基于网络教学平台智能组卷算法研究.docVIP

基于网络教学平台智能组卷算法研究 　　【摘要】：智能组卷是目前个性化网络辅助教学中的一个重要的组成部分和研究方向，高效、合理的的智能组卷算法才可以协助教学平台实现个性化的教学分析、组建合理的教学策略，最大程度的实现智能化的辅助教学。本文首先介绍了智能组卷算法目前基本性况，并针对自动组卷的特点和要求，分析了基于网络教学平台的智能组卷算法设计，对实现高效的智能组卷算法具有一定的参考价值。 　　【关键词】：网络教学平台 智能组卷算法 分析 　　1、智能组卷算法概述 　　智能组卷算法也称之为自动组卷系统，可以依据给定的一些组卷参数和组卷约束条件，从试题数据库中抽取适应这些参数和条件的试题，自动高效地组合生成一套符合教学大纲及学习主体自身能力的试卷。目前在这方面常用的组卷方式有几种：回溯算法、改进的随机抽题算法及遗传算法。但从目前实际应用情况来看，回溯及改进的随机抽题方法都存在一定的缺陷：回溯算法对计算机资源占用较大，程序结构庞大且比较复杂，组卷效率较低；改进的随机抽题方法条件设置相对简单，所生成的试卷随意性较大，试题的针对性、难度系数、区分度等较难控制。综合以上两种组卷算法的的缺点，遗传算法在智能组卷上具备了自身的优势。 　　2、遗传算法在组卷问题上的优势 　　使用类似控随机法及回溯法等传统的组卷方式进行组卷，往往会因为这些组卷算法的自身条件限制而使得组卷的成功率比较低，造成失败的原因大多数时候是因为满足了个别约束字段的局部条件， 为了提高组卷的成功机率有人提出了针对约束条件局部的改进算法， 但这种算法必须满足更多的前提条件。 　　根据遗传算法（CA）的特点，在解决类似的问题方面还是存在很大优势的。遗传算法可以在较少先决条件的情况下随机产成初始族群，另外，可以较好的在最优解上进行族群的遗传。对于遗传算法来说，最根本的问题是解决染色体编码、组合数过大、建立函数以达到合理的适应范围等。下面将给出具体的解决方案。 　　3 、基于网络教学平台的只能组卷算法模式 　　3.1试卷指标 　　判断一份试卷是否合理，需要从多个方面进行评定，例如内容范围、难易程度、区分度等等，因此，试卷的属性指标有以下几个. 　　3.1.1题型 　　一般来说，试卷主要分为客观题和主观题两大部分，客观题常见的题型有单项选择题、多项选择题、判断题、填空题等，主观题常见题型有简答题、分析题、计算题、论述题等等。一份合格的试卷，应当从试卷的题目类型组合、教学内容权重、知识点类型等各角度进行设计。 　　3.1.2 知识点 　　教学知识与试卷之间有着密不可分的关联，试题的分布情况应该与知识点在教材中的重要程度分布相同。 　　3.1.3 难度 　　试卷的难度系数反映了试题的综合难易程度，一份合格的试卷应该是呈正态分布并能激发学生学习积极性的，因此，难易程度是试卷的重要评价条件之一。这可以用数学公式（1）表示，由公式1得知试卷难度系数N与试卷的平均分之间呈反比关系，即试卷平均分越低，表示该试卷的难度越大，反之则表示试卷越容易。当f=0时，N=1；当f=w时，N=0。为了降低组卷复杂度把题目难度划分为较难、难、中等、容易、较易五个等级，难度系数在[0，0.2]区间为较易，在[0.2，0.4]区间为容易等级，[0.4，0.6]区间为中等，[0.6，0.8]区间为难等级，[0.8，1]区间为较难等级。 　　N=1-（f/w） （1） 　　3.2 目标函数 　　归根结底，自动组卷就是一个针对试题库进行最优排列组合的方案。但是，对于在染色体编码中很难通过某种算法找到最合适的排列组合方式，最终结果与期望值总会存在一定的偏差。因此，为了保证在偏差最小的情况下最大程度的得到最优解，可在保留重要约束条件的同时对剩余约束条件进行有选择性的删除，这样组卷的偏差值就等同于所有约束条件权值的总和。组卷函数可以通过计算公式（2）来计算。 在函数中约束条件的权值由V表示，di表示第i个约束条件的误差值。 　　（2） 　　3.3 算法设计 　　在经过多次实验及分析后，我们将使用实数编码的分段机制，在这种实数编辑机制中染色体由题型题号构成，即遗传算法中的基因。试卷中题型的题目数量决定了染色体的长度，染色体长度=题目数量位数X该题型试题数，为了能够缩短解码所需的时间并且加快效率，我们选择取消编码。但是，这种方式得到的染色体长度远远短于之前的编码得出的结果，想要保存染色体多样性的特点，增加族群的数量及规模是非常必要的，遗传算子也随之要进行修改和设计，而不能再照搬Holland遗传理论的传统方式。 　　3.3.1 交叉 　　G1=sx1+ （1-z） x2 1≤a≤10 ； G1=sx2+ （1-z） x1 　　在进行实数编码后，使用算术交叉方式产生染色体，当出现非法的编码