浅析基于遗传算法的智能组卷系统

刘秋香 刘振伟

摘 要 智能组卷系统可以根据教师需求，快速组成一套或多套试卷进行测试，并且客观题自动批阅，大大减轻了教师们的组卷和阅卷负担。而遗传算法模拟自然选择，减少了人工干预，使结果更加公正合理，非常适合用在组卷考试上。本文从遗传算法的基本思想与运算过程、智能组卷系统的功能分析、遗传算法在智能组卷中的应用这三个方面，简要介绍了一种基于遗传算法的智能组卷系统。

关键词 遗传算法;最优解;智能组卷;组卷参数

引言

随着科技和社会的发展，高校教育不断推陈出新，传统的教育模式已经逐渐被智能化教育所替代。尤其在考试出题方面，很多高校已经开始用电脑组卷替代人工组卷了。但是很多组卷系统采用的是随机出题，这用于平常的小测验还可以，但是用于综合性测试中，这种随机出题组卷的方式显然在难度、试题分布、公平性等方面不够合理，此时就体现出了遗传算法的实用性和有效性。

1遗传算法的基本思想与运算过程

遗传算法（Genetic Algorithm，GA）是一类借鉴生物界的进化规律（适者生存、优胜劣汰遗传机制）演化而来的随机化搜索方法[1]，是美国的John holland教授首先提出的。该算法模拟的是达尔文生物进化论的自然选择的过程，其根本就是将计算机数据模拟成自然的生态环境，根据优胜劣汰、适者生存原则（所给条件）在不断的染色体（不同数据）交叉变异（排列重组）的过程中找到最好的个体（最优解）。

遗传算法的基本运算过程如下[1]：

（1）初始化：设置好最大进化次数以及停止进化的条件，然后随机生成一个规模为N的种群。

（2）个体评价：计算种群中每个个体的适应度（对目标条件的符合程度），并将其作为唯一评判因子来找到最优解。

（3）选择运算：选取种群中适应度较高的个体，继续遗传给下代。

（4）交叉运算：选出两个个体，作为父母产生下一代。

（5）变异运算：模拟基因突变，定义一个概率，以此产生突变个体，使种群多样化。

（6）终止：当得到最优解或者达到最大进化次数之后，输出最终得到的个体，终止计算。

2智能组卷系统的功能分析

智能组卷系统，能够轻松实现考试的半自动化，不仅可以帮助教师自动组卷，还能最大限度地满足不同教师对考试的不同要求。而利用遗传算法实现的智能组卷系统，组卷时具有难度适中、试题分布更合理等优点，从而更能保证考试的公平性与合理性等。

智能组卷系统，至少有教师、学生和管理员三种类型的用户。其中，教师可以查看自己班内的所有学生、管理自己科目下的所有试题、添加组卷要求、组成自己所教授科目的试卷、发布测试、批阅主观题、查看成绩分析等;学生可以参加自己老师所开放的在线测试，并且查看成绩分析;管理员可以进行用户信息管理、试题基础数据管理，其中用户管理包含用户名、账号、密码、邮箱、班级、科目等方面的内容，试题基础数据管理包含题型、题目、答案、难度、分值、所属知识点等方面的内容。

智能组卷系统，通常具有以下功能：

（1）用户管理：用户的登录，管理员对用户的创建、删除、权限赋予以及对用户信息的编辑。

（2）科目管理：管理员管理各科科目，包括对科目基本信息以及所包含知识点的管理。

（3）试题管理：管理各科试题，包括对各科试题的录入、编辑、删除和导出，管理员能对所有试题进行操作，教师只能对自己所负责的科目的试题进行操作。

（4）试卷管理：根据各科教师的组卷要求，自动组成试卷。

（5）在线测试：为学生提供不同科目的在线测试，并给出成绩。

（6）成绩分析：自动批阅客观题，并为学生提供一份个人的错题分析，为教师提供每个学生的情况与每个班级的总体情况。

3遗传算法在智能组卷中的应用

智能组卷实质上就是一个多条件约束的目标优化求解问题，是计算机系统根据出卷教师所设定的组卷参数自动生成满足这些约束条件的n道试题组合的优化解[2]。一份试卷一般包括总分数、考试时长、试卷难度、试题类型、各题型试题数目、知识点分布等约束条件;而试卷的这些约束条件则通常是根据每道试题的题型、分值、难度、所属知識点等属性获得的。

遗传算法正如它的名字，模拟了达尔文的进化论，先初始化一个随机种群，然后不断杂交产生下一代，期间也会存在着变异，最后通过适者生存原则，将最好的一个或多个个体留存下来。将其应用在智能组卷系统上再合适不过。它可以根据出卷教师所期望的试卷难度、试卷结构（题型及数量和分值）、知识点分布等组卷参数，智能生成一套符合要求的试卷。

在对智能组卷功能进行分析之后，先设计数据库及试题数据表，一般根据试题类型（如单选题、多选题、选择题、判断题、填空题、简答题、综合题等），每个题型对应一个数据表。编码实现智能组卷功能时，根据设置的组卷参数，先从数据库中选择试题生成试卷，再去判断此试卷是否是最优试卷。具体来说，可以先通过选定的知识点来找到该知识点下的所有试题，再将这些试题随机组成多套试卷;然后通过设定的试题难度和每个试题的分值及数量，计算每套试卷的适应度，取适应度最高的当作父本，其他的随机取一个当作母本生成下一代，一直到这个适应度达到0.98以上或者循环次数达到10000次为止。

4结束语

遗传算法会根据使用者提出的部分条件随机生成一个种群，然后在种群中寻找最符合所有条件的个体。由于其模仿自然界的规律来寻找最优解，减少了人为的干预，使得到的方案更加公平合理，所以被广泛应用于考试组卷、排课、后勤任务分配等方面。

参考文献

[1] 360百科.遗传算法[EB/OL]. https：//baike.so.com/doc/5056960-5284178.html，2018-12-26.

[2] 潘刚，杨清平.遗传算法在智能组卷系统中的应用研究[J].云南民族大学学报：自然科学版，2016，25（6）：579-584.

作者简介

刘秋香（1979-），女，山东莱州人;学历：硕士，职称：讲师，现就职单位：山东理工大学计算机学院，研究方向：软件工程支撑环境。