基于改进型遗传算法的组卷系统设计研究.docVIP

基于改进型遗传算法的组卷系统设计研究 　　摘要：传统人工考试模式相比于网络考试系统来说欠缺公平与合理性，不能充分考察学生的学习能力和知识掌握程度，因此要借助网络技术的力量来设计自主组卷系统，完成网上考试系统的改革和创新任务。在深入分析试题库结构和遗传算法的基础上，研究了两者之间的契合处，通过对遗传算法的改进来推出符合组卷策略的考试系统，完成对题型、题量、曝光度、知识点等多方面考核内容的平衡，使基于改进型遗传算法的组卷系统能真正运用于高校实际教学工作中。 　　关键词：网络考试系统；改进型遗传算法；组卷系统 　　中图分类号：TP311 文献标识码：A 文章编号：1672-7800（2013）005-0051-03 　　0、引言 　　现代网络技术的迅猛发展推动了网上考试系统的改革，以往人工出卷的方式已经逐渐被淘汰，使用电子技术来组卷的模式日益成熟，成为各大院校广泛使用的方式之一。自主组卷系统充分考虑了试题库的结构问题，避免了传统人工考试中极易出现的知识点堆积、难度失衡、曝光度过大等问题，秉承公平公正的出题原则，使得自动生成的试卷质量过关、难易适宜。遗传算法作为一类传统运算方式，在各个领域均有涉及与应用，为了更好地提高出题速度、保证出题质量，对遗传算法进行改进并将其运用在教育领域具有极强的可行性，通过随机选择合适的题库来得出最优解，使得组卷模块下的每个项目都如序进行。改进型遗传算法保持了传统模式中的优势之处，同时针对组卷工作进行了研究和改进，使最终推出的模式能符合出题要求，完成对组卷系统的设计和实现。 　　1、试题库结构 　　整个组卷系统由试题库和组卷算法组成，试题库作为可以实际看到的部分而存在，对其结构的安排也要体现公平性、合理性，帮助组卷算法更快速、流畅地解决问题。网络考试中使用的试题库要置于考试范围之内，让学生有所准备、有所发挥，充分考察考试系统的合理性、可行性。试卷上的每个题目都应该按照出题标准和相应比例进行斟酌和考虑，使其符合相应的属性指标。从题型和知识点上要考虑学科的范围和轻重点，选择难度和区分度合适的类型，使试题的曝光度和内容都能有效地考察学生的学习情况。对于出题时间、答题时间的统计也要科学、合理，让学生在考试过程中形成对学科知识的概况把握，同时能起到复习、巩固知识内容的作用。试题库对曝光度、难度系统、试题类型的挑选无疑使得数据库更加完整，减少了出题教师不必要的操作工作，同时便于将试题库结构调整至最佳状态。如表1所示为试题库结构。 　　2、遗传算法 　　美国大学首次提出遗传算法的计算模型，在达尔文生物进化论和遗传学机理的前提下进行非数值计算，使得成本投入最少、回收结果最佳。这种优化方法在不同领域的广泛应用促进了其改进，成为教育领域经常使用的算法之一。遗传算法的应用原理主要是利用问题的解来代替字符串的位置，实际上字符串代表着不同的人工染色体，以个体的形式存在而逐渐形成群体。群体的产生归因于不断的进化和演变，遵循“优胜劣汰”的自然原则，而群体中的个体也会沿着这个机制而发生质的变化，最后得到的仍然是问题的最佳答案。子代个体的产生是通过遗传算子来实现的，个体发挥实际带头作用。人们会使用适应度函数来处理对个体优劣的判断问题，这种评价函数综合考虑了个体适应环境及生存的能力，使得统计记录有据可依。遗传算法在多个领域的应用使其形成了一条极其优化的道路，并不会局限于任何固定模式或空间，而是在问题出现时做出最快速、合适的调整和套用，使计算变得简单便捷。 　　2.1 问题编码方式和适应度函数描述 　　求解的第一步是确定问题的编码方式，使问题的解和字符串相通。二进制编码在遗传算法中广泛应用，二进制位串仍然表示问题的解，而通过遗传算子的方式使得整个算法的操作更加简单、流畅，但是针对解码工作的方式仍然比较困难和繁重，使得约束条件难以满足，最终获得解的精度普遍降低，花费时间也急剧增长。现阶段针对二进制编码算法的理论众多，为实际应用提供了有效的指导和借鉴。自然数编码、实数编码都是遗传算法中较为常见的编码方式，为不同问题的解决提供了选择。实数编码中的实数值都是染色体的基因或基因所带的编码方式，所以不存在解码问题，极易满足约束条件，唯一的不足之处就是针对该项解码方式的理论知识较少，使得其实际应用次数减少，最终使用遗传算子计算的效率较低。自然数编码将染色体的基因变成不同事物的序号，采取最优化方案来求解，计算速度快、作用强。对适应度函数f（x）的定义包括多方面，首先要满足所有个体适应度的正值，通过数值即可判断个体的优劣程度和生存能力。本文所采取的算法利用目标值与全部约束条件之间的误差值来确定f（x），适应度函数f（x）和个体的适应能力值完全成反比，当数值不断增加时个体基因的生存能力就会越来越强。 　　2.2 形成初始群体 　　对个体的选