仿生智能算法在自动组卷策略中的应用.docVIP

仿生智能算法在自动组卷策略中的应用 　　摘要：随着计算机辅助教学的发展，自动组卷策略已成为目前研究的热点与难点。自动组卷策略是自动组卷系统的核心，目前流行的智能算法如：遗传算法、蚁群算法、鱼群算法及微粒群算法广泛被应用于自动组卷系统中来解决组卷策略。 　　关键词：自动组卷；策略；智能算法 　　中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2013）26-5976-02 　　在现代教育领域中，考试不仅可以综合评价学生的学习情况，还可对教师的教学质量公平有效地衡量，其中考卷质量至关重要。传统的教师手工出卷方式，在命题角度和评分标准方面已经越来越不能适应现代教学评价的需要，存在着较大差异。随着计算机辅助教学的不断发展，其对教育教学的变革与发展有着巨大的影响，考试逐步呈现向自动化趋势发展。智能组卷系统[1]可以节省教师的大量时间并提高工作效率，也可以减少考试中主观因素的干扰，客观反映出教学的真实效果。 　　智能组卷就是根据教学大纲从试题库中抽取试题，生成在题型、章节、知识点、区分度及试题难度等方面符合要求的一套或多套试卷。组卷策略是自动组卷系统的关键技术，对组卷策略的方法研究是目前该领域的研究热点与难点。组卷策略的优劣决定组卷的质量，决定生成的试卷是否能满足实际考试的需要。对组卷策略的研究在确保考试的实用性、方便性、公正性及可靠性具有重要的现实意义。 　　1 仿生智能算法在自动组卷中的应用现状 　　智能优化算法是近年来的研究热点，被广泛应用于自动化、系统工程、计算机、管理工程与机械等诸多领域。仿生智能算法是模拟生物进化或仿生自然界动物昆虫觅食筑巢行为的一类新型智能方法。目前主要的仿生智能算法有遗传算法、蚁群算法、微粒群算法、人工鱼群算法及蜂群算法等。 　　1.1 人工鱼群算法 　　人工鱼群算法是李晓磊等人于2002年在对动物群体智能行为研究的基础上提出的一种新型仿生优化算法，该算法根据“水域中鱼生存数目最多的地方一般就是本水域中富含营养物质最多的地方”这一特点来模仿鱼群的觅食行为而实现寻优。它主要利用鱼的三大基本行为：觅食、聚群和追尾行为，采用自上而下的寻优模式从构造个体的底层行为开始，通过鱼群中每个个体的局部寻优，达到全局最优值在群体中突显出来的目的。它具有较强的健壮性、优良的分布式计算机控制、易于和其他方法结合等特点。李娟，田胜利等人在Delphi7. 0+SQL SERVER2000环境下，设定鱼群中鱼的数量为100，针对试题库中的1 000多道试题利用人工鱼群算法进行抽取[2 ]。笔者对评价函数F（X）进行修改使抽出的试卷中试题难易度、知识点分布均匀程度、总分等与要求误差在3%以内，满足所允许的误差范围。本算法可达到一次运行抽取多套试题的效果，把该算法应用在B/S结构的在线考试系统中将大大减轻服务器的负担，减少客户的等待时间。 　　1.2 粒子群优化算法 　　粒子群优化算法是由Kennedy博士与Eberhart博士于1995年受人工生命研究结果启发，在模拟鸟群觅食过程中的迁移和群集行为时提出的一种基于群体智能的进化计算机技术。最初是处理连续优化问题，目前应用逐渐扩展到许多组合优化问题。相对其它优化算法和演化式计算方法， 粒子群算法最大的特点就是搜索的速度快。阎峰、安晓东等人成功将粒子群算法用于智能组卷系统[3]。笔者在对智能组卷原理深入理解的基础上，给出抽题质量评价的指标，并建立抽题数学模型，最后采用改进的粒子群算法对模型进行优化。实验结果证明，改进的粒子群算法可成功用于智能组卷系统，通过调节速度和位置可较快地获得组卷的优化解，能更好地适应智能抽题策略的要求。 　　1.3 蚁群算法 　　1992年Marco Dorigo等人通过模拟蚁群觅食行为提出了一种基于种群的模拟进化方法——蚁群算法。自然界中的蚂蚁在寻找食物时总能找到一条从蚁巢到食物源的最优无碰障碍物路径。蚂蚁行走过程中在路径上根据路径状况释放出一定量的信息素，其他蚂蚁根据前面蚂蚁释放的信息素多少来选择一条要前进的路径。路径上存在的信息素越多，说明这条路径被蚂蚁选择行走的次数越多，表明该条路径的性能越佳，后续蚂蚁选择这条路径行走的概率就越大，从而构成一个信息学习的正反馈。通过蚂蚁之间的协作从而找到一条从食物源到蚁巢的最优路径。蚁群算法已经在组合优化、函数优化、系统辨识、网络路由、机器人路径规划、数据挖掘以及大规模集成电路的综合布线设计等领域获得了广泛的应用，并取得了良好的效果。周维柏、李蓉等人尝试将蚁群算法用于智能组卷系统[4]，蚁群算法所找到的最优解与其他方法相差不大，但花费的时间少，当题库数量大时，蚁群算法所找到的解仍能维持一定水平。 　　1.4 遗传算法 　　遗传算法[5]是John H.Holland于1962年