基本遗传算法的缺陷分析：设一套题共需5种题型，共20道题目。设每道题在题库中有100道侯选题目。那么总共的组卷空间大小大约是10020 ，假设遗传算法的种群大小为1000，叠代1000次，那么最多搜索个体数量为1003 ，可见传统遗传算法的整个搜索空间相对组卷空间的大小来说，是一个非常小的区域。所以传统遗传算法搜索后期效率低并极易出现末成熟收敛的情况。
1．渐进式的遗传算法的具体步骤
（1） 先将试题按各属性粗略分类，例如将难度按0.2的间隔分为5个等级，处于同一个等级内的试题，可以看作是难度大致相同。将区分度分为5个等级。试题按这两种属性只有5*5=25种不同类型的题。同理也可将其他属性加入。通过这样一个粗略的分类，将很大程度的降低试题的类型数。
（2） 根据实际的试题库，算出每个类的参数指标。其中包括类中的试题数目N，类中试题各属性的平均值，类中试题各属性的方差。
（3） 用类中试题各属性的平均值代表类所对应的试题属性，组卷首先在类上进行。根据类组出的试卷，本文称作组卷模式。
（4） 对于每种组卷模式，计算它的总目标函数值记为f（X），并引入罚函数g（X），表示它的模式优劣性（例如：统计一套组卷模式中属于每个类的试题数目，若它大于步骤2中统计出来的类的试题数目N，那么此模式不可行。若某个类中试题数目很多，则可以多选用此类中的试题，因为它在细化的时候有更多的选择）。根据这两个函数值计算出组卷模式的适应度，并使用遗传算法来得到较优的组卷模式。
（5） 在每个组卷模式基础上，将每个类进一步划分成更细的类，用遗传算法得到更细致的组卷模式。
（6）将组卷模式中每一个类换成类中具体的试题，用遗传算法得到最终组卷方案。
2．渐进式遗传算法应用于智能组卷系统的优点
（1）如果想组出一套难度适中的试卷，那么由大部分试题属于难度非常大（或非常小）的类的组卷模式将不会采用，这样可以去掉许多无用的搜索空间，从而节约时间。
（2）由属性相近的题互换而产生的不同组卷方案在模式中都算作一种，因此每种模式都是合并了大量相似方案后的一个等价类代表，这样就减少了搜索的范围。
（3）不同组卷模式下的组卷方案相对独立，这样即可以保证遗传算法中种群的多样性，又可以避免由于模式交叉而产生的无用组卷方案。
