基于量子遗传算法的知识分布优化研究.docVIP

基于量子遗传算法的知识分布优化研究 　　摘要:研究了智能考试系统的知识分布问题,基于量子计算理论,提出采用量子遗传算法,对知识分布优化策略进行改进,提高了试卷知识分布的覆盖率和效率。 　　关键词:量子计算;遗传算法;智能优化;考试系统 　　中图分类号:TP18文献标识码:A文章编号:1009-3044(2009)24-7068-03 　　 　　Optimal Knowledge Distribution Based on the Quantum Genetic Algorithm 　　ZHANG Wei, HE Rong 　　(Yunnan Medical College, Kunming 650051, China) 　　Abstract: Researched the question about knowledge distribution of intelligent examination system, based on the theory of quantum computing, applied quantum genetic algorithm, to improve the strategy of knowledge distribution optimization for better coverage and efficiency. 　　Key words: quantum algorithm; genetic algorithm; intelligent optimization; test system 　　 　　智能组卷是一种新型的计算机考试系统。试卷由撒布在测试区域内的考题按一定出题规则自组织而成, 这些考题具有一定的代表性,能检测出学生对考察科目知识的学习掌握情况。考试系统中,考题的分布以及组织对于提高系统的测试水平具有重要的意义。传统的考试系统知识分布有两种策略,一种是人工规划(Planning模式),另一种是大规模的随机分散(Scattering模式)。前者缺乏灵活性与多样性,且效率低下,不适宜计算机组卷等大规模考试。而后者若要取得较好的分布,就必须设置远多于实际需要的考题才能较完整地覆盖考察科目的测试区域,这与试卷中题目数量的有限性是相互矛盾的,试卷中可能存在考题不合理分布造成的测试阴影和盲区。因此考题的合理分布对智能考试系统的测试效果有重要的作用。尽管针对考试系统国内外进行大量的组卷算法研究,但对于知识点的分布优化问题研究工作还很少,很多研究运用传统遗传算法组卷[1],优化效果不尽理想。针对此问题,本文应用量子遗传算法优化知识点的分布,克服测试阴影和盲区,使考试系统更大范围地测试到更有效的学生学习信息。 　　 　　1 知识覆盖问题 　　 　　通过对考试科目的学习,学生学习掌握的知识储存在头脑中。由于学生个体之间的学习差异,导致每个学生大脑中储存和掌握的情况具有不确定性。考试的目的在于,通过试卷测试对学生学习情况做出相对确定的评价。科目知识是相对固定的,我们总是将科目知识当作图谱,按图索骥地构造出试卷去测试学生大脑中相关区域中知识的学习掌握情况,即是否掌握,掌握水平如何等。但在目标试卷生成以前,题库中的考题相对与目标试卷而言表现为存在或不存在两种可能形态。基于此,本文引入量子态对考题进行描述、编码和处理。 　　1.1 试卷分布构成 　　试卷覆盖是指由计算机考试系统生成一组考题集合(试卷)对测试区域各个知识点的涵盖。试卷的目的是系统地测试和评价试卷覆盖知识区域内学生的学习情况,并对这些数据进行处理,获得详尽而准确的信息,传送到需要这些信息的教师和教学管理部门。 　　考题是由考点以问题的形式构成的。其中考点与考试科目的相关知识点对应。因此考题的分布是考试系统获取学生学习信息的关键因素之一,其覆盖范围以及分布优化也随之成为研究领域中的重点。 　　1.2 试卷覆盖问题 　　试卷由数量有限的考题组成,每道考题包含若干有针对性的知识点所设置的考点。这些考点形成了考题的测试范围。如何组织试卷完成对目标区域的检测,就是考试系统覆盖性的问题。考题分布优化的任务就是在保持试卷结构完整的前提下,动态调整考题组成,以获得尽可能大的覆盖率,也就是使试卷能获得更广泛的信息。在保持考点充分覆盖的前提下,引入以下定义。 　　假设考察科目所涵盖的知识范围用集合S表示,组成每套试卷的考题用集合Q={qi,i=1,2,...,n}表示,每道考题测试的知识范围为ci,试卷的测试目标知识区域为A,(A?哿S),则理想的探测效果为。设为试卷有效覆盖知识区域的度量(考点数),d2=‖A‖为目标科目知识区域的度量(知识点数),则称ρ=d1/d2为试卷覆盖度。 　　覆盖性问题不仅反映了试卷