CN103927602A - 一种面向高考志愿填报的辅助决策方法 - Google Patents

Abstract

一种面向高考志愿填报的辅助决策方法，包括以下步骤：数据预处理、录取分数预测、志愿匹配和志愿评估，其中数据预处理是对相关的信息进行初步处理，录取分数预测是指根据历史数据预测每一个学校当年的录取分数；志愿匹配是指根据志愿填报人的分数、意愿等相关信息，为申报人提供符合要求的学校或学校列表，并按照高考志愿填报格式为申报人提供不同的志愿组合；志愿评价是指对志愿匹配的结果进行录取可能性评价；本发明以历年来高考录取数据为基础，预测当年所需学校的录取分数；根据志愿填报人的分数、意向等信息，获得满足填报人需求的学校，对获得的满足条件的学校进行评估，给出一个录取可能性评价，共同支撑填报人完成志愿填报。

Description

一种面向高考志愿填报的辅助决策方法

技术领域

本发明涉及信息处理及决策领域，具体涉及一种高考志愿填报的辅助决策方法。

背景技术

高考是目前我国高等教育选拔人才的主要途径，也是绝大多数年轻人实现人生抱负的必经之路，因此考生志愿填报是否合理准确和有效就显得尤为重要。近些年来，我国高考招生工作虽然经历了多次深化改革，但仍然普遍存在考生高分落榜和高分低就等问题，导致高考录取工作不能充分发挥择优选拔的有效性。其原因是考生和家长难以有效掌握和整合海量分散的各类高考信息以及缺乏专业化的志愿填报指导。

发明内容

本发明为了解决上述的技术问题，提供一种高考志愿填报的辅助决策方法，以历年来海量历史高考录取数据为基础，进行多维度相关信息的挖掘和分析，预测当年所需学校的录取分数；根据志愿填报人的分数、意向等信息，基于动态决策技术，获得满足填报人需求的一个或多个符合条件学校；对获得的满足条件的学校进行评估，给出一个录取可能性评价，共同支撑填报人完成志愿填报。

本发明所采用的技术方案是：一种面向高考志愿填报的辅助决策方法，所述方法包括以下步骤：

步骤一、数据预处理

步骤101、假定学校信息和影响志愿填报因素的各个分量的集合为                                                ，其中，每一个元素是S中的一个子集，代表一个具体的分量；

步骤102、使用近似最优哈弗曼编码函数，对中元素中的每一个元素进行编码，则，其中，是中的元素经过编码后的编码值集合，中的每一个元素对应中一个特定元素的编码；

步骤103、将中元素按照优先级从高到底排序，得到一个m维向量；

步骤104、对集合S中的每一个元素都依次进行步骤102和步骤103处理，得到和对应的按照中元素优先级排序的k维向量，且集合S经过归一化编码后转换为,其中，是一个中元素编码按优先级高低排序的向量；

步骤105、分别用m纬向量和n纬向量表示学校信息和影响志愿填报因素信息，其中，每一个元素表示学校的一个属性，其取值为对应类型编码向量中的一个分量，每一个元素一个具体的影响因素，其取值为对应类型编码向量中的一个分量，根据向量U和向量Q生成最终的志愿信息，其中，表示学校，表示专业；

步骤二、录取分数预测

步骤201、创建隐马尔科夫模型，求取模型中的各个参数值，且该模型具有以下元素：（1）状态S，，N为模型状态的个数；（2）观测状态V，，M为不同观测符号的个数；（3）状态转移概率，，其中；（4）观测状态转移概率，其中；（5）初始状态概率，其中；

步骤202、给定，根据前向计算和后向计算两种情况计算；

步骤203、前向计算：对,进行递归计算，最终得到；

步骤204、后向计算：对进行递归计算，最终得到；

步骤205、由前向计算和后向计算可得，；

步骤206、给定观测序列和模型参数，定义为时刻时 Markov 链处于状态和时刻处于状态的概率，即：

，则在时刻，Markov 链处于状态的概率为：，利用公式计算从状态转移到状态的概率，其中，表示从状态转移到状态的次数的期望值，表示从状态转移的次数的期望值；

步骤207、利用公式计算在状态观测的概率；

步骤208、根据上述步骤得到的参数形成新的模型，其中，，，，，利用历年历史分数数据对该模型重复训练，并调整该模型的参数，直至收敛，此时得到的即为可预测当年录取分数的分数线预测模型；

步骤三、志愿匹配

步骤301、根据填报人的志愿需求生成志愿需求集合，且PQ的分量是步骤105中的分量的子集，其中一个分量表示一个具体的需求，且上述需求按重要性排序，从中选取第1个需求因素，并根据匹配从学校信息数据库中的学校信息，筛选出满足条件的大学的集合；

步骤302、从中选取第2个需求因素，并根据匹配集合的学校信息，筛选出满足条件的大学的集合；

步骤303、依次选取中的各个需求因素，直至第i次时，从中选取第i个需求因素，并根据匹配集合的学校信息，筛选出满足条件的大学的集合；

步骤304、重复到从志愿填报人的个性化需求中选取第N个需求因素，并根据匹配集合的学校信息，筛选出满足条件的大学的集合，即为满足考生所有要求的学校集合；

步骤305、根据志愿填报人的实际需求，生成最优志愿、随机志愿或者自定义志愿；

最优志愿：从中选取最靠前的x个学校，其中x为当年允许填报的学校数，并为每个选中的学校选取中的专业，生成一个志愿项，其中，y是一个学校允许填报的专业数，如果中的专业数大于或等于y个，则选取中最优的个y专业；如果中的专业数小于y个，则再从该学校中选取若干个最优专业，与中专业一起构成y个专业，最终形成志愿；

随机志愿：从中随机选取x个学校，并为每个选中的学校选取中的专业，生成一个志愿项，其中，x为当年允许填报的学校数，y是一个学校允许填报的专业数，如果中的专业数大于或等于y个，则随机选取中的个y专业；如果中的专业数小于y个，则再从该学校中随机选取若干个专业，与中专业一起构成y个专业，最终形成志愿；

自定义志愿：由填报人手动从中选取x个学校并为每个的学校选取y个专业，其中，x为当年允许填报的学校数，y是一个学校允许填报的专业数，生成一个志愿项，最终形成志愿；

步骤四、志愿评价

步骤401、假定影响志愿录取结果的风险因素集；

步骤402、假定评价风险的基本标准集合为，i为设定标准的个数；

步骤403、建立等级的评价标准用来计算每个风险的平均分，建立的等级；

步骤404、确定每个标准的权重，将风险因素集中的全部因素进行评价，获得O到的模糊关系，，，其中，，，，利用公式计算到的模糊变换，其中为评价因素权重集，为第个评价因素对应的权重系数，且满足；

步骤405、使用模糊复合算子对每个风险进行评估，算子描述为：，算子中的符号⊕表示权重和隶属函数的总和；

步骤406、应用模糊评价向量的正交化计算，获得志愿中每一个学校以及每一个专业的风险指数：；

步骤407、利用集合估算最终录取评价可能，其中，是对学校的专业的录取可能性评价；

步骤408、如果步骤407中得到的志愿评价低于系统设定录取比率，则提示用户重新选择志愿，如果填报人认为评估录取比率较低，可重新选择志愿；否则，直接生成该志愿填报人的最终志愿。

本发明的有益效果：本发明以历年来海量历史高考录取数据为基础，进行多维度相关信息的挖掘和分析，预测当年所需学校的录取分数；根据志愿填报人的分数、意向等信息，基于动态决策技术，获得满足填报人需求的一个或多个符合条件学校；对获得的满足条件的学校进行评估，给出一个录取可能性评价，共同支撑填报人完成志愿填报，能够有效避免普遍存在考生高分落榜和高分低就等问题，使高考录取工作充分发挥择优选拔的有效性。

具体实施方式

一种面向高考志愿填报的辅助决策方法，所述方法包括以下步骤：

步骤一、数据预处理

步骤101、假定学校信息和影响志愿填报因素的各个分量的集合为，其中，每一个元素是S中的一个子集，代表一个具体的分量；

步骤102、使用近似最优哈弗曼编码函数，对中元素中的每一个元素进行编码，则，其中，是中的元素经过编码后的编码值集合，中的每一个元素对应中一个特定元素的编码；

步骤103、将中元素按照优先级从高到底排序，得到一个m维向量；

步骤104、对集合S中的每一个元素都依次进行步骤102和步骤103处理，得到和对应的按照中元素优先级排序的k维向量，且集合S经过归一化编码后转换为,其中，是一个中元素编码按优先级高低排序的向量；

步骤105、分别用m纬向量和n纬向量表示学校信息和影响志愿填报因素信息，其中，每一个元素表示学校的一个属性，其取值为对应类型编码向量中的一个分量，每一个元素一个具体的影响因素，其取值为对应类型编码向量中的一个分量，根据向量U和向量Q生成最终的志愿信息，其中，表示学校，表示专业；

步骤二、录取分数预测

步骤201、创建隐马尔科夫模型，求取模型中的各个参数值，且该模型具有以下元素：（1）状态S，，N为模型状态的个数；（2）观测状态V，，M为不同观测符号的个数；（3）状态转移概率，，其中；（4）观测状态转移概率，其中；（5）初始状态概率，其中；

步骤202、给定，根据前向计算和后向计算两种情况计算；

步骤203、前向计算：对,进行递归计算，最终得到；

步骤204、后向计算：对进行递归计算，最终得到；

步骤205、由前向计算和后向计算可得，；

步骤206、给定观测序列和模型参数，定义为时刻时 Markov 链处于状态和时刻处于状态的概率，即：

，则在时刻，Markov 链处于状态的概率为：，利用公式计算从状态转移到状态的概率，其中，表示从状态转移到状态的次数的期望值，表示从状态转移的次数的期望值；

步骤207、利用公式计算在状态观测的概率；

步骤208、根据上述步骤得到的参数形成新的模型，其中，，，，，利用历年历史分数数据对该模型重复训练，并调整该模型的参数，直至收敛，此时得到的即为可预测当年录取分数的分数线预测模型；

步骤三、志愿匹配

步骤301、根据填报人的志愿需求生成志愿需求集合，且PQ的分量是步骤105中的分量的子集，其中一个分量表示一个具体的需求，且上述需求按重要性排序，从中选取第1个需求因素，并根据匹配从学校信息数据库中的学校信息，筛选出满足条件的大学的集合；

步骤302、从中选取第2个需求因素，并根据匹配集合的学校信息，筛选出满足条件的大学的集合；

步骤303、依次选取中的各个需求因素，直至第i次时，从中选取第i个需求因素，并根据匹配集合的学校信息，筛选出满足条件的大学的集合；

步骤304、重复到从志愿填报人的个性化需求中选取第N个需求因素，并根据匹配集合的学校信息，筛选出满足条件的大学的集合，即为满足考生所有要求的学校集合；

步骤305、根据志愿填报人的实际需求，生成最优志愿、随机志愿或者自定义志愿；

最优志愿：从中选取最靠前的x个学校，其中x为当年允许填报的学校数，并为每个选中的学校选取中的专业，生成一个志愿项，其中，y是一个学校允许填报的专业数，如果中的专业数大于或等于y个，则选取中最优的个y专业；如果中的专业数小于y个，则再从该学校中选取若干个最优专业，与中专业一起构成y个专业，最终形成志愿；

随机志愿：从中随机选取x个学校，并为每个选中的学校选取中的专业，生成一个志愿项，其中，x为当年允许填报的学校数，y是一个学校允许填报的专业数，如果中的专业数大于或等于y个，则随机选取中的个y专业；如果中的专业数小于y个，则再从该学校中随机选取若干个专业，与中专业一起构成y个专业，最终形成志愿；

自定义志愿：由填报人手动从中选取x个学校并为每个的学校选取y个专业，其中，x为当年允许填报的学校数，y是一个学校允许填报的专业数，生成一个志愿项，最终形成志愿；

步骤四、志愿评价

步骤401、假定影响志愿录取结果的风险因素集；

步骤402、假定评价风险的基本标准集合为，i为设定标准的个数；

步骤403、建立等级的评价标准用来计算每个风险的平均分，建立的等级；

步骤404、确定每个标准的权重，将风险因素集中的全部因素进行评价，获得O到的模糊关系，，，其中，，，，利用公式计算到的模糊变换，其中为评价因素权重集，为第个评价因素对应的权重系数，且满足；

步骤405、使用模糊复合算子对每个风险进行评估，算子描述为：，算子中的符号⊕表示权重和隶属函数的总和；

步骤406、应用模糊评价向量的正交化计算，获得志愿中每一个学校以及每一个专业的风险指数：；

步骤407、利用集合估算最终录取评价可能，其中，是对学校的专业的录取可能性评价；

步骤408、如果步骤407中得到的志愿评价低于系统设定录取比率，则提示用户重新选择志愿，如果填报人认为评估录取比率较低，可重新选择志愿；否则，直接生成该志愿填报人的最终志愿。

本发明由四个组成部分：数据预处理、录取分数预测、志愿匹配和志愿评估。数据预处理是对相关的信息进行初步处理，使得可以直接用于后续的分析、决策、评估等；录取分数预测是指根据历史数据预测每一个学校当年的录取分数；志愿匹配是指根据志愿填报人的分数、意愿等相关信息，为申报人提供符合要求的学校或学校列表，并按照高考志愿填报格式为申报人提供不同的志愿组合，可以直接作为申报人的志愿；志愿评价是指对志愿匹配模块推荐的志愿进行录取可能性评价，也可对填报人自己选择的志愿进行评价。

（一）数据预处理

在高考志愿填报过程中，涉及学校信息、考生填报志愿影响因素以及最后的志愿信息。

学校信息包括：学校类型（985、211等）、地区（南方、北方、中原等），城市、学院列表、系列表、专业列表、历年录取分数、就业情况等。

影响高考志愿填报因素：学校类型（985、211等）、地区（南方、北方、中原等），城市、学院、系、专业、考生分数、预测录取分数、就业情况等。

志愿信息：是由学校和多个专业组成的序列，具体可填报学校、专业个数与当年志愿填报具体规定相关。

对于学校信息和影响志愿填报因素，其各个分量的类型不同，在进行决策的时候无法进行对比衡量，需要对二者进行归一化处理。具体处理方法如下:

第一步：假设学校信息和影响志愿填报因素的各个分量的集合为，S为有限集，其中S的每一个元素也是一个集合，表示其某一具体因素，如学校类型、地区、城市、专业等；

第二步：使用近似最优哈弗曼编码函数，对中元素中的每一个元素进行编码，则,其中，是中的元素经过编码后的编码值集合，中的每一个元素对应中一个特定元素的编码；

第三步：将中元素按照优先级从高到底排序，得到一个m维向量；

第四步：将S中每一个元素都按照第二步和第三步处理，则可以得到和对应的按照中元素优先级排序的k维向量，且集合S经过归一化编码后转换为,其中，是一个中元素编码按优先级高低排序的向量；

经过信息预处理后，学校信息可以表示为一个m纬向量，其中每一个元素表示学校的一个属性，其取值为对应类型编码向量中的一个分量。影响志愿填报信息可以表示为一个n纬向量，其中每一个元素一个具体的影响因素，其取值为对应类型编码向量中的一个分量。最后生成的志愿可以表示为一个k元组。其中，表示学校，表示专业。

（二）录取分数预测

根据隐马尔科夫模型，某学校在某一年（称为状态）的录取分数是不可知的。但在该年之前的每一年都有一个相应的录取分数，该录取分数称为相应年的分数线的观测。该观测是状态的一个概率函数。假定每个状态的一个离散观测取自集合：

表示状态是时，观测到的概率，称为观测概率。对于一个齐次模型，其观测概率不依赖时间。观测到的一系列便形成了观测序列。可以通过观测序列推断当年的录取分数。

第一步：构建一个HMM基本模型，具有以下元素：

(1) ：模型状态个数

(2) ：不同观测符号的个数

(3) 状态转移概率：，其中

(4) 观测概率：，其中

(5) 初始状态概率：，其中

和隐含定义在其他参数之中，因此被取作一个HMM的参数集合。

第二步：给定，HMM模型可以用于产生任意长度个数的观测序列。但是通常是令一个方向，即通过一个有若干观测序列组成的训练集来估计模型的参数。

第三步：为了降低计算算法的复杂度，将计算过程分为前向计算和后向计算两种情况。前向计算是指根据某一时间点之前获得的观测值，预测该时间点的值；后向计算恰好相反，是根据某一时间点之后的观测值推断该时间点的值。

第四步：前向计算为: 

,

其递归过程为:

初始化：

递归：

结束：

第五步：后向计算为：

其递归过程为：

初始化：

递归：

结束：

第六步：由前向计算和后向计算，可得：

，

第七步：求得，这是一个泛函极值问题。一般情况下，我们只利用当年的前有限年度进行训练，因而不存在一个最佳的方法来估计。所以可以利用递归的思想使局部最大，最后得到模型参数。

第八步：给定观测序列和模型参数时，定义为时刻时 Markov 链处于状态和时刻处于状态的概率，即

那么，在时刻，Markov 链处于状态的概率为：

表示从状态转移到状态的次数的期望值，表示从状态转移的次数的期望值。所以从状态转移到状态的概率为：

第九步：在状态观测的概率为：

则得到一个新的模型，其中，，，，。利用历年历史数据重复训练过程，逐步调整模型参数，直到收敛，即不再明显变化，此时得到的即为当年分数线的预测模型，即可预测到当年的录取分数。

（三）志愿匹配

本发明中，根据预测的录取分数、填报人的实际考分以及填报人的需求进行志愿匹配，填报人的需求可以包括学校类型、学校所在地区、学校所在城市、学校名称、学院名称、系名称、专业名称、就业情况、学校排名等。填报人可以从这些影响因素中选择一个或多个因素，并调节这些因素的优先级，生成自己个性化的志愿需求。其中，一个分量表示一个具体的需求，如专业等，是最重要的志愿填报影响因素，是次重要的志愿填报影响因素，然后重要性以此下降。这里的分量是的分量的子集。下面介绍志愿匹配的基本过程。

第一步：从志愿填报人的个性化需求中选取第1个需求因素，并根据匹配从学校信息数据库中的学校信息，筛选出满足条件的大学的集合。

第二步：从志愿填报人的个性化需求中选取第2个需求因素，并根据匹配集合的学校信息，筛选出满足条件的大学的集合。

第三步：重复到第i次时，从志愿填报人的个性化需求中选取第i个需求因素，并根据匹配集合的学校信息，筛选出满足条件的大学的集合。

第四步：重复到第N次时，从志愿填报人的个性化需求中选取第N个需求因素，并根据匹配集合的学校信息，筛选出满足条件的大学的集合。

第五步：即为满足考生要求的学校集合。

第六步：如果填报人选择“生成最优志愿”，则从中选取最靠前的x个学校（x为当年允许填报的学校数），并为每个选中的学校选取中的专业，生成一个志愿项。其中，y是一个学校允许填报的专业数。如果中的专业数大于或等于y个，则选取中最优的个y专业；如果中的专业数小于y个，则再从该学校中选取若干个最优专业，与中专业一起构成y个专业。最终形成志愿。

第七步：如果填报人选择“生成随机志愿”，则从中随机选取x个学校（x为当年允许填报的学校数），并为每个选中的学校选取中的专业，生成一个志愿项。其中，y是一个学校允许填报的专业数。如果中的专业数大于或等于y个，则随机选取中的个y专业；如果中的专业数小于y个，则再从该学校中随机选取若干个专业，与中专业一起构成y个专业。最终形成志愿。

第八步：如果填报人选择“自定义生成志愿”，则由填报人手动从中选取x个学校（x为当年允许填报的学校数），并为每个的学校选取y个专业，生成一个志愿项。最终形成志愿。

(四) 志愿评估

本发明的志愿评估根据志愿匹配生成的志愿，评价各个学校录取的概率，为志愿填报人决定最终的志愿提供数据支持。下面介绍志愿决策动态风险评估方法：

第一步：确定影响志愿录取结果的风险因素集，这些因素包括根据历年录取历史数据中挖掘出的信息（如大小年等）、从当年考生调查获取的信息（如各个学校对考生预报志愿的统计信息等）、专家对志愿填报的预判信息等；

第二步：确定评估标准，即建立评价风险的标准。设定基本准则集合为，为设定标准的个数，系统衡量志愿成功与否的标准有两方面：录取率、录取结果与初始意愿契合度。

第三步：建立等级的评价标准用来计算每个风险的平均分。建立的等级用来表示，。

第四步：确定每个标准的权重。将对象因素论域中全部因素进行评价，可以获得到的模糊关系，，

设为评判矩阵，其中，，，若确定，且存在模糊向量，就可以唯一确定一个到的模糊变换:。其中为评价因素权重集，则， 为第个评价因素对应的权重系数，且满足。

第五步：通过使用模糊复合算子对每个风险进行评估，算子描述为：，算子中的符号⊕表示权重和隶属函数的总和。

第六步：应用模糊评价向量的正交化计算，获得志愿中每一个学校以及每一个专业的风险指数：。

第七步：最终形成录取评价。其中，是对学校的专业的录取可能性评价。

第八步：如果志愿评价低于一定的录取比率，则提示用户重新选择志愿，如果填报人认为评估录取比率较低，也可重新选择志愿；否则，可以生产该志愿填报人的最终志愿。

本发明在使用时包括以下流程：

第一步：输入填报人的志愿意向信息，如学校类型、专业、学校所在地区或城市等，并对这些信息按照个人意愿进行优先级排序。最后输入个人的考分。

第二步：填报人发送志愿匹配命令，本方案根据预测的录取分数线和经过优先级排序的个人意愿信息，从学校列表中逐步筛选学校，最后获得满足条件的学校列表。

第三步：考生选择自动生成最优志愿、自动生成随机志愿或自助生成志愿，然后根据不同的选择由本方案自动生成或由填报人自助生成最终志愿。

第四步：对生产的方案进行评估，如果评估的结果满意，则转向第五步，否则返回第三步重新生成志愿。

第五步：志愿辅助决策完成。

Claims (1)

1.一种面向高考志愿填报的辅助决策方法，其特征在于：所述方法包括以下步骤：

步骤一、数据预处理

步骤101、假定学校信息和影响志愿填报因素的各个分量的集合为                                                ，其中，每一个元素是S中的一个子集，代表一个具体的分量；

步骤102、使用近似最优哈弗曼编码函数，对中元素中的每一个元素进行编码，则，其中，是中的元素经过编码后的编码值集合，中的每一个元素对应中一个特定元素的编码；

步骤103、将中元素按照优先级从高到底排序，得到一个m维向量；

步骤104、对集合S中的每一个元素都依次进行步骤102和步骤103处理，得到和对应的按照中元素优先级排序的k维向量，且集合S经过归一化编码后转换为,其中，是一个中元素编码按优先级高低排序的向量；

步骤105、分别用m纬向量和n纬向量表示学校信息和影响志愿填报因素信息，其中，每一个元素表示学校的一个属性，其取值为对应类型编码向量中的一个分量，每一个元素一个具体的影响因素，其取值为对应类型编码向量中的一个分量，根据向量U和向量Q生成最终的志愿信息，其中，表示学校，表示专业；

步骤二、录取分数预测

步骤201、创建隐马尔科夫模型，求取模型中的各个参数值，且该模型具有以下元素：（1）状态S，，N为模型状态的个数；（2）观测状态V，，M为不同观测符号的个数；（3）状态转移概率，，其中；（4）观测状态转移概率，其中；（5）初始状态概率，其中；

步骤202、给定，根据前向计算和后向计算两种情况计算；

步骤203、前向计算：对,进行递归计算，最终得到；

步骤204、后向计算：对进行递归计算，最终得到；

步骤205、由前向计算和后向计算可得，；

步骤206、给定观测序列和模型参数，定义为时刻时 Markov 链处于状态和时刻处于状态的概率，即：

，则在时刻，Markov 链处于状态的概率为：，利用公式计算从状态转移到状态的概率，其中，表示从状态转移到状态的次数的期望值，表示从状态转移的次数的期望值；

步骤207、利用公式计算在状态观测的概率；

步骤208、根据上述步骤得到的参数形成新的模型，其中，，，，，利用历年历史分数数据对该模型重复训练，并调整该模型的参数，直至收敛，此时得到的即为可预测当年录取分数的分数线预测模型；

步骤三、志愿匹配

步骤301、根据填报人的志愿需求生成志愿需求集合，且PQ的分量是步骤105中的分量的子集，其中一个分量表示一个具体的需求，且上述需求按重要性排序，从中选取第1个需求因素，并根据匹配从学校信息数据库中的学校信息，筛选出满足条件的大学的集合；

步骤302、从中选取第2个需求因素，并根据匹配集合的学校信息，筛选出满足条件的大学的集合；

步骤303、依次选取中的各个需求因素，直至第i次时，从中选取第i个需求因素，并根据匹配集合的学校信息，筛选出满足条件的大学的集合；

步骤304、重复到从志愿填报人的个性化需求中选取第N个需求因素，并根据匹配集合的学校信息，筛选出满足条件的大学的集合，即为满足考生所有要求的学校集合；

步骤305、根据志愿填报人的实际需求，生成最优志愿、随机志愿或者自定义志愿；

最优志愿：从中选取最靠前的x个学校，其中x为当年允许填报的学校数，并为每个选中的学校选取中的专业，生成一个志愿项，其中，y是一个学校允许填报的专业数，如果中的专业数大于或等于y个，则选取中最优的个y专业；如果中的专业数小于y个，则再从该学校中选取若干个最优专业，与中专业一起构成y个专业，最终形成志愿；

随机志愿：从中随机选取x个学校，并为每个选中的学校选取中的专业，生成一个志愿项，其中，x为当年允许填报的学校数，y是一个学校允许填报的专业数，如果中的专业数大于或等于y个，则随机选取中的个y专业；如果中的专业数小于y个，则再从该学校中随机选取若干个专业，与中专业一起构成y个专业，最终形成志愿；

自定义志愿：由填报人手动从中选取x个学校并为每个的学校选取y个专业，其中，x为当年允许填报的学校数，y是一个学校允许填报的专业数，生成一个志愿项，最终形成志愿；

步骤四、志愿评价

步骤401、假定影响志愿录取结果的风险因素集；

步骤402、假定评价风险的基本标准集合为，i为设定标准的个数；

步骤403、建立等级的评价标准用来计算每个风险的平均分，建立的等级；

步骤404、确定每个标准的权重，将风险因素集中的全部因素进行评价，获得O到的模糊关系，，，其中，，，，利用公式计算到的模糊变换，其中为评价因素权重集，为第个评价因素对应的权重系数，且满足；

步骤405、使用模糊复合算子对每个风险进行评估，算子描述为：，算子中的符号⊕表示权重和隶属函数的总和；

步骤406、应用模糊评价向量的正交化计算，获得志愿中每一个学校以及每一个专业的风险指数：；

步骤407、利用集合估算最终录取评价可能，其中，是对学校的专业的录取可能性评价；

步骤408、如果步骤407中得到的志愿评价低于系统设定录取比率，则提示用户重新选择志愿，如果填报人认为评估录取比率较低，可重新选择志愿；否则，直接生成该志愿填报人的最终志愿。