遗传算法是模拟生物界适者生存、自然选择等生物进化机制发展起来的一种高度并行、随机和自适应的搜索算法,是解决复杂问题的一个有效途径.通常遗传算法在设计适应函数时,只考虑个体的目标函数值信息,而未考虑个体的父代的优劣情况对个体的影响,因而有可能使某些父代个体的优良性质不能通过其子代遗传下去,从而影响算法的收敛速度及收敛率.该文提出一种能进行自适应调整的改进遗传算法IPGA,该算法的主要思想是将父代个体的优劣情况对子代个体的影响进行自适应量化,并将量化值加入个体的原始适应度函数,从而得到个体的改进适应度函数,以此来进行个体的选择.实验结果表明,与基本遗传算法(SGA)相比,IPGA收敛到全局最优解的能力更强,收敛速度明显高于基本遗传算法,在相同迭代次数控制的搜索过程中,收敛率也有较大提高.该文还介绍了我们使用IPGA建立的智能组卷系统,该系统能根据事先建立的试题库和具体的要求进行高效智能组卷,可用于考试命题、模拟练习、远程教育等.