基于动态多目标评价函数的试卷自动生成策略

理想的计算机自动组卷系统不是简单的从试题库中随机抽题过程，而是一个复杂的多目标问题。本文就试题库的组卷策略问题，提出了以多目标动态评价函数作为评价选择试题的基础，按组卷控制指标，从试题库中抽取一组试题构成试卷，使试卷的各项指标与组卷控制指标达到较佳一致。本文具体给出题型、内容、时间及难度的4个动态评价函数和基于这4个评价函数的试卷自动生成算法以及实验测试数据。     

多目标出卷系统及其核心算法的研究与设计

主要研究了多目标出卷系统及其核心-选题算法和赋分算法的设计和实现.采用多目标规划理论对组卷算法建立数学模型,依据多目标规划求解思想,并结合出卷系统的商业化需求,设计可以平衡组卷质量和组卷速度的组卷算法.对选题算法进行了选题策略和模块功能的设计.通过建模设计了试题的动态赋分算法,根据公平分配原则对试题分数作合理分配,使试题分数组合与考试目标一致.通过综合分析,建立了"难度-时间"的对应关系,生成出卷模型.最后,通过测试验证了算法在不同要求下都能得到较为满意的效果,使得整个系统在出卷难度、分值分配、时间分配和题型数量上都能合理分布.     

基于改进粒子群算法的多目标智能组卷研究

组卷问题是一个多约束多目标组合优化问题。建立了一种新的组卷数学模型,提出了一种改进粒子群算法（IPSO）的智能组卷算法。在组卷之前,先采用贪婪算法进行预处理,有效提高了算法的收敛速度。在进化过程中引入保优策略,避免适应值高的粒子被淘汰。采用自适应交叉和变异算子进行调整,避免了局部收敛现象。实验结果表明,改进的粒子群算法应用在多目标智能组卷中具有较好的组卷性能。     

3PLM下计算机自适应选题策略比较

研究了计算机化自适应测验中的5种选题策略,实验用蒙特卡洛方法模拟数据,结果表明,在测验中期的部分数据中有所差异,但不是特别明显。5种策略在实验比较的4个指标中,除了指标x2和指标TOR表现有点差异,其余表现均相近。因此从选题效率上建议采用c分层法,从选题策略的可行性和便捷性上建议采用a分层法。     

空军军事职业教育考试系统智能组卷方法研究

针对空军军事职业教育考试课程与人员层次复杂、地域环境复杂、组织实施不能影响作战训练等特点,采用基于多目标、多课程的大规模机考系统的智能组卷策略,提出了分层降维和分级优化的智能组卷方法,该方法在抽题组库阶段将试题曝光度控制、数据及文件加密、题库按需分发融为一体,分摊了考场考试处理的数据量;在抽题组卷阶段,采取基于负载均衡策略的考试客户端实时组卷算法,运用背包问题求解算法,通过划分组卷约束条件的级别来优化组卷算法,降低了随机启发式搜索算法的维度.实践证明,该组卷方法提高了所有类型的题库组卷成功率以及考场考试实时组卷的质量.     

多角色多策略多目标粒子群优化算法

针对粒子群算法在解决复杂多目标问题时存在过早收敛和多样性不足的问题,提出多角色多策略多目标粒子群优化算法(MOPSO_RS). 该算法根据粒子的角色划分指标,给不同性能的粒子赋予不同角色;提出多策略的学习参数调整方法和多策略的全局最优粒子选取方法,帮助种群执行各种搜索策略. 不同的学习参数使各角色粒子获得不同的搜索策略,以调整粒子的探索和开发能力. 不同的全局最优粒子使各角色粒子搜索不同区域,提高种群的搜索效率. 为了避免算法陷入局部最优,引入带有高斯函数的变异算子,使粒子根据其角色朝向不同的全局最优粒子变异,提高算法的求解精度. 实验结果表明,对比其他改进多目标算法,MOPSO_RS具有良好的收敛性和多样性,并验证了所提策略的有效性.     

自适应形式的计算机等级考试的选题策略研究

采用自适应形式的计算机等级考试．考试的效率更高,考试结果更公平,更能发挥讣算机等级考试对考牛计算机能力水平测试的功能。要成功地实现自适应形式的计算机等级考试,恰当的选题策略是必需的。对自通应形式的计算机等级考试采用不同的选题策略进行了研究。研究结果表明,相对其它几种选题策略（最大信息量选题策略和随机选题策略）,采用h分区a分层的多阶段选题策略,测验的表现更好,可以很好的控制测验长度,测验的精度也很好,有更高的测验效率,测验的综合表现也最优。     

关于CAT选题策略研究

传统CAT选题策略是将被试者的估计值作为真实值去选题目,使用的都是间接指标,旨在寻找最有可能的解。其缺点是计算方法复杂,误差最大值不易控制。针对传统CAT选题策略的特殊性:不离散,被估能力值不能直接求解,稳定性差,提出一种将能力值线性离散化,并使用"最大期望判准率"的方法来计算每次被试者的估计能力,旨在降低计算的难度,提高测验的精度及其稳定性。实验结果表明,该方法具有良好的性能。     

基于遗传算法的自动组卷策略与实现

结合遗传算法的原理和思想,对考试自动组卷的问题进行了研究,建立了实现抽题的数学模型,通过实例分析,获得了与考试试题控制属性指标符合的试题模型的解决方法。     

基于随机算法的组卷策略设计

本文以在线考试系统组卷为研究背景,设计了组卷模块架构,在随机组卷算法中引入了题量、题型、知识点、难度和时间等约束条件,采用高分优先、难度限制、时间限制和随机抽取等原则选择试题,组成较为精确的试卷,为在线考试系统的组卷提供了新的方法和思路。     

通用组卷系统的研制与开发

本系统实用于高等院校、中专及中小学等学校，是一套通用试题组卷系统。可以应用于数学、物理、电子、中文、化学、制图、计算机、英语等各种科目，能够解决带有复杂图形、图象及公式的试题录入和管理，组卷过程自动化水平高，试题难度、章节、侧重搭配合理，可直接生长成office Word格式的标准试卷。     

基于多目标约束数学模型的组卷算法研究

针对计算机辅助测试中试卷生成问题的约束指标,详细设计了试题的数据结构,在解决试卷难度、曝光度和章分数约束的基础上,建立了组卷问题的多目标约束数学模型.以此数学模型作为适应度评价函数,利用遗传算法进行组卷.在组卷过程中,完成了编码方案和遗传算子的优化设计.     

网络考试系统智能组卷模块设计与应用

作为计算机网络考试系统核心程序之一的智能组卷模块,其设计的科学性对网络考试系统运行效果有较大影响。通过对智能组卷模块采用预设抽题单、应用随机函数、题目随机排序进行模块设计,从而实现网络考试系统的智能组卷功能。该智能组卷方法应用于昆明冶专2013年秋季26个班级的“思想政治”理论课教考分离网络考试,通过实际应用对自动生成的20份考试试卷进行分析,组卷模块产生的考试库其题目知识点覆盖面、题型分布、题目难易程度完全按照抽题单设定抽取题目,特别在试题题目独立性即题目不重复性方面,效果较好。     

多目标组播路由的免疫优化算法研究

分析了当前带约束的单目标优化路由模型的局限性,构建了一个基于多目标优化的组播路由模型,在此基础之上提出了一个能够同时优化带宽、时延、代价等QoS参数的基于免疫原理的多目标组播路由算法,并对算法的收敛性和时间复杂度进行了分析.算法使用克隆选择作为主要的免疫算子,利用Pareto占优的思想进行抗体亲和度的定义,引入基因库的概念加快算法的收敛,通过局部竞争选择策略保证种群的多样性.仿真结果表明,该算法能够快速收敛于一组协调各QoS参数的Pareto最优解,是解决多目标组播路由问题、提高网络性能的有效途径.     

模糊多目标马尔可夫决策

首先将模糊概念引入多目标马尔可夫决策规划,给出了一种具有模糊报酬函数的多目标马尔可夫决策规划的定义,通过讨论,基本解决了求解这种规划之最优策略的方法问题和这种规划最优解的决策判别问题。     

多机器人运动目标搜索策略研究

针对未知环境下多机器人合作搜索运动目标的问题,引入了搜索期望值和搜索增益两个概念,在此基础上提出了局部最大搜索、全局最大搜索、分区局部最大搜索以及分区全局最大搜索4种启发式搜索策略．仿真结果表明,以平均捕获时间作为评价标准,提出的几种搜索策略均明显优于随机搜索策略．     

网上考试系统中组卷策略的实现

在网上考试系统中,组卷策略的好坏在很大程度上影响着组卷的效率.对常用的组卷策略进行分析,在此基础上提出了对组卷采用改进的遗传算法.采用实数编码方案,对各种遗传算子也进行了改进,有效地提高了遗传算法的执行效率.     

基于WEB模式综合考试辅助平台设计与研究

针对传统考试中各环节的人为因素的影响,利用组卷算法设计一套具有题库管理、组卷方案设置、考试管理、考试设计、组卷等功能的在线考试系统。通过创建组卷策略,由组卷算法根据组卷策略进行自动组卷,由考试管理模块实现在线考试的组织与控制,然后由系统进行自动阅卷、成绩统计分析与处理。最终结果表明,该系统可使考试结果更加客观与公平,并可替代教师完成组卷、评卷、成绩分析等重复性工作。     

基于Agent的网络通用考试系统的研究与实现

针对职业院校学生的认知特点,分析了职业院校学生的评价体系,建立了以学生认知能力分析Agent,智能组卷Agent和智能考试Agent为核心的系统模型,并详细阐述了各Agent的内部结构和功能,提出基于学生知识点掌握程度值的智能组卷算法,并最终实现了基于B/S模式的智能化网络通用考试平台.     

结合分解技术的多目标引力搜索算法

针对基于分解的多目标遗传算法在解决多目标问题时无法有效解决前沿面非均匀、不连续的问题,提出一种基于分解技术的多子群串行搜索的多目标引力搜索算法(MOGSA/D).为充分利用算法优化分解出的目标函数所得到的进化信息、提高收敛速度,采取多种群串行的搜索方式;针对理想前沿面为非超平面的情况,提出一种预测理想前沿面形状的方法,并针对预测结果选择适合的权重系数生成方式;为提高解集的整体质量,提出一种基于目标权值的策略删减种群.通过标准测试函数的实验验证,所提算法与其他多目标进化算法相比在解集的收敛性以及分布性上均有较大提高,验证了算法的有效性.