在题库题目数量增多时，抽题组卷可能会导致速度下降，所以使用自适应遗传算法

当题库中题目数量增多保证抽题速度：

–遗传算法是根据自然法则从群体中选择适应性更大的个体，从而得到最优解，具有自组织、自适应和自学习等智能特征。


–出题时可以考虑难度覆盖度、难度、题目的曝光度不断地调整从题库中抽取的题目。使得每道题目出现的次数、抽取的题目难度更加稳定

(1)初始化群体:随机产生一组介于最小题号和最大鹰 号之间的题号作为染色体，将所有的染色体不经编码直接联 系在一起，构成一个个体。

 (2)确定适应函数:将试题的难度系数与该题型的期望

（3）根据相对适应度，使用标准转盘式选择策略从当代中选取两个个体

（4）按概率对选出的两个父体进行杂交操作

（5）利用自适应概率对两个child进行变异操作

/**
     * 遗传算法进行组卷
     *
     * @return
     */
    @SuppressWarnings("unchecked")
    public List<QuestionDTO> autoPaper(int question_category,int level) throws Exception {
//        HttpServletRequest request = ServletActionContext.getRequest();
        Logger logger = Logger.getRootLogger();

        long start = System.currentTimeMillis();

        int userType = 10;// 用户选择的category 每次出10道题

        // 生成存放相应题型的List，存放从数据库中选择的数据
        //List<QuestionDTO> typeName = questionDao.selectQuestion_category(question_category);// typeName 中存从数据库中取出的category的所有试题
        List<QuestionDTO> typeName;
        if (question_category==1)
            typeName = questionDao.selectQuestion_life();
        else if (question_category==2)
            typeName = questionDao.selectQuestion_literature();
        else
            typeName = questionDao.selectQuestion_video();
        // 计算被选中的category共有多少道题(数据库中的)
        int questionCount = typeName.size();//数据库category对应的试题总数。

        //int level = Integer.parseInt(difficulty);
        int popNum = Data.POP_NUM;// 初始种群数
        Individual[] population = new Individual[popNum]; // 存入染色体
        double maxFitness = 0;
        for (int i = 0; i < popNum; i++) {// 初始化染色体组
            // 生成一个染色体；
            Individual ind = new Individual(typeName, questionCount, userType, level);
            population[i] = ind;
            if (maxFitness < ind.getFitness()) {
                maxFitness = ind.getFitness();
            }
        }

        // 计算相对适应度Pi
        // logger.info("maxFitness" + maxFitness + "-----++++++++++++----");
        Utility.calcPi(popNum, population, maxFitness);

        // 通过选择算子，选择出两个染色体进行交叉
        int finalPopNum = Data.FINAL_POP_NUM;
        Individual[] finalPopulation = new Individual[finalPopNum]; // 存放被选择出的染色体
        for (int i = 0; i < finalPopNum; i++) {
            finalPopulation[i] = Utility.selection(population);// 可能会有一样的染色体
        }

        int tt = 0;// 控制循环总次数
        double minFit = 20.0;
        Individual bestInd = new Individual();
        do {
            // 交叉操作
            Utility.crossover(finalPopulation);
            // 变异操作
            //	Utility.mutation(finalPopulation, questionCount, userType);

            // 调整被初始化的染色体，并计算Fitness
            for (int i = 0; i < finalPopNum; i++) {
                Individual ind = finalPopulation[i];
                ind.resetIndiWithChro(typeName, questionCount, userType,level);
                double tmpFit = ind.getFitness();

                if (tmpFit < minFit) {
                    minFit = tmpFit;
                    bestInd = (Individual)finalPopulation[i].deepClone();
                    System.out.println("这个执行了。。。。。。。。。。。。。");
                    logger.info("最优解：-----------："
                            + bestInd.calcualateFitness(level));
                    logger.info("和最优解得一样------------："
                            + finalPopulation[i].calcualateFitness(level));
                }
            }
            logger.info("aaaaaaaaaaaaaaaaaaaaa\n"
                    + bestInd.calcualateFitness(level));
            logger.info(tt + "$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$");
            tt++;
        } while (tt != 200);
        logger.info("以下是最优解：");
        bestInd.resetIndiWithChro(typeName, questionCount, userType,level);
        double f = bestInd.calcualateFitness(level);
        logger.info("fintess:" + f);
        logger.info("minFit:" + minFit + "$$");

        //把最优解持久化
        List<QuestionDTO> qList = bestInd.getList();//最终出的题


        long end = System.currentTimeMillis();


        return qList;
    }

}