天才一秒记住【梧桐文学】地址：https://www.wtwx.net
因为启发式算法是顺序的选择题目，测验组卷早期有更多满足测验要求的题目，随着组卷过程的进行，题库大小逐渐缩减，测验组卷后期满足要求的题目数量也随之减少。
因此，启发式算法必须包含其他策略来平衡组卷的质量。
策略一，为每一个测验迭代选择题目来代替立即组装整个测验。
测验接收题目的顺序可能是螺旋式的、随机的，或者根据当前TIF（或其他指标）目标的误差范围决定的。
策略二，这种策略允许初始组卷的时候可以“贪婪”
，但是随后进行一个“交换”
步骤在模块之间进行题目交换来获得更小的模块间差异。
基于启发式算法的ATA可以包含多方面的非统计约束。
例如，加权离差模型（WeightedDeviationModel，WDM）和标准化加权绝对离差启发式（edAbsoluteDeviatioiWADH），可将所有的约束作为目标，并且将目标（标准化）离差的加权总和作为标准（Swanson＆Stog1993；Luecht，1998；Zheng，Wason＆g，2014）。
WDM方法，通过以下公式来实现最小化离差的加权总和：
其中，dUj是测验组卷和约束j上限之间的差异，dLj是测验组卷和约束j下限之间的差异，wj是对约束j的加权。
NWADH方法，也使用约束目标的加权离差，但是它将每一个约束的离差标准化，因此它们都在一个共同的量尺上。
用ui表示与题目i相关属性的值（如项目信息量），用T表示相应的目标。
当为测验选择第k个题目时，剩余题库中每一个待选题目T的局部标准化绝对离差计算如下：
其中Rk-1是测验已选择（k-1）个题目后题库中剩余题目的集合。
离差dt计算了待选题目对目标T的贡献和每个剩余题目对达到目标平均贡献之间的绝对差异。
et表示标准化绝对离差，其值最小的题目将被选中加入测验。
在对线性测验进行组卷的时候，满足多重约束以及算法的复杂性和灵活性之间存在一个权衡。
0-1规划算法不能确保产生一个结果，但是能够获得的结果都严格满足所有约束。
启发式算法通常可以用较少的计算强度产生一个结果，但是不确保所有的约束都可以满足。
在实践中，通常有一些非统计特性（如内容分类）与题目难度有关，这使得每一个路径都满足所有规定的约束变得更加困难（Zheng，Wason＆g，2014）。
在这种情况下，有必要放宽部分路径的某些约束条件。
启发式算法提供了这种灵活性，在约束条件不可全部满足的情况下产生较为合适的结果。
思考题：
1.CAT有哪些不足？
2.与CAT比，MST有哪些优势与不足？
3.MST设计包括哪些环节？
4.MST的路由规则有哪些？其特点如何？
5.MST自动化组卷有哪些算法？各有什么特点？
本章未完，请点击下一章继续阅读！若浏览器显示没有新章节了，请尝试点击右上角↗️或右下角↘️的菜单，退出阅读模式即可，谢谢！