基于改进的遗传算法的智能组卷算法研究

随着人工智能技术在高校信息化过程的不断推广,智能在线考试模式已成为高校教学改革的一种新手段。目前现有的在线考试系统由于一些现实约束,还存在很多不足。文中针对现有的考试系统存在智能组卷后的试卷难度不均衡、题库试题难度系数确定不合理的现象,提出一种基于改进的遗传算法自动组卷策略。利用伯努利大数定律和机器自适应学习方式,确定题库中试题合理的难度系数。在试题的难度系数确定后,试卷的难度系数就是参入组卷的试题的平均难度系数,组卷中,只需指定试卷的平均难度系数和各类题型的数量即可。     

改进遗传算法智能组卷的研究与应用

组卷问题是一个多目标的约束优化问题,是在线考试系统的重要组成部分。通过对智能组卷建立数学模型,提出了一种基于改进遗传算法来进行智能组卷的方法,实验结果表明,改进的算法在智能组卷的运行速度方面,具有较好的实用性。     

基于改进遗传算法的智能组卷研究

组卷问题是一个多目标约束优化问题,采用集合论思想,将智能组卷的要求形式化,提出了一种基于改进遗传算法来进行智能组卷的方法.该算法针对传统智能算法组卷速度慢、成功率低的缺点,针对简单遗传算法的编码、遗传算子存在的问题进行了改进.实验结果表明,改进的算法在保证试题产生的质量前提下,提高了智能组卷的运行速度,具有较好的实用性.     

基于web的英语在线学习系统

介绍一个基于web技术的英语在线学习系统,详述了系统的设计方案及关键技术问题.首先,对系统中智能组卷算法与策略进行分析,以算法的实用性和可操作性需求指标建立一个智能组卷的数学模型,并设计一种基于改进遗传算法求解该模型的优化方法,实现通过对试卷指标的组合来随机生成符合约束要求的试卷,满足不同用户的个性化需求;其次,通过融合Ajax技术,实现系统在线测试中对考试进行时间控制,解决因B/S结构引起的“瓶颈”问题,减缓了数据流量.     

自动组卷的建模和仿真研究

研究优化自动组卷问题,自动组卷要求快速获得满足用户的组卷,是一个NP难题,传统组卷组算法存在耗时长、效率低等缺陷,组卷成功率低.为了提高组卷成功率,提出一种遗传算法的智能组卷模型.首先按照试卷难度、区分度、考试总分、考试时间和题型要求建立多目标、多约束数学模型,然后采用遗传算法对数学模型进行求解,得到最优组卷方案.仿真结果表明,相对于其它自动组卷算法,改进遗传算法提高了组卷速度和效率,组卷成功率也相应有所提高,获得组卷质量更优,有效地解决优化自动组卷方法问题.     

基于改进遗传算法的智能组卷方法

组卷问题是一个多约束多目标优化问题。建立了一种新的试卷矩阵数学模型,提出了改进的遗传算法编码方式,并通过改进初始群体的产生方法和遗传算子,有效提高了遗传算法的收敛速度,并较好地避免了局部收敛现象。实验结果表明,在试题库试题数量适中、分布合理的情况下,本算法产生的试卷能够很好满足各项组卷指标。     

在线考试系统组卷策略分析

组卷是在线考试系统建设中的重要环节。组卷是以试题为处理对象,最终形成符合用户要求的试卷。从试题库中抽取若干试题,生成一套试卷,这一过程中必须遵循一定的规则,这些规则我们称之为组卷策略。     

基于改进GAAA算法的煤矿企业在线智能考试系统

在分析煤矿企业员工实际考试需求的基础上,提出了一种煤矿企业在线智能考试系统。首先构建了针对煤矿员工职业特点的Web考试系统,优化系统功能;其次提出了对遗传算法与蚂蚁算法融合的GAAA算法的改进方案,即首先对蚁群信息素进行更新,再利用遗传算法的全面搜索和蚂蚁算法的并行分布特性搜索试题库,对煤矿考试试题库进行组卷优化;最后将改进的GAAA算法应用于在线智能考试系统,实现了煤矿企业员工随时、随地考试以及试题自动组卷功能。实际应用表明,该系统组卷速度快,试题重复率低,算法正确可行,能有效完成煤矿企业员工在线考试的实际需求,提高了煤矿企业考试效率。     

一种基于策略集的概率缩域算法对多目标随机组卷问题的解决方案

电子考试系统的组卷研究是高校教考改革中电子试卷需要考虑的综合性问题。电子组卷既要求算法具有高效性、随机性和均衡性,同时需要抽取的试题组合满足用户自定义策略性要求。本文提出一种基于策略集的概率缩域算法,首先通过对试题组和组卷过程采用随机洗牌算法,保证试题抽取的随机性;其次使用策略集对试题取值域进行提前剪枝,缩小当前目标集的取值范围,保障算法的快速返回;最后使用策略集对抽取目标集进行轮转,实现基于策略的试题调整。在一个具有100000个题目的试题库中抽取1000份试卷的测试结果表明,算法能够在极短时间内（127 s）抽取符合目标的试题量,算法效率与组卷份数呈现二次函数的变化趋势,对题库数量敏感度较小,适合较大题库的试卷抽取工作。      

基于混合智能算法的组卷策略研究

提出了基于混合智能算法的组卷策略,将神经网络、改进遗传算法的计算优势与自动组卷数学模型相结合,以用户理想试卷中的试题参数作为神经网络的训练样本,对影响组卷效果的各项指标的权重进行自学习,将得到的权重矩阵用于遗传算法的适应度函数的设计中,并对遗传算法的编码方案、遗传算子进行了改进。实验结果表明,该算法可以有效地提高智能组卷的速度以及成功率。