胡新源，赵当丽，李 辉，张向波，韩振兴

（1.中国科学院国家授时中心，陕西 西安 710600；2.中国科学院大学，北京 100049；3.中国人民解放军63768部队，陕西 西安 710600）

随着在线考核在现代教学方式中占比逐渐增大，实现准确、高效的智能组卷算法已成为现代教育研究的一个热点。文献[1-2]对几种智能算法应用在组卷问题上的性能做出了比较，目前解决组卷问题主要依赖遗传算法[3-4（]Genetic Algorithm，GA），但是由于组卷问题数学模型较复杂，导致基于标准遗传算法（Standard Genetic Algorithm，SGA）的组卷算法存在明显寻优能力弱、易早熟收敛陷入局部最优等GA常见问题。文献[5]根据组卷约束条件人为选取初始种群，提高初始种群的适应度。文献[6-8]提出混合遗传算法以提升算法性能，文献[9]提出一种自适应遗传算法（Adaptive Genetic Algorithm，AGA），通过自适应调整交叉变异概率提升组卷效率。但是以上优化对于遗传算法的性能提升均有限。文献[10]提出一种定向变异遗传算法（Directional Variation Genetic Algorithm，DVGA）的思想，对算法性能提升取得较好的效果。为进一步改善GA的寻优能力，该文基于以上研究基础，结合组卷模型进一步加强算法的定向寻优能力，同时降低了组卷时间，具有良好的性能。

1 智能组卷数学模型构建

组卷算法的目的在于根据给出的限制条件，从题库中自动抽选符合条件的试题组卷，其数学本质是在多维约束条件下求全局最优解问题[11],。解决此类问题需要确定一个目标函数及多个约束条件，在组卷问题中，约束条件即为题目的各项属性，因此每道试题可以通过一维向量Q=(a1,a2,a3,…,an)来描述，n表示每道试题需要被约束的属性总数。……