一种基于遗传粒子群算法的智能组卷方法
【技术领域】
[0001] 本发明涉及智能组卷技术领域，具体而言，涉及一种基于遗传粒子群算法的智能 组卷方法。
【背景技术】
[0002] 传统的组卷操作几乎完全依靠人工完成，或者需要半人工进行。人工组卷成本高 昂且出错率高，容易出现疏漏和不可避免的人为因素，往往导致试卷组卷不够科学合理。半 人工的组卷虽然部分减轻了工作人员的劳动量，但试题的选择、编排等关键技术工作仍必 须由人工完成，所以仍然存在效率较低等局限和不足。
[0003] 近年来，国内、外一些科研机构已经研发出了一些智能自动组卷系统，采用方法主 要有优先权法、随机选取法、回溯试探法、误差补偿法等。使用这些方法虽然在一定程度上 能够实现自动组卷，但是组卷是个多目标优化问题，这些方法有的较为简单;有的组卷方法 具有较大的随机性和不确定性，难以满足组卷的实际需求;有的组卷算法对内存的占用量 大，程序结构比较复杂，组卷时间长。这些方法的局限性可能导致其生成的试卷无法满足实 际需求。
【发明内容】
[0004] 本发明所要解决的技术问题是，如何提高组卷的智能化，使得组卷更能符合用户 的要求。
[0005] 为此目的，本发明提出了一种基于遗传粒子群算法的智能组卷方法，包括：
[0006] S1，根据对应于试卷属性信息的约束条件生成每个约束条件对应的目标函数，根 据每个约束条件的目标函数计算试卷的适应度函数；
[0007] S2,从题库中获取试题组成多份初始试卷，对每份试卷进行染色体编码，每份试卷 对应一个染色体，染色体包含多段，每段染色体对应一类试题，每段染色体包含多个基因， 每个基因个对应一道试题；
[0008] S3,采用粒子群算法，将每份试卷作为一个粒子，对多份试卷进行计算，以得到新 的多份试卷作为初始种群；
[0009] S4,根据所述适应度函数计算初始种群中每份试卷的适应度值，根据适应度值进 行排序，根据预设选择概率从多个适应度值中选择适应度值大于预设适应度值的试卷遗传 至下一代，以生成第一代种群；
[0010] S5,在第一代种群中，将选出的种群中的染色体个体，随机两两配对，根据配对的 两个染色体中的每个染色体的适应度值、最大适应度值和平均适应度值计算分别得到交叉 概率和变异概率，按所述交叉概率和变异概率对配对的两个染色体进行交叉操作，
[0011] 所述交叉操作包括：
[0012] 将配对的两个染色体的多个相对应段中至少一段作为交叉段，交换两个染色体对 应交叉段的基因，以生成两个新的染色体个体，将对第一代种群中所有染色体个体配对后 生成的多个染色体新个体作为第二代种群；
[0013] S6,在第二代种群中，在每个染色体的每段染色体中设置至少一个变异点，从题库 中获取与该变异点类型相同的试题替换该变异点的试题，以生成第三代种群作为新的种 群；
[0014] S7,计算新的种群中多个个体的适应度值，判断新的种群是否满足预设条件，若满 足，则输出相应试卷，否则，将新的种群作为初始种群并返回步骤S4。
[0015] 优选地，所述试卷属性信息包括:试卷总分、题型、答题时间、难度系数、区分度、包 括全部知识点的分布比例、知识点分值比例、认知层次、题型的分值比例、各难度试题的分 值比例。
[0016] 优选地，知识点分布的约束
，其中，t为试卷涉及的知识点占全部知识点 的个数比例，T为用户设定的试卷涉及的知识点占全部知识点的比例；
[0017] 难度系数约束
，其中，h为试卷实际难度系数，Η为用户设定的难度系 数；
[0018] 区分度约束
~ |其中，d为试卷实际区分度，D为用户设定的区分度；
[0019] 答题时间约肓
其中，t为试卷实际答题时间，T为用户设定的答题时间， Τι<Τ；
[0020] 认知层次约诗 其中 和f6小于或等于1，Ri表 ；? 示试卷中第i类认知层次的试题实际总分表示用户设定的第i类认知层次的试题总分，η 表示认知层次的个数，Μ为认知层次为i的全部试题的个数，为认知层次为i的第j个的试 m 题分数，Σ",.;表示认知层次为i的全部试题的总分； Μ
[0021] 题型的分值比例约束
其中，
fVj、于或等 于1，1表示试卷中第i类试题类型的试题实际总分表示用户设定的第i类试题类型的试 题总分，η表示试题类型的个数。Μ为试题类型为i的全部试题的个数，为试题类型为i的 m 第j个的试题分数，Σ鳥』表示试题类型为i的全部试题的总分； 1 各难度题型的分值比例约芽
和fVj、 于或等于1,?表示试卷中第i类试题类型的试题实际总分表示用户设定的第i类试题类 型的试题总分，η表示试题类型的个数，Μ为试题类型为i的全部试题的个数，为试题类型 m 为i的第j个的试题分数，表示试题类型为i的全部试题的总分。 Μ
[0023] 优选地，所述步骤S1包括：
[0024] 对所有约束加权求和
[0025] f表示组卷的目标总函数，Wi表示第i个指标的权值，Wi>0，Wifi表示第i个试卷属 性信息约束的目标函数。
[0026] 优选地，所述步骤S1包括：
[0027] 生成适应度函数F = l/(l+f)。
[0028] 优选地，所述步骤S3包括：
[0029] S31:初始化种群m中各粒子的速度^、位置X1、群体规模，对任意的粒子i和维数s， 粒子i的位置为向量Xi= (Xil，Xi2, . . .，Xis)，变化速度为Vi= (Vil，Vi2, . . .，Vis)。粒子i在位置 范围[-Xmax，Xmax ]内服从均勾分布产生Xis，对任意的粒子i和维数S，在速度范围[-Vmax，Vmax ] 内服从均匀分布产生Vls，其中，m为种群中试卷的数量，S等于约束条件的数量，Xmax和 Vmax为 预先设定的位置和速度值；
[0030] S32:每个粒子根据初始化的位置和速度变化，将粒子i的Xi代入适应度函数计算 得到对应的适应度值，在fi中Xi为t，在f2中Xi为h，在f3中Xi为d，在f4中Xi为t，在f5中Xi为Ri， 在f 6中Xi为Ki，在f 7中Xi为Hi，计算变化过程中每个粒子的适应度值，存储变化过程中每个粒 子的最优位置Pbest以及对应的适应度值，将变化过程中种群中适应度值最大的粒子的位置 作为种群的取优位置 Gbest，设Pbest - ( Pil , Pi2 ,......，Pis)、Gbest - ( gil , gi2 ,......, gis ) j Pis 为粒子i变化过程中第S个约束的值，gis为粒子i变化过程中第s个约束的值；
[0031] S33:将每个粒子的适应度值与其经历过的最优位置Pbest对应的适应度值进行比 较，若较大，则将该适应度值对应的位置作为当前的最优位置；
[0032] S34:将每个粒子的适应度值与其之前变化过程中种群的最优位置Gbut对应的适 应度值进行比较，若较大，则将该适应度值对应的位置作为当前的种群最优位置；
[0033] S35:判断变化次数是否大于预设次数，或是否满足：当前每个粒子的适应度值等 于前次变化中的Pbest对应的适应度值，且当前种群中的最大适应度值等于前次变化中的 Gb(3St对应的适应度值，若变化次数达到预设次数或满足上述条件，则将得到新的多份试卷 作为初始种群，否则返回步骤S33。
[0034] 优选地，所述步骤S32包括：
[0035] 第i个粒子第t次变化中第η维的位置为、速度为vl、第i个粒子当前位置与其 经历过的最优位置之间的距离为/4 ，第i个粒子当前位置与其之前变化过程中种群