它在早期的试卷中被广泛使用。该算法具有两种随机选择性：第一，设置属性指标，从试题库中随机选择子集来判断是否满足设置指标，如果满足则添加试卷，如果不满足则选择下一个子集来判断，循环运行直到形成试卷；从试题库中随机抽取试题，判断试卷的约束条件是否满足。在随机选择试题的过程中，要做到以下几点：随机、不可预测、不重复、优化数据访问和快速组卷(迟福信等，1999)。随机选择算法具有组卷速度快、结构简单的优点，但组卷的重复率高，生成的组卷知识点分布不均匀，难以达到预期的组卷效果，且多数组卷不成功。2.2深度和广度搜索算法深度和广度搜索算法也称为回溯启发式算法。该算法基于随机选择算法，并对其缺点进行了改进。深度和广度搜索算法仍然使用随机抽取的方法从试题库中抽取问题。然而，如果找不到所需的问题并且试卷生成没有完成，深度和广度搜索算法将被用来丢弃最新的搜索结果，并搜索到最近的节点以找到新的路径，直到试卷生成完成。该算法放弃了部分搜索结果而不是全部结果，减少了盲随机选择算法的无效周期，提高了组卷效率。理论上，该算法可以搜索每个测试结果，但随着试题数量的增加，其遍历次数会成比例增加，因此该算法更适合小容量的试题。如果试题库太大，算法会占用太多的内存资源，消耗生成试卷的时间，因此算法在实际应用中受到限制。2.3遗传算法遗传算法是由荷兰提出的，他是20世纪70年代进化计算的创始人之一。该算法使用一系列程序步骤来表示人工染色体群体向另一群体进化的过程。该算法采用自然选择机制和遗传交叉变异机制。到目前为止，遗传算法比较适合在组卷系统中应用。它是一种具有搜索功能的自适应全局优化算法。它使用三种遗传算子，即选择算子、交叉算子和变异算子，来促进自然界中相似种群的自然选择和优胜劣汰，并不断进化，最终收敛到最优状态。与传统算法相比，遗传算法具有以下优点：对可能的解进行了广泛的标记，应用更加广泛；可以搜索全球人口；人口空间中的搜索是随机的。搜索空间没有特殊要求，应用范围广。遗传算法利用单个染色体的适应性来实现繁殖，完全模拟自然界中优胜劣汰的生存原则。在生殖过程中，交叉操作交换两条独立染色体的部分，而突变操作改变在染色体上随机选择的基因的值(迈克尔内内维尔斯基2005:221)。重复繁殖后，适应性低的染色体将消失，适应性高的染色体将在随后的繁殖中占主导地位。个体继续选择、交配和变异以产生下一代群体，并继续进化以产生符合自然环境的群体。目前，遗传算法在国内外的研究中非常流行。虽然在申请过程中还存在一些不足，还需要改进，但已经取得了很大的成绩。遗传算法借鉴了魏斯曼的自然选择理论和孟德尔遗传学，形成了相对成熟的算法体系，体现了其在智能组卷领域的独特优势。3问题和挑战无论是随机选择法、回溯启发式方法还是遗传算法本身都不能直接解决智能组卷的问题4.很难处理非线性约束。为了处理非线性约束，大多数算法都增加了惩罚因子，这是一个很大的开销。5.稳定性差。由于该算法属于随机算法，运算量大，结果不可靠，无法稳定求解。因此，我们需要改进遗传算法，将遗传算法中的生物机制与试卷系统进行比较和编码。还有一个关键问题，如何将智能组卷问题映射成一个数学模型。只有在此基础上，遗传算法才能发挥作用。4未来的研究方向目前，遗传算法试卷的研究从理论到应用都有一定的基础，但仍有一些地方需要改进。具体来说，未来的方向可以有以下两个方面：(1)遗传算法与其他计算智能方法的相互渗透和结合，使得组卷效率更高：遗传算法正日益渗透和结合其他功能计算方法，如神经网络、模糊推理和混沌理论，实现相互学习的功能。(2)并行处理遗传算法：并行处理遗传算法的研究不仅是遗传算法本身的发展，对新一代智能计算机体系结构的研究也非常重要。遗传算法在操作上具有高度的并行性。经过并行处理后，遗传算法将大大提高组卷速度，优化试卷结构。在试题库的人口规模方面，应增加试题库的人口规模和试题库中的试题数量，在大量试题库的基础上应用遗传算法，优化遗传算法中的早熟现象，使生成的试卷更加合理和人性化。参考吴。基于遗传算法的智能组卷的研究与应用博士。导师：李龙树。安徽大学，2007。2许。基于遗传算法的智能组卷研究博士。导师：全惠云。湖南师范大学，2007。冯。基于遗传算法的智能组卷模型及系统设计。导师：周。东北师范大学，2010。4王新华。基于混合遗传算法的智能组卷研究博士。导师：刘。吉林大学，2010。5吴根忠。基于遗传算法的电工试卷生成程序的研究。现代电子技术，2015，38(20)；78-806何勇。基于遗传算法的普通话测试自动组卷技术分析。电子测试，2014，(2X)；31-327李京。基于遗传算法的自动组卷研究。计算机与数字工程，2015，43(6)；994-9968魏忠清。基于遗传算法的成人高等教育智能组卷模型的研究与设计。桂林航空航天学院学报，2015，20(1)；14-199李迎宾，王春峰，刘丽萍。基于遗传算法的试卷生成研究。数字技术与应用，2014，(12)；128-12910石军.基于遗传算法的自动组卷的研究与应用.计算机知识与技术：学术交流，2014，(12)；8160-816211莫嘉庆。基于遗传算法的组卷系统的研究与实现。福建计算机，2014，30(6)；31-3312巩俐。遗传算法在智能组卷系统中的应用分析。计算机知识与技术：学术交流，2014，(6)；3879-3880刘春安，赵天旭，柳岩，等.智能组卷优化模型及求解遗传算法J.科学技术与工程，2010，10(30):7454-7456陆宽，李冬梅，余婧，等.基于细胞遗传算法的智能组卷研究J.计算机工程与应用，2013，(16):57-60。李广水，马，等.分布式遗传算法在智能组卷网络服务中的实现. J。计算机应用研究，2010，27(11):4185-4188。刘英，王燕，杜燕，等.基于自适应算子的遗传算法多目标智能组卷J.中国农业大学学报，2001 .计算机应用，2008，28(z1):22-24。郭绍勇白东陵。改进遗传算法在智能交通中的应用研究20岑，庚；董，YX；高，等人(2010年年).自动阅卷系统的实现。数学和计算机建模51.1339-1342 .21陈晓东；王宏宇(2005年.年).基于改进遗传算法的范例纸生成算法。哈尔滨工业大学学报37.1174-1176 .22刘；王凤英(2010年.年).基于实例的自动生成算法的策略与实现2010年.年国际人工智能和计算智能会议论文集478-482 .23韩，零陵；李，小董(2014年.年).基于遗传算法的试卷成分分析。会议录- 2014年年第四届国际通信系统和网络技术会议561-