多约束分级寻优结合预测计算的智能组卷策略

针对智能组卷中多约束制约降低组卷成功率且难以实现知识点自动均匀分布的问题,提出一种多约束分级寻优的策略,通过分级降低问题规模,利用树形结构管理知识点实现知识点均匀分布;针对中小型题库组卷成功率低的问题,在分级寻优中针对章节约束和题型约束提出了一种基于预测计算的无回溯的智能组卷算法,提高组卷成功率。实验测试表明,算法适用于大、中、小型题库,均能得到较理想的组卷结果。     

基于知识点与错误率关联的个性化智能组卷模型

大数据环境下的个性化学习模型研究是大规模网络学习环境下的研究热点,本文针对传统的智能组卷策略存在数据训练不足、个性化特点不突出、题库试题知识点分布不均匀等问题,将大数据运用于组卷之中,提出了基于知识点权重与错误率关联的个性化训练模型,优化了抽题的法则并使得个性化特点更精确,在一定程度上有利于学生对薄弱点和盲点的深入理解与消化.本文采用将每章节题目的知识点转化为树形进行管理的方法,并在知识点树中加入知识点错误率元素,来优化基于知识点的抽题结果,研究出适合个人学习情况的个性化模拟练习策略.最后将此新研究模型应用于教学教育系统进行实验研究,研究表明对此关键点的改进更有利于普遍提升学生的整体成绩.     

改进的基于知识点均衡的智能组卷方案

针对当前在线考试基于知识点智能组卷的需求,分析了现有的基于知识点组卷方案存在的问题与不足,提出了一种改进的基于知识点均衡的智能组卷方案。首先介绍了知识树的建构方法,然后对试题库结构进行了研究与设计,进而具体论述了知识点均衡策略,最后对算法的实现作了整体阐述。     

基于知识点题型分布和分值的智能组卷算法研究

首先介绍了试题库的结构与建立,在试题库中根据知识点把所有试题进行了划分,同时说明了组卷控制参数知识库的结构,论述了由知识点的教学要求利用组卷控制参数知识推出知识点题型分布和优化调整知识点难度系数的推理机制。在此基础上．较详细地阐述了基于知识点的智能组卷算法及该算法应用于“全国注册建筑师考试系统”的智能组卷过程。     

基于知识点的试题库组卷算法

该文介绍了一种基于知识点的,采用离散型随机变量的二项分布函数构造选题算法的方法。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。     

基于知识点和改进随机抽取算法的智能组卷方案研究

组卷和试卷测评是在线测试系统的核心内容。文章提出了基于知识点和改进随机抽题算法的智能组卷方案,实现了快速组卷过程。该算法已经成功应用于实际在线测试系统中。     

基于知识点约束的遗传算法组卷策略的研究

基于遗传算法的自动组卷策略采用分段实数编码,具有自适应型的交叉和变异遗传算子,基于知识点约束的分题型的组卷算法思想,为自动组卷算法的进一步发展提供了研究方向.     

智能组卷中组卷目标的满足性检查与处理

智能组卷是教育测量标准化、规范化的重要组成部分,但不符合题库条件的组卷目标会导致组卷失败.为此,提出一种组卷目标的满足性检查与处理模型,给出满足性检查的判定准则,对分解目标的满足性检查与调整进行算法设计,并利用Transact-SQL对其实现.实验表明,模型能够提高组卷的效率和成功率.     

基于知识点的试题库组卷算法的建立

试题组卷算法的优劣直接影响到试题库的性能。本文在分析基于知识点的试题库结构的基础上,阐述以知识点、难度系数和题型为主要控制参数的组卷算法的建立与实现方法。     

在线考试系统智能组卷策略研究

表明智能组卷在考试系统中的核心地位,介绍组卷策略的基本要求,对智能组卷的策略进行了分析和研究,提出两种实现组卷策略的算法变换方式:相对评价组卷和绝对评价组卷。     

基于带权策略的蠕虫智能扩散

运用带权策略树建模方法,给出一种蠕虫智能扩散模型,描述蠕虫智能扩散的本质特征和执行过程,解决一般蠕虫不能感知目标环境及其改变,从而不能选择有效的扩散策略问题。针对该模型提出基于堆遍历的蠕虫智能扩散算法。分析和仿真实验结果表明,该模型能够灵活描述和实现较为普遍的扩散,具有较高的扩散效率。     

一种改进的遗传算法在自动组卷中的应用

分析了自动组卷问题的目标要求,建立了针对该问题的数学模型。设计了适用于该问题的遗传算法,提出了带尺度变换的选择算子和组内两点变异与组内基因交换的变异算子,并在实验中比较了不同的选择算子和变异算子的结果。实验结果表明,改进的方法在组卷问题中优于普通的遗传算法。     

用非线性分层策略生成机器人动作规划

分层策略可以求解复杂的机器人规划生成问题.本文提出一种崭新的分层规划算法,该算法将原问题分解为若干子问题,然后按各层的动作细化规则,由顶而底.直至求出机器人的本原动作序列.在每个层次上,运用非线性技术,使之对子问题的求解可交叉进行,从而消除了目标相互影响问题;在规划动作的过程中,建立了前后指针和评价函数,并提出了解决分层规划中动作的冗余和矛盾的方法,大大地提高了解题效率.该算法已应用于 NARP机器人规划生成系统,本文简介了用 Common Lisp 语言编程的特点.系统在 Sun 机上实现.     

一个求解组卷问题的遗传算法设计

组卷问题是一个多重约束目标的求解问题，为此我们设计了一个求解该问题的遗传算法，提出了独立编码和针对该编码的组内交叉算予、组内变异算子。通过给出的一个实例，表明该设计对求解组卷问题非常有效。     

基于试验点自动识别的飞行试验智能化监控技术

试验点作为飞行试验任务的最小组成单元,明确了试验机所要完成的任务及要求,是飞行效果评估的主要依据。深入分析试验机在完成不同试验点时的参数变化特征,结合领域专家人工识别的先验知识,提取影响试验点识别的关键参数及其变化规律。构建试验点识别知识库,设计试验点自动识别算法。结合飞行试验实时任务评估技术,开发基于试验点自动识别与智能评估的飞行试验实时监控系统,实现了从"智能化安全监控"到"智能化任务监控"的转变,有效提升了试验机的试飞效率。     

基于分类同步优化函数法的自动组卷策略

在研究组卷问题的基础上,对组卷策略进行分析,提出一种按题型分类、对多组卷约束条件进行同步优化的函数方法,给出配合此算法的数据库结构设计,并在ASP.NET(C#)+SQL Server架构下,分析算法的具体实现。经多次测试表明,该组卷策略能很好地实现按各题型题数及分值、知识点分布比例、不同难度分布比例的约束条件进行自动抽题,组卷简便、高效、稳定,具有一定的实用性。     

CONSTRAINT MECHANISMS IN AUTOMATED KNOWLEDGE GENERATION

Abstract

In the past decade, the use of control and diagnostic reasoning systems in different areas of government, industry, and university operations has increased. A great number of these systems find their basis in engineering, specifically in process control. The majority of the time devoted to the development of these systems is spent in the areas of Knowledge Engineering (KE) and Knowledge Acquisition (KA). Extensive research for the development of systems that perform the KE task is under way. This article presents an approach toward automatic knowledge acquisition. The objective of this research was to construct a complete knowledge base for a diagnostic and control reasoning system from information that resides in Computer Aided Design (CAD) databases. This work will decrease the amount of time spent in the manual generation of knowledge bases for diagnostic reasoning systems, ft will also enable the creation of more reliable knowledge bases since less hand coding is required.     

CHARACTERIZING KNOWLEDGE DEPTH IN INTELLIGENT SAFETY SYSTEMS

Intelligent process control may be viewed as encompassing four major tasks. An intelligent agent must monitor the target system to obtain the values of relevant stale variables in order to detect problems and to ascertain the status of the components that may be employed in responding to those problems. An intelligent agent must determine plans for managing the current situation. An intelligent agent must select a response (the “best” one) through a process of plan evaluation. Finally, to carry out the chosen response, the agent must perform plan execution. While monitoring and execution are relatively straightforward operations, plan determination and plan evaluation may be accomplished in a number of ways that vary in their relative depth of reasoning. In this paper we sketch an analysis for the reasoning underlying plan determination and evaluation tasks for a class of intelligent control systems that attempt to “provide a safety function.” This analysis has two objectives: to illustrate a domain-independent mode of analysis for examining progressively deeper models, and to make the analysis available to those interested in building systems that provide safety functions.     

RISK-CONSTRAINED OPTIMAL BIDDING STRATEGY FOR A GENERATION COMPANY USING SELF-ORGANIZING HIERARCHICAL PARTICLE SWARM OPTIMIZATION

This article proposes optimal bidding strategies for a generation company (GenCo) considering risk of profit variation by self-organizing hierarchical particle swarm optimization with time-varying acceleration coefficients (SPSO-TVAC). Based on a trade-off technique, the expected profit maximization and risk minimization are achieved. Nonconvex operating cost functions of thermal generation units and minimum up/down time constraints are cooperated to provide the optimal bid prices in a day-ahead uniform price spot market. The rivals’ bidding behavior is estimated by Monte Carlo simulation. Test results indicate that SPSO-TVAC is superior to inertia weight approach particle swarm optimization (IWAPSO) and genetic algorithm (GA) in searching the optimal bidding strategy solutions.