随着计算机辅助教学和人工智能的发展，大型题库系统中，能决定组卷的质量和效率的组卷算法逐渐被众多专家所关注。就目前国内外研究现状，在智能组卷上许多都是采用具有很大不确定性的随机组卷算法，而组卷仍是一个在一定约束条件下的多目标参数优化问题，采用随机组卷方法很难达到用户期望值。目前人们主要关注的是遗传算法的早熟、以及收敛性问题，并通过对编码方式、控制参数的确定和交叉机理等进行深入研究来解决问题。本文在借鉴已有成果的基础上，结合目前的组卷算法研究方向，针对组卷结构质量和组卷速度等问题，研究了遗传算法在组卷领域的智能组卷中的实际应用。主要内容如下： ⑴首先从智能组卷的理论入手，结合教学实际问题，对组卷问题进行深入分析，比较多种不同组卷策略，得出建立基于经典测量理论的多目标函数数学模型。 ⑵针对遗传算法的早熟和收敛问题进行描述和成因分析，在传统的遗传算法和一般的自适应算法基础上，结合组卷实际问题，重点关注种群多样性少而导致的局部收敛问题，以及收敛速度问题。采用实数编码方式，在基因的选择上采用确定性最优选择策略，通过算术交叉后再进行均匀变异策略。并利用遗传算法是符合文化算法框架要求的进化算法这一特性，将其作为文化算法的种群空间，并将两者的有机结合应用于智能题库中的组卷策略研究，通过信念空间更高效的指引种群的进化，大大加快收敛速度，提高组卷质量。实验结果表明改进遗传算法具有较好的全局搜索性能，收敛速度也得到明显改善。 ⑶将智能组卷和遗传算法相结合，通过设置用户基本参数和遗传算子操作概率，使用基于改进的遗传算法进行智能组卷仿真实验，实验数据表明，基于改进的遗传算法进行智能组卷，组卷结构合理，组卷效率好。