文献笔记(二)

一、基本信息

标题无纸化考试系统自动组卷策略分析及改进

时间:2008

出版源:第二炮兵工程学院四系

领域分类:计算机应用

二、研究背景

问题定义:组卷策略;考试系统;遗传算法

难点遗传算法的智能组卷策略

相关工作: 介绍了自动组卷的数学模型和几种常用的自动组卷策略,探讨了基于传统遗传算法的智能组卷策略,并在此基础上,重点研究了改进的型遗传算法组卷策略。

三、研究内容

1  试卷约束条件及其数学模型

(1)试题唯一性约束

(2)试题的总分约束 

(3)试卷考试时间约束 

(4)试题题型分布约束

(5)试题难度分布约束

(6)知识点分布约束

(7)区分度约束

常用的自动组卷策略

 (1)随机法组卷策略

(2)搜索法组卷策略

(3)优先权组卷策略

(4)智能组卷策略

基于遗传算法的智能组卷策略 

编码方法

初始化群体

适应度函数

选择算子

交换算子

 变异算子

(3.1) 改进的遗传算法组卷策略

(1)改进的编码方式

传统的编码方式采用 01编码, 试题编码的长度和题库的试题数目一致, 若试题数量比较大, 则编码就会比较冗长, 容易造成控制困难 并且该试题编码中除了确定了试题的唯一性外没有反应试题本质属性的信息, 每次遗传时都必须去试题库读取本质属性再计算适应度, 造成大量时间的浪费, 重降低了组卷效率 改进的编码方式采用分片管理的原理, 将试题按照试题类型(其他属性也行)分为不同的小型试题库进行标示如选择题题库表示为 **  0001(后四位表示试题题型可以表示 16种题型), 同时将试题的其他属性也表示在编码中, 分片信息如图 所示

试题的编号                                      试题的区分度 试题难度                             试题题型                 
**************** 001                           001 0001

(2)改进的初始化群体

根据编码规则和初始化群体的选择, 将适应度函数改进如下:

          f(p) = 1  /[ 1 +kpt0 +kas∑  n′(as)i-n(as)i +

                           k  n′(pd) -n(pd)

                            pd ∑               i   i ]

该适应度函数只用考虑试题的难度和区分度约束, 而占试卷约束比重较大的试题题型约束在该函数中不起作用, 这就加快了遗传算法的收敛速度

  (3)改进的遗传算子

由于初始化群体采用了分片管理的思想, 我们让个体在同一题型组里进行单点交叉, 变异也在同一试题题型中进行, 即各种题型在各自的编码组中独立进行交叉和变异操作 同时, 交叉或变异生成的新的个体计算适应度值, 与父代相比较, 比父代高的保留, 反之舍去

四、结论

本文通过对无纸化考试系统中自动组卷的试卷约束条件及其数学模型的分析,介绍了常用的组卷策略, 针对各种策略的不足之处重点分析了基于遗传算法的智能组卷策略并对其进行改进 理论分析可知:基于改进遗传算法的组卷策略能够高效地生成科学合理的考试试卷研究的基于改进型遗传算法的组卷策略自动生成的试卷既能满足试卷的约束条件, 又能满足老师的教学重点, 兼有随机性和科学性

 

参考文献

[ 1] 应继儒, 胡立新, 龙毅, .试题库随机选数学模型的构建与实现

 

[ J] .计算机应用, 2000, 20(1):46 -47.

 

[ 2]  倪应华.基于 XML在线考试系统的研究与实现[ D] .长沙:国防

 

科学技术大学, 2005.

 

[ 3]  邵军力.张景.魏长华.人工智能基础[ M] .北京:电子工业出版

 

, 2000.

 

[ 4]  袁洪芳.杨巧宁.赵淑清.自动组题系统的开发[ C] // 电子高等教育学会 2004 年学术年会论文集.北京:电子工业出版社, 2004:63 -66.

 

[ 5] 林莉, 毛炳秋.由命题综合要求自动生成试卷的软件系统的开发

 

[ J] .计算机应用与软件, 2003, 20(3):80 -81.

 

[ 6]  陈刚.计算机上机考试系统研究[ J] .管理信息系统, 2001(7):

 

101 -200.

 

[ 7]   RALSTON M D,  COLEMAN RM,  BEAULIEUD M,  etal.pro-

 

gres towardpaperlesradiologyinthedigitalenvironment:Plan- ning, implementation, andbenefits[ J] .JournalofDigitalImaging, 2004, 17(2):134 -143.

 

[ 8]   JONGKD.Learningwithgeneticalgorithms:anoverview[ J] .Ma-

 

chineLearning, 1988, 3(2/3):121 -138.

 

[ 9] GOLDBERG DE.Geneticalgorithmsinsearch,  optimizationand machinelearning[ M] .Reading,  MA:Adison-Wesley, 1989.

 

posted @ 2018-11-12 18:38  Liunight  阅读(174)  评论(0编辑  收藏  举报