CN107480765A - 遗传和蚁群混合算法在组卷中的应用方法及装置 - Google Patents

Abstract

本发明公开了一种遗传和蚁群混合算法在组卷中的应用方法及装置，其中，方法包括：利用遗传算法进行组卷以形成初步最优解；将所述初步最优解转化为蚁群算法的初始信息素参数；利用所述蚁群算法进行组卷；判断是否达到预设组卷条件；如果是，则由所述蚁群算法得到最终最优解，输出试卷。该方法可以将遗传算法和蚁群算法相结合，从而可以快速准确地进行组卷。

Description

遗传和蚁群混合算法在组卷中的应用方法及装置

技术领域

本发明涉及组卷技术领域，特别涉及一种遗传和蚁群混合算法在组卷中的应用方法及装置。

背景技术

目前，常见的组卷算法有：随机抽取算法、基于遗传算法的组卷和基于蚁群算法的组卷。

其中，随机抽取组卷算法，实现简单，单次组卷过程运行速度快，但是组卷重复率高；基于遗传算法的组卷，虽然能进行全局快速的搜索，组卷重复率低，但遗传算法没有反馈机制，进行进化时有很长时间都只在做无用的进化和验算，耗费时间较长；蚁群算法具有反馈机制，虽然能够将进化的信息反馈到下一轮的进化中，但是缺点就是收敛速度慢，而且全局搜索能力较差。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的一个目的在于提出一种遗传和蚁群混合算法在组卷中的应用方法，该方法可以快速准确地进行组卷。

本发明的另一个目的在于提出一种遗传和蚁群混合算法在组卷中的应用装置。

为达到上述目的，本发明一方面实施例提出了一种遗传和蚁群混合算法在组卷中的应用方法，包括以下步骤：利用遗传算法进行组卷以形成初步最优解；将所述初步最优解转化为蚁群算法的初始信息素参数；利用所述蚁群算法进行组卷；判断是否达到预设组卷条件；如果是，则由所述蚁群算法得到最终最优解，输出试卷。

本发明实施例的遗传和蚁群混合算法在组卷中的应用方法，通过利用遗传算法对试题库进行初步的全局较优解进行搜索，并且将得到的全局较优解信息转换为蚁群算法的信息素描述，最后利用蚁群算法实现快速精确收敛，实现组卷，不但充分利用了遗传算法较强的全局搜索能力和蚁群算法较高的求解精度的优势，同时避免了遗传算法局部求解能力不足、容易早熟和退化，对系统中反馈利用不够的问题，也客服了蚁群算法搜索初期信息素匮乏的缺点。

另外，根据本发明上述实施例的遗传和蚁群混合算法在组卷中的应用方法还可以具有以下附加的技术特征：

进一步地，在本发明的一个实施例中，所述遗传算法的步骤包括：采用实数编码、分段交叉、有条件生成初始种群；选择交叉后增加适应度检查。

进一步地，在本发明的一个实施例中，所述生成初始种群包括：根据总题数、题型比例、总分产生试卷初始种群，并且采用分组实数编码。

进一步地，在本发明的一个实施例中，计算适应度的适应度函数为：

f＝1-(1-M/N)*f1-|EP-P|*f2，

其中，f1为知识点分布的权重，f2为难度系数所占权重，EP为用户的期望难度系数，P为试卷难度系数，N为试卷所含的题目数，M为一个个体中所有题目知识点的并集中包含个数。

进一步地，在本发明的一个实施例中，所述蚁群算法的步骤包括：根据所述初步最优解生成初始信息素，将m只蚂蚁放置于n个节点；采用轮盘赌算法计算每只蚂蚁移动到下个节点的概率，并根据选择概率移动蚂蚁到下个节点；当所述m只蚂蚁遍历所述n个节点后，最优圈进行信息素增加，且所有路径信息素更新；输出所述最终最优解。

为达到上述目的，本发明另一方面实施例提出了一种传和蚁群混合算法在组卷中的应用装置，包括：第一组卷模块，用于利用遗传算法进行组卷以形成初步最优解；转化模块，用于将所述初步最优解转化为蚁群算法的初始信息素参数；第二组卷模块，用于利用所述蚁群算法进行组卷；判断模块，用于判断是否达到预设组卷条件；输出模块，用于在达到所述预设组卷条件时，由所述蚁群算法得到最终最优解，输出试卷。

本发明实施例的遗传和蚁群混合算法在组卷中的应用装置，通过利用遗传算法对试题库进行初步的全局较优解进行搜索，并且将得到的全局较优解信息转换为蚁群算法的信息素描述，最后利用蚁群算法实现快速精确收敛，实现组卷，不但充分利用了遗传算法较强的全局搜索能力和蚁群算法较高的求解精度的优势，同时避免了遗传算法局部求解能力不足、容易早熟和退化，对系统中反馈利用不够的问题，也客服了蚁群算法搜索初期信息素匮乏的缺点。

另外，根据本发明上述实施例的遗传和蚁群混合算法在组卷中的应用装置还可以具有以下附加的技术特征：

进一步地，在本发明的一个实施例中，所述遗传算法的步骤包括：采用实数编码、分段交叉、有条件生成初始种群；选择交叉后增加适应度检查。

进一步地，在本发明的一个实施例中，所述生成初始种群包括：根据总题数、题型比例、总分产生试卷初始种群，并且采用分组实数编码。

进一步地，在本发明的一个实施例中，计算适应度的适应度函数为：

f＝1-(1-M/N)*f1-|EP-P|*f2，

其中，f1为知识点分布的权重，f2为难度系数所占权重，EP为用户的期望难度系数，P为试卷难度系数，N为试卷所含的题目数，M为一个个体中所有题目知识点的并集中包含个数。

进一步地，在本发明的一个实施例中，所述蚁群算法的步骤包括：根据所述初步最优解生成初始信息素，将m只蚂蚁放置于n个节点；采用轮盘赌算法计算每只蚂蚁移动到下个节点的概率，并根据选择概率移动蚂蚁到下个节点；当所述m只蚂蚁遍历所述n个节点后，最优圈进行信息素增加，且所有路径信息素更新；输出所述最终最优解。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为根据本发明一个实施例的遗传和蚁群混合算法在组卷中的应用方法的流程图；

图2为根据本发明一个实施例的遗传和蚁群混合算法在组卷中的应用装置的结构示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

下面参照附图描述根据本发明实施例提出的遗传和蚁群混合算法在组卷中的应用方法及装置，首先将参照附图描述根据本发明实施例提出的遗传和蚁群混合算法在组卷中的应用方法。

图1是本发明一个实施例的遗传和蚁群混合算法在组卷中的应用方法的流程图。

如图1所示，该遗传和蚁群混合算法在组卷中的应用方法包括以下步骤：

在步骤S101中，利用遗传算法进行组卷以形成初步最优解。

其中，在本发明的一个实施例中，遗传算法的步骤包括：采用实数编码、分段交叉、有条件生成初始种群；选择交叉后增加适应度检查。

进一步地，在本发明的一个实施例中，生成初始种群包括：根据总题数、题型比例、总分产生试卷初始种群，并且采用分组实数编码。

进一步地，在本发明的一个实施例中，计算适应度的适应度函数为：

f＝1-(1-M/N)*f1-|EP-P|*f2，

其中，f1为知识点分布的权重，f2为难度系数所占权重，EP为用户的期望难度系数，P为试卷难度系数，N为试卷所含的题目数，M为一个个体中所有题目知识点的并集中包含个数，即一个个体中所有题目知识点的并集中包含M个。

可以理解的是，传统的遗传算法存在搜索后期效率低和易形成末成熟收敛的情况。在本发明的实施例中，根据具体情况和需求分析要求，对遗传算法进了稍微改进，表现为采用实数编码、分段交叉、有条件生成初始种群，选择交叉后增加适应度检查。

(1)产生初始种群。试卷初始种群不是采用完全随机的方法产生，而是根据总题数、题型比例、总分等要求随机产生，使得初始种群一开始就满足了题数、总分等要求。这样加快遗传算法的收敛并减少迭代次数。采用分组实数编码，可以克服以往采用二进制编码搜索空间过大和编码长度过长的缺点，同时取消了个体的解码时间，提高了求解速度。

(2)计算适应度。试卷难度系数公式：P＝∑Di×Si/∑Si；其中i＝1，2，....N，N是试卷所含的题目数，Di，Si分别是第i题的难度系数和分数。知识点分布用一个个体知识点的覆盖率来衡量，用户的期望难度系数EP与试卷难度系数P之差越小越好，知识点覆盖率越大越好，因此适应度函数如下：

f＝1-(1-M/N)*f1-|EP-P|*f2，

其中，f1为知识点分布的权重，f2为难度系数所占权重。当f1＝0时退化为只限制试题难度系数，当f2＝0时退化为只限制知识点分布。

(3)选择算子。通过选择，将使适应度高的个体有较大的生存机会。本系统采用轮盘赌方法，它是目前遗传算法中最常用也是最经典的选择方法。

(4)交叉算子。采用分段单点交叉(按题型分段来进行交叉)。

(5)变异算子。不分段进行变异，而是只对某段上的某个基因进行变异。

在步骤S102中，将初步最优解转化为蚁群算法的初始信息素参数。

在步骤S103中，利用蚁群算法进行组卷。

在步骤S104中，判断是否达到预设组卷条件。

在步骤S105中，如果是，则由蚁群算法得到最终最优解，输出试卷。

其中，在本发明的一个实施例中，蚁群算法的步骤包括：根据初步最优解生成初始信息素，将m只蚂蚁放置于n个节点；采用轮盘赌算法计算每只蚂蚁移动到下个节点的概率，并根据选择概率移动蚂蚁到下个节点；当m只蚂蚁遍历n个节点后，最优圈进行信息素增加，且所有路径信息素更新；输出最终最优解。

可以理解的是，在本发明的实施例中，蚁群算法步骤：

(1)初始信息素的初始化。根据优化解生成初始信息素，将m只蚂蚁放置于n个节点。

(2)状态转移概率。采用轮盘赌算法，计算每只蚂蚁移动到下个节点的概率，根据选择概率移动蚂蚁到下个节点。

(3)信息素更新。当m只蚂蚁遍历n个节点后，最优圈进行信息素增加，所有路径信息素更新。

(4)输出最优解。

根据本发明实施例提出的遗传和蚁群混合算法在组卷中的应用方法，通过利用遗传算法对试题库进行初步的全局较优解进行搜索，并且将得到的全局较优解信息转换为蚁群算法的信息素描述，最后利用蚁群算法实现快速精确收敛，实现组卷，不但充分利用了遗传算法较强的全局搜索能力和蚁群算法较高的求解精度的优势，同时避免了遗传算法局部求解能力不足、容易早熟和退化，对系统中反馈利用不够的问题，也客服了蚁群算法搜索初期信息素匮乏的缺点。

其次参照附图描述根据本发明实施例提出的遗传和蚁群混合算法在组卷中的应用装置。

图2是本发明一个实施例的遗传和蚁群混合算法在组卷中的应用装置的结构示意图。

如图2所示，该遗传和蚁群混合算法在组卷中的应用装置10包括：第一组卷模块100、转化模块200、第二组卷模块300、判断模块400和输出模块500。

其中，第一组卷模块100用于利用遗传算法进行组卷以形成初步最优解。转化模块200用于将初步最优解转化为蚁群算法的初始信息素参数。第二组卷模块300用于利用蚁群算法进行组卷。判断模块400用于判断是否达到预设组卷条件。输出模块500用于在达到预设组卷条件时，由蚁群算法得到最终最优解，输出试卷。本发明实施例的装置10可以将遗传算法和蚁群算法相结合，从而可以快速准确地进行组卷。

进一步地，在本发明的一个实施例中，遗传算法的步骤包括：采用实数编码、分段交叉、有条件生成初始种群；选择交叉后增加适应度检查。

进一步地，在本发明的一个实施例中，生成初始种群包括：根据总题数、题型比例、总分产生试卷初始种群，并且采用分组实数编码。

进一步地，在本发明的一个实施例中，计算适应度的适应度函数为：

f＝1-(1-M/N)*f1-|EP-P|*f2，

其中，f1为知识点分布的权重，f2为难度系数所占权重，EP为用户的期望难度系数，P为试卷难度系数，N为试卷所含的题目数，M为一个个体中所有题目知识点的并集中包含个数。

进一步地，在本发明的一个实施例中，蚁群算法的步骤包括：根据初步最优解生成初始信息素，将m只蚂蚁放置于n个节点；采用轮盘赌算法计算每只蚂蚁移动到下个节点的概率，并根据选择概率移动蚂蚁到下个节点；当m只蚂蚁遍历n个节点后，最优圈进行信息素增加，且所有路径信息素更新；输出最终最优解。

需要说明的是，前述对遗传和蚁群混合算法在组卷中的应用方法实施例的解释说明也适用于该实施例的遗传和蚁群混合算法在组卷中的应用装置，此处不再赘述。

根据本发明实施例提出的遗传和蚁群混合算法在组卷中的应用装置，通过利用遗传算法对试题库进行初步的全局较优解进行搜索，并且将得到的全局较优解信息转换为蚁群算法的信息素描述，最后利用蚁群算法实现快速精确收敛，实现组卷，不但充分利用了遗传算法较强的全局搜索能力和蚁群算法较高的求解精度的优势，同时避免了遗传算法局部求解能力不足、容易早熟和退化，对系统中反馈利用不够的问题，也客服了蚁群算法搜索初期信息素匮乏的缺点。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种遗传和蚁群混合算法在组卷中的应用方法，其特征在于，包括以下步骤：

利用遗传算法进行组卷以形成初步最优解；

将所述初步最优解转化为蚁群算法的初始信息素参数；

利用所述蚁群算法进行组卷；

判断是否达到预设组卷条件；以及

如果是，则由所述蚁群算法得到最终最优解，输出试卷。

2.根据权利要求1所述的遗传和蚁群混合算法在组卷中的应用方法，其特征在于，所述遗传算法的步骤包括：

采用实数编码、分段交叉、有条件生成初始种群；

选择交叉后增加适应度检查。

3.根据权利要求2所述的遗传和蚁群混合算法在组卷中的应用方法，其特征在于，所述生成初始种群包括：

根据总题数、题型比例、总分产生试卷初始种群，并且采用分组实数编码。

4.根据权利要求2所述的遗传和蚁群混合算法在组卷中的应用方法，其特征在于，计算适应度的适应度函数为：

f＝1-(1-M/N)*f1-|EP-P|*f2，

其中，f1为知识点分布的权重，f2为难度系数所占权重，EP为用户的期望难度系数，P为试卷难度系数，N为试卷所含的题目数，M为一个个体中所有题目知识点的并集中包含个数。

5.根据权利要求1-4任一项所述的遗传和蚁群混合算法在组卷中的应用方法，其特征在于，所述蚁群算法的步骤包括：

根据所述初步最优解生成初始信息素，将m只蚂蚁放置于n个节点；

采用轮盘赌算法计算每只蚂蚁移动到下个节点的概率，并根据选择概率移动蚂蚁到下个节点；

当所述m只蚂蚁遍历所述n个节点后，最优圈进行信息素增加，且所有路径信息素更新；

输出所述最终最优解。

6.一种遗传和蚁群混合算法在组卷中的应用装置，其特征在于，包括：

第一组卷模块，用于利用遗传算法进行组卷以形成初步最优解；

转化模块，用于将所述初步最优解转化为蚁群算法的初始信息素参数；

第二组卷模块，用于利用所述蚁群算法进行组卷；

判断模块，用于判断是否达到预设组卷条件；以及

输出模块，用于在达到所述预设组卷条件时，由所述蚁群算法得到最终最优解，输出试卷。

7.根据权利要求6所述的遗传和蚁群混合算法在组卷中的应用装置，其特征在于，所述遗传算法的步骤包括：

采用实数编码、分段交叉、有条件生成初始种群；

选择交叉后增加适应度检查。

8.根据权利要求7所述的遗传和蚁群混合算法在组卷中的应用装置，其特征在于，所述生成初始种群包括：

根据总题数、题型比例、总分产生试卷初始种群，并且采用分组实数编码。

9.根据权利要求7所述的遗传和蚁群混合算法在组卷中的应用装置，其特征在于，计算适应度的适应度函数为：

f＝1-(1-M/N)*f1-|EP-P|*f2，

其中，f1为知识点分布的权重，f2为难度系数所占权重，EP为用户的期望难度系数，P为试卷难度系数，N为试卷所含的题目数，M为一个个体中所有题目知识点的并集中包含个数。

10.根据权利要求6-9任一项所述的遗传和蚁群混合算法在组卷中的应用装置，其特征在于，所述蚁群算法的步骤包括：

根据所述初步最优解生成初始信息素，将m只蚂蚁放置于n个节点；

采用轮盘赌算法计算每只蚂蚁移动到下个节点的概率，并根据选择概率移动蚂蚁到下个节点；

当所述m只蚂蚁遍历所述n个节点后，最优圈进行信息素增加，且所有路径信息素更新；

输出所述最终最优解。