人工智能在自动组卷建模中应用研究

关于研究组卷的可信度和效度问题,组卷方法耗时长、效率低,组卷成功率低.为了提高自动组卷成功率,提出自动组卷算法,通过建立多约束目标优化模型,用蚁群算法自动组卷方法.首先按照试卷要求建立一个多约束的数学模型,然后用蚁群算法快速和智能搜索能力对数学模型进行求解,得到最优组卷方案.仿真结果表明,相对于传统组卷算法,提高了组卷效率,组卷成功率也相应提高,很好的满足当前网络在线考试系统的实时性较高组卷效率.     

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.     

试题库系统中随机抽题算法的设计与实现

针时职业教育精品网站的特点,提出适应于网络教育的以知识点为核心的自动组卷算法.该算法把题型难度比例、题型个数作为主要控制目标,从而按知识点选题组卷,并运用适当的随机算法组卷策略优化组卷结果.实验表明,该算法依据不同的组卷策略自动生成的试卷,组卷效率、成功率和知识点覆盖率均比较理想.     

基于差分进化算法的智能组卷方法

如何从庞大试题库中自动生成符合教学和考试要求的一套试卷是目前我国利用计算机进行辅助教学的一个重要研究内容.通过分析用户对组卷的要求和试题结构特征.构建了一个智能优化组卷新模型,同时给出了求解的差分进化算法.数值试验结果表明,所给的方法在组卷效率和质量方面具有更好的性能.     

适应网络教育自动组卷算法的研究

针对网络教育开放性、自主性的特点,本文提出了适应于网络教育的以知识点为核心的自动组卷算法.在分析试题库层次结构和数据表属性设置的基础上,该算法把题型平均难度系数、题型个数作为主要控制目标,以包含题目题型作为主要条件筛选知识点,以此选择试题,而后对题目按知识点的各难度等级分类,从而按知识点选题组卷,并运用适当的组卷策略优化组卷结果.实验表明,该算法依据不同的组卷策略自动生成的试卷,组卷效率、成功率和知识点覆盖率均比较理想.     

网络考试题库自动组卷策略研究

组卷是网络考试系统的核心部分,通过组卷来决定试卷的题量、试卷的知识点分布、试卷类型及考试时间的多少。组卷系统是实现考试规范化、公平化、合理化的重要途径。因此,为了解决在网络教学平台中开发和提供功能完善的网络组卷系统这一问题,对网络考试题库自动组卷策略进行了探讨。     

基于粒子群算法的智能组卷系统研究与实现

依据企业人才培养的考核要求,对组卷环节进行研究和改善,建立起规范高效的智能组卷系统.组卷问题是一个在多约束条件共同作用下的优化问题,难以用传统的计算方法进行求解.引入粒子群优化算法,实现了问题的快速求解.实现了基于粒子群算法的组卷模型,测试结果表明,基于粒子群算法的自动组卷系统成功率高、耗时短,系统界面友好,满足用户需求,有效地提高了工作效率.     

利用遗传算法实现试题库自动组卷问题

提出并实现了利用遗传算法求解试题库组卷的数学模型,定义了组卷问题的适应度函数,讨论了运用遗传算法求解在一定约束条件下的多目标参数优化问题,通过初始化种群、选择算子、交叉算子和变异算子,等过程不断进化,最后得到最优解,实验结果表明,遗传算法相对于其它算法更能有效的解决试题库自动组卷问题,提出了实现不相邻试卷分配的补遗随机算法,为求解类似的多目标约束问题及不相邻组合问题提供一种新的方法。     

试卷生成系统的设计与实现

分析试卷生成系统的功能需求之后,利用Delphi开发了一个试卷生成系统。系统能够实现人工组卷和自动组卷,生成的试卷以及试卷答案可以直接送入目前广泛使用的字处理软件Word中。     

基于遗传算法的自动组卷系统研究与实现

自动组卷系统是在已有的题库基础上,按照考核目的,按一定算法生成一份满足一定要求的试卷管理系统。计算机如何自动选题形成一套科学合理的试卷算法是最关键的问题,本文首先比较了几种常见的自动组卷方法,然后介绍了遗传算法组卷算法,最后给出了实现方法。     

用ASP.NET实现基于知识点的Web自测系统

Web自测试系统是远程网络教育中学习者检验学习效果的有效手段.对该系统的数据模型进行了分析;阐述了该系统的自动组卷算法及考试页面生成等关键技术,并用ASP.NET实现了本系统.     

基于遗传算法的在线考试系统自动组卷策略优化

该文在对试卷结构进行分析的基础上,利用遗传算法的全局寻优和收敛速度快的特点,设计一种用于自动组卷的自适应遗传算法,建立和描述了组卷问题的染色体数目和适应度函数,实施了问题的遗传操作。采用遗传算法从题库中抽出一组最佳解或抽出一组非常接近最佳解的实体,并进行了大量组卷实验。实验结果表明,自适应遗传组卷算法可行、高效,具有较好的适用性,提高了在线考试系统自动组卷的效率。同时减轻了教师的负担,满足了教育教学的要求。     

基于遗传算法的智能自动组卷问题的研究

高效、科学、强壮的智能组卷算法是实现自动智能组卷的关键技术,也是目前CAI领域的热门研点之一。对智能自动组卷问题及各种组卷算法进行了分析,提出运用遗传算法的全局寻优对智能自动组卷问题进行研究,得到了解决适合要求的试题模型的实用算法,通过采用矩阵知识表示方法,根据实际问题设计得有效的遗传算子,直接在解上进行遗传操作,实验结果表明遗传算法相对于其他算法能取得此采用传统的二进制编码的知识表示方法更好的效果,具有较好的使用性能和实用性。     

基于整数编码和自适应遗传算法的自动组卷

给出了基于整数编码和自适应遗传算法解决自动组卷问题。该算法首先采用整数编码，用没有重串的稳态繁殖技术和自适应遗传算法对组卷进行操作，有效地解决了试题库的自动组卷问题，具有较好的性能和实用性。     

Solving 0-1 knapsack problem by greedy degree and expectation efficiency

It is well known that 0-1 knapsack problem (KP01) plays an important role in both computing theory and real life application. Due to its NP-hardness, lots of impressive research work has been performed on many variants of the problem. Inspired by region partition of items, an effective hybrid algorithm based on greedy degree and expectation efficiency (GDEE) is presented in this paper. In the proposed algorithm, initially determinate items region, candidate items region and unknown items region are generated to direct the selection of items. A greedy degree model inspired by greedy strategy is devised to select some items as initially determinate region. Dynamic expectation efficiency strategy is designed and used to select some other items as candidate region, and the remaining items are regarded as unknown region. To obtain the final items to which the best profit corresponds, static expectation efficiency strategy is proposed whilst the parallel computing method is adopted to update the objective function value. Extensive numerical investigations based on a large number of instances are conducted. The proposed GDEE algorithm is evaluated against chemical reaction optimization algorithm and modified discrete shuffled frog leaping algorithm. The comparative results show that GDEE is much more effective in solving KP01 than other algorithms and that it is a promising tool for solving combinatorial optimization problems such as resource allocation and production scheduling.     

折扣{0-1}背包问题粒子群算法的贪婪修复策略探究

群智能启发式算法求解折扣{0-1}背包问题（D{0-1}KP）时,为提升求解效率和求解质量,需采用某种修复与优化策略将非正常编码个体转换为符合解约束条件的编码个体。在引入项集价值密度概念基础上,以粒子群算法（PSO）为例,提出一组基于项集的贪婪修复与优化方法（group greedy repair and optimization algorithm,GGROA）,并进一步构造PSO-GGRDKP算法（PSO based GGROA for solving D{0-1}KP）以探究GGROA方法的可行性和性能。PSO-NGROADKP（PSO based NGROA for solving D{0-1}KP）和PSO-GRDKP（PSO based GROA for solving D{0-1}KP）是基于项贪心修复与优化方法的粒子群算法。在D{0-1}KP标准数据集的实验结果表明：与PSO-NGROADKP和PSO-GRDKP相比,PSO-GGRDKP算法的解误差率略高,但算法时间性能分别提升了13.8%、12.9%。     

0-1背包问题的预期效率和线性拟合求解

为了进一步优化0-1背包问题的解,就背包容量、物体个数、物体重量、物体价格和物体性价比之间的关系进行深入的分析研究,构建了一个基于数学理论的线性拟合模型,与预期效率相结合,给出了一个解决0-1背包问题的混合算法。给出了三组实验,测试ρ<0.7时的算例,当背包容量改变时,与萤火虫群算法相比,该算法提高了目标函数值的收敛速度,同时节省了存储空间;与单纯的预期效率算法相比,该算法能够求得最优解,而单纯的预期效率算法则不能。实验结果表明,预期效率和线性拟合混合算法具有合理性及准确性,该算法能够应用于解决实际的0-1背包问题。     

A modified artificial bee colony approach for the 0-1 knapsack problem

The 0-1 knapsack problem (KP01) is one of the classical NP-hard problems in operation research and has a number of engineering applications. In this paper, the BABC-DE (binary artificial bee colony algorithm with differential evolution), a modified artificial bee colony algorithm, is proposed to solve KP01. In BABC-DE, a new binary searching operator which comprehensively considers the memory and neighbour information is designed in the employed bee phase, and the mutation and crossover operations of differential evolution are adopted in the onlooker bee phase. In order to make the searching solution feasible, a repair operator based on greedy strategy is employed. Experimental results on different dimensional KP01s verify the efficiency of the proposed method, and it gets superior performance compared with other five metaheuristic algorithms.     

一种界面自动生成技术

笔者在使用java语言开发一套电信网管软件过程中发现网管系统中的配置管理模块涉及到大量的人机交互界面的设计，界面的设计工作量占了整个配置管理模块开发工作的70％左右，而且界面的开发工作通常都是繁杂和重复性的。为了减轻开发人员开发界面的工作量，笔者实现了一种界面自动生成技术，该技术能够快捷的开发人机交互界面，并提高了软件的可理解性和可维护性。     

基于云遗传算法实现自动组卷问题

使用遗传算法进行自动组卷容易使搜索结果陷入局部最优解,采用云遗传算法来实现自动组卷问题,根据正态云模型的随机性和倾向性,使算法在搜寻最优解的时候更具稳定性,减少算法陷入局部最优解或早熟的机会,在组卷中既可以逐步定位到最优解,又使得搜索具有全局性。