智能组卷中分级带权重知识点选取策略

针对智能组卷中知识点选取难以满足均匀分布且重点突出的问题,通过建立分级的树形结构知识点管理链表,解决知识点线性管理中知识点密度过大或过小的问题,实现知识点的均匀分布。在分级结构中给出了根据二级权重计算一级权重的数学模型,知识点选取时参考权重,构建了带权重的知识点均匀分布选取算法。算法测试结果表明,所选知识点的相关度低,且各权重知识点的选取比例合理,实现了知识点选取均匀分布且重点突出。     

一种基于预测计算的无回溯智能组卷策略

针对中小型题库组卷成功率差且执行效率低的问题,提出了一种基于预测计算的无回溯智能组卷算法.该算法通过预测计算的方法,根据约束条件在访问数据库之前先计算出满足题库题量要求的试卷章节题型分配矩阵,提高组卷成功率,使得数据库访问时无回溯,并在具体选题时按照策略采用批量抽取的方案提高组卷速度.算法具有一定的通用性并为构建智能考试系统提供较高的研究参考价值.     

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.     

解决智能组卷问题的和声搜索算法研究

在计算机自动组卷问题的研究中,符合组卷需求的模型和高效优质的智能算法是计算机自动组卷的关键。为了减少选卷目标误差,优化组卷,针对现有计算机自动组卷模型在关键组卷指标上存在误差,提出了一种满足用户精确组卷需求的改进组卷问题模型。基于和声搜索算法研究并设计了一种新型智能组卷算法。以实际题库为测试算例,分别对算法的性能以及参数对算法性能的影响进行仿真实验。结果表明,与遗传算法相比,所提出的算法在组卷成功率和组卷质量方面均具有更好的性能。     

基于差分进化算法的智能组卷研究

符合实际组卷需求的组卷问题模型和高效优质的组卷算法是实现计算机自动组卷的关键.针对当前计算机自动组卷模型在重要组卷指标上存在误差的现状,提出了一种能够满足用户精确组卷需求的改进组卷问题模型.将新出现的差分进化算法应用于所提出的模型,给出了一种新型智能组卷算法.利用不同规模的真实题库,进行了算法的模拟实验.实验结果表明,与基本遗传算法相比,该算法在组卷成功率和组卷质量方面具有更好的性能.     

智能组卷及网上考试系统的研究与应用

通过对现有的网上考试系统及组卷算法的研究,提出新的网上考试系统设计方案。对现有考试系统的数据库进行改进,及对现有的多目标、多约束矩阵组卷模型通过线形转换成单一目标向量规划组卷模型。针对该模型提出一种基于混沌遗传算法的智能组卷技术,并根据该算法及组卷特征,对编码方案做相应的改进。以改进后的数据题库为测试用例,对所提算法的性能进行测试。结果表明,与遗传算法相比,所提的算法在组卷成功率、速度及质量方面均得到改善。     

题库自动组卷算法的设计与实现

各种题库管理系统中，试题的自动组卷成功率是一个关键性的问题，本文以试题库的结构设计和随机抽题组卷算法设计为基础，提出了一种提高组卷成功率的新方法。     

基于模拟退火遗传算法的自动组卷系统的研究

从题库中抽出一组满足多项要求的试题是一组合优化问题,针对该问题,比较了目前几种组卷的特点,提出把一种实数编码的模拟退火遗传算法应用在自动组卷问题中。为了对群体中每个个体进行调整并改善单一遗传算法的性能,该算法以遗传算法流程作为主体流程,在主流程中嵌入模拟退火算法,与现有遗传算法相比,该算法能较好地克服未成熟收敛现象,并且组卷的成功率和速度有明显的提高。     

基于模拟退火遗传算法的自动组卷系统研究

从题库中抽出一组满足多项要求的试题是一个组合优化问题,针对该问题,比较了目前几种组卷算法的特点,提出把一种实数编码的模拟退火遗传算法应用在自动组卷问题中.为了对群体中每个个体进行调整并改善单一遗传算法的性能,该算法以遗传算法流程作为主体流程,在主流程中嵌入模拟退火算法.与现有遗传算法相比,该算法能较好地克服未成熟收敛现象,并且组卷的成功率和速度有明显的提高.     

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.     

基于遗传算法的自测系统设计与实现

自测是学生进行自我评价与指导的重要途径,有利于培养学生的自我管理意识,提升其自主学习能力.文章设计并实现了一个基于B/S的在线自测系统.它以知识点维护与试题库管理为基础,以自动组卷为核心,提供在线测试与评分、错题本维护等功能.知识点采用分级管理方式,并允许一道题目关联多个知识点.自动组卷采用遗传算法,以知识点覆盖率、试...     

多种人工智能算法的数据库技术课程自动组卷比较

在线考试被广泛应用在远程教育上,自动化组卷是在线考试的关键技术,组卷问题即是多目标期望值的求解问题,其往往存在多个解,人工智能算法对于求解多目标函数有明显优势.采用遗传算法及蚁群算法的多目标优化求解更加高效,能更好胜任于本文数据库技术课程的自动化组卷.在讨论人工智能算法在组卷应用基础上,构建了组卷指标体系,建立多目标约束数学模型,并对多目标期望值进行优化求解.多次实验结果论证表明,人工智能算法的成功率最高,平均达到98%以上（含蚁群算法100%,遗传算法96%）,而非人工智能的算法成功率较低,随机变量法62%,回溯试探法84%.应用人工智能方法特别是遗传算法和蚁群算法,提升了自动化组卷效率,满足了实际各种组卷的需要,使其在远程教育和在线考试中有很好的应用前景.     

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。     

Constrained min–max optimization via the improved constraint-activated differential evolution with escape vectors

In system design, the best system designed under a simple experimental environment may not be suitable for application in real world if dramatic changes caused by uncertainties contained in the real world are considered. To deal with the problem caused by uncertainties, designers should try their best to get the most robust solution. The most robust solution can be obtained by constrained min–max optimization algorithms. In this paper, the scheme of generating escape vectors has been proposed to solve the problem of premature convergence of differential evolution. After applying the proposed scheme to the constrained min–max optimization algorithm, the performance of the algorithm could be greatly improved. To evaluate the performance of constrained min–max optimization algorithms, more complex test problems have also been proposed in this paper. Experimental results show that the improved constrained min–max optimization algorithm is able to achieve a quite satisfied success rate on all considered test problems under limited accuracy.     

改进和声搜索算法的英语考试智能组卷策略

为提升英语考试智能组卷成功率和组卷质量,提出基于改进和声搜索算法的英语考试智能组卷策略.首先建立英语考试智能组卷的目标优化函数,然后采用和声搜索算法对英语考试智能组卷的目标优化函数进行求解,并针对采用声搜索算法的不足进行相应的改进,最后进行了与英语考试智能组卷的应用实例分析.结果表明,改进和声搜索算法的英语考试智能组卷成功率高,而且组卷质量好,同时获得比其它英语考试智能组卷策略更优的结果,具有明显的优越性.     

基于量子进化算法的层次型SOC测试结构优化

以减少系统芯片SOC测试时间为目标,研究了层次型SOC的多层次TAM优化问题。根据嵌入式IP核的分类,将层次型SOC测试结构优化转变成了平铺型SOC测试结构优化,并建立了基于量子进化算法的数学模型。通过对群体的观测,决定IP核在测试访问机制上的分配以及当前群体中的最佳个体,实现了包含TAM-ed且wrapped的嵌入式核的层次型SOC测试结构优化。针对国际标准片上系统芯片验证表明,与GA、ILP和启发式算法相比,该算法能够获得更短的测试时间。     

基于粒子群算法优化支持向量机汽车故障诊断研究

汽车故障检测和诊断技术一直是国内外研究热点问题。支持向量机用于汽车故障诊断时,其多分类组合决策对分类正确率及诊断时间有很大影响,为了有效提高汽车系统故障诊断的效率和精度,提出了一种基于粒子群算法优化层次支持向量机汽车故障诊断检测方法。针对分解支持向量机具有测试时间短、结构难以确定的特点,利用粒子群算法,依据最大间隔距离原则优化层次支持向量机模型,使每个节点的支持向量机具有最大分类间隔,减少了误差积累,从而优化了多级二叉树结构的SVM,实现故障的分级诊断。仿真实验结果表明,提出的算法在所有参比模型中精度最高,能高效地对汽车系统的故障进行检测与定位,具有较强的泛化能力,同时缩短了故障诊断时间。     

带高斯变异的人工萤火虫优化算法

针对基本萤火虫优化算法在求解函数全局最优值时的不足,提出了一种带高斯变异的人工萤火虫优化算法。该算法在萤火虫的移动过程中,应用了高斯变异策略,从而在一定程度上避免了算法陷入局部最优,且能获得精度更高的解。通过对六个标准测试函数进行测试,结果表明,改进后的人工萤火虫算法比基本萤火虫优化算法有更高的收敛速度、求解精度和收敛成功率。     

基于分层强化学习的自动驾驶车辆掉头问题研究

调头任务是自动驾驶研究的内容之一,大多数在城市规范道路下的方案无法在非规范道路上实施。针对这一问题,建立了一种车辆掉头动力学模型,并设计了一种多尺度卷积神经网络提取特征图作为智能体的输入。另外还针对调头任务中的稀疏奖励问题,结合分层强化学习和近端策略优化算法提出了分层近端策略优化算法。在简单和复杂场景的实验中,该算法相比于其他算法能够更快地学习到策略,并且具有更高的掉头成功率。     

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.