基于改进型遗传算法的组卷系统设计研究

基于改进型遗传算法的组卷系统设计研究作者：秦天增来源：《软件导刊》2013年第05期摘要：传统人工考试模式相比于网络考试系统来说欠缺公平与合理性，不能充分考察学生的学习能力和知识掌握程度，因此要借助网络技术的力量来设计自主组卷系统，完成网上考试系统的改革和创新任务。

在深入分析试题库结构和遗传算法的基础上，研究了两者之间的契合处，通过对遗传算法的改进来推出符合组卷策略的考试系统，完成对题型、题量、曝光度、知识点等多方面考核内容的平衡，使基于改进型遗传算法的组卷系统能真正运用于高校实际教学工作中。

关键词：网络考试系统；改进型遗传算法；组卷系统中图分类号：TP311 文献标识码：A 文章编号：1672-7800（2013）005-0051-030、引言现代网络技术的迅猛发展推动了网上考试系统的改革，以往人工出卷的方式已经逐渐被淘汰，使用电子技术来组卷的模式日益成熟，成为各大院校广泛使用的方式之一。

自主组卷系统充分考虑了试题库的结构问题，避免了传统人工考试中极易出现的知识点堆积、难度失衡、曝光度过大等问题，秉承公平公正的出题原则，使得自动生成的试卷质量过关、难易适宜。

遗传算法作为一类传统运算方式，在各个领域均有涉及与应用，为了更好地提高出题速度、保证出题质量，对遗传算法进行改进并将其运用在教育领域具有极强的可行性，通过随机选择合适的题库来得出最优解，使得组卷模块下的每个项目都如序进行。

改进型遗传算法保持了传统模式中的优势之处，同时针对组卷工作进行了研究和改进，使最终推出的模式能符合出题要求，完成对组卷系统的设计和实现。

1、试题库结构整个组卷系统由试题库和组卷算法组成，试题库作为可以实际看到的部分而存在，对其结构的安排也要体现公平性、合理性，帮助组卷算法更快速、流畅地解决问题。

网络考试中使用的试题库要置于考试范围之内，让学生有所准备、有所发挥，充分考察考试系统的合理性、可行性。

试卷上的每个题目都应该按照出题标准和相应比例进行斟酌和考虑，使其符合相应的属性指标。

从题型和知识点上要考虑学科的范围和轻重点，选择难度和区分度合适的类型，使试题的曝光度和内容都能有效地考察学生的学习情况。

对于出题时间、答题时间的统计也要科学、合理，让学生在考试过程中形成对学科知识的概况把握，同时能起到复习、巩固知识内容的作用。

试题库对曝光度、难度系统、试题类型的挑选无疑使得数据库更加完整，减少了出题教师不必要的操作工作，同时便于将试题库结构调整至最佳状态。

如表1所示为试题库结构。

2、遗传算法美国大学首次提出遗传算法的计算模型，在达尔文生物进化论和遗传学机理的前提下进行非数值计算，使得成本投入最少、回收结果最佳。

这种优化方法在不同领域的广泛应用促进了其改进，成为教育领域经常使用的算法之一。

遗传算法的应用原理主要是利用问题的解来代替字符串的位置，实际上字符串代表着不同的人工染色体，以个体的形式存在而逐渐形成群体。

群体的产生归因于不断的进化和演变，遵循“优胜劣汰”的自然原则，而群体中的个体也会沿着这个机制而发生质的变化，最后得到的仍然是问题的最佳答案。

子代个体的产生是通过遗传算子来实现的，个体发挥实际带头作用。

人们会使用适应度函数来处理对个体优劣的判断问题，这种评价函数综合考虑了个体适应环境及生存的能力，使得统计记录有据可依。

遗传算法在多个领域的应用使其形成了一条极其优化的道路，并不会局限于任何固定模式或空间，而是在问题出现时做出最快速、合适的调整和套用，使计算变得简单便捷。

2.1 问题编码方式和适应度函数描述求解的第一步是确定问题的编码方式，使问题的解和字符串相通。

二进制编码在遗传算法中广泛应用，二进制位串仍然表示问题的解，而通过遗传算子的方式使得整个算法的操作更加简单、流畅，但是针对解码工作的方式仍然比较困难和繁重，使得约束条件难以满足，最终获得解的精度普遍降低，花费时间也急剧增长。

现阶段针对二进制编码算法的理论众多，为实际应用提供了有效的指导和借鉴。

自然数编码、实数编码都是遗传算法中较为常见的编码方式，为不同问题的解决提供了选择。

实数编码中的实数值都是染色体的基因或基因所带的编码方式，所以不存在解码问题，极易满足约束条件，唯一的不足之处就是针对该项解码方式的理论知识较少，使得其实际应用次数减少，最终使用遗传算子计算的效率较低。

自然数编码将染色体的基因变成不同事物的序号，采取最优化方案来求解，计算速度快、作用强。

对适应度函数f（x）的定义包括多方面，首先要满足所有个体适应度的正值，通过数值即可判断个体的优劣程度和生存能力。

本文所采取的算法利用目标值与全部约束条件之间的误差值来确定f（x），适应度函数f（x）和个体的适应能力值完全成反比，当数值不断增加时个体基因的生存能力就会越来越强。

2.2 形成初始群体对个体的选择具有很大的随机性，当满足一定数量时即可形成初始群体，N个个体中用N 代表整个群体的规模，在使用遗传算法时经常要使用到这个数值，直接影响到计算速度。

选择初始群体时N值过小，会使下一步获得的染色体数量减少，直接导致搜索效率下降，最终得到的答案也只是局部的最优化形式，难以代表整体最优解。

而针对N值过大的问题也存在缺点，对于适应度值的算法容量不变，并不断提高计算量，而过多的计算会降低整体计算效率。

2.3 完成个体评价适应度值，（z）能准确地判断个体的适应能力，所以要完成个体评价势必要先科学计算出个体的适应度。

当f（x）偏大时，说明个体适应环境的能力较差，继而减弱了繁殖后代的能力；当f（x）偏小时，则说明个体适应和繁殖能力更强。

因此，可通过f（x）来判断个体状况。

2.4 停机条件裁定对于停机条件的裁定要根据个体的评价来完成，当群体中已经出现最优个体，或原先设定的停机条件已经完全满足时即可马上执行停机命令，如果不满足上述条件则需要通过下一步流程来执行。

2.5 选择依据不同的选择策略来决定群体中的个体去向，被选中的个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。