考试系统中组卷的策略探究.docVIP

考试系统中组卷的策略探究 　　摘 要:针对考试系统中组卷策略的探讨,常用的算法有三种,随机选取法、回溯法、基于遗传算法的自动组卷算法。对比了其各方面的合理性和实用性等后,选择遗传算法着重进行了探讨和研究。 　　关键词:组卷策略 遗传算法 　　中图分类号:G4 文献标识码:A 文章编号:1672-3791(2011)01(c)-0188-01 　　 　　1考试模式的发展趋势 　　考试是教育教学过程中非常重要的一个环节,通过考试教师可以了解学生对知识的掌握程度,也可以从侧面衡量一下教学效果的优劣。传统的考试需要教师在考试前做大量的准备工作,如试卷的编辑、整理、打印、分发等。如何充分利用计算机去完成考试中的重复性工作,提高工作效率,改善手工出卷的状况,就是一项非常有意义的课题。尤其是在教育领域,如何更好地利用计算机网络技术开展现代化教育是非常重要的课题。 　　考虑上面两方面的因素,利用计算机,结合计算机网络等技术,使计算机能够从建设好的试题库中有效地自动选择相关试题,组成具有相当水准的试卷是大势所趋,也是当前和以后的重点应用发展。 　　 　　2当前主要组卷策略调查 　　在形成试卷的过程中,最重要的无非就是组卷策略了。虽然自动组卷算法是个被探讨了很长时间的问题,但至今还没有一个很好的解决其自动出题的算法方案。被提出和研究讨论的组卷策略主要有如下的几种。 　　2.1 随机选取法 　　所谓随机选取法是根据组卷的相关设置和要求,由计算机使用随机函数从试题库中自动抽取若干试题,构成目标试卷。组卷的过程就是重复随机函数的过程,直到生成试卷符合要求为止或由其他因素停止抽取。这种策略的优点很明显,简单,重复随机操作即可。但是缺点也很大,具有很大的随机性和不确定性。在限制条件的控制下,随机选取法有时能够抽取一组令用户满意的试题。但是由于它随机选取试题的范围太大,无法确定目前条件下是否能够抽取合适的试题,从而进行大量的无效操作进入死循环,最终可能导致组卷失败。 　　2.2 回溯法 　　回溯法又叫基于深度与广度搜索的自动组卷算法,它是在随机算法的基础上,将随机选取产生的每一状态记录下来,在指标约束度越来越大,在选取试题已不可能的情况下向前回溯,释放上次记录的状态类型,修改从前已做过的选择,然后再依据一定的规律变换一种新的状态进行试探,通过不断地回溯试探直到试题生成完毕或回到出发点为止,以打破僵局。 　　对于组卷要求简单的试卷而言,组卷成功率较高。该算法上可以遍历每一种可能的状态综合,但实际上但题库中题量较大时,状态类型的组合数便成为了一个天文数字,故该组卷方法只适用于题量较少的题库系统,且该方法占用的内存量很大,而且组卷速度较慢,不容易满足所有的约束条件。 　　2.3 基于遗传算法的自动组卷算法 　　遗传算法(Genetic Algorithms,GA)是模拟生物自然选择和自然遗传制的随机优化算法,它最先由美国John Holland教授于1975年提出。该算法首先生成一定规模的初始群体,然后使其中的个体以一定的概率进行交叉与变异,实现个体结构的重组,再按预定的评价函数选择复制优秀个体,组成新的一代,如此循环迭代,以期最终找到满足寻优条件的全局最优解。遗传算法具有简单通用、可靠性强、全局寻优、收敛速度快特点,而且适用于并行处理,这些都适宜于处理组卷的问题。 　　 　　3基于遗传算法的组卷策略实现 　　通过对当前主要组卷策略的调查和研究,基于遗传算法的自动组卷算法具有良好的并行性、全局优化性和稳健性,是其中比较适宜的。 　　3.1 算法基本流程 　　算法描述为:(1)随机产生初始种群;(2)使用适应度函数对个体进行计算;(3)按照一定概率对个体进行选择、交叉、变异等操作产生新种群;(4)重复(2)(3),直到找到最佳解或迭代次数足够多。 　　3.2 算法关键技术 　　知道了算法流程是不够的,还要了解关键技术。在进行组卷过程中,种群中的个体如何进行编码、初始化群体是如何确定的、适应度函数函数是如何构造的、怎么运用遗传算子、怎么判定终止条件,这些都是遗传算法组卷的关键技术。 　　(1)编码。遗传算法主要是对群体中的个体施加操作,从而完成优化。遗传算法不能直接处理问题空间的参数,而只能处理以基因链码形式表示的个体。因此,要是用遗传算法,就必须把优化问题的解的参数形式转化为基因链码的形式表示。这一转换操作就叫做编码。 　　(2)初始群体的设定。由于遗传算法的群体操作需要,必须为遗传操作准备一个由若干初始解组成的初始群体。初始群体的每个个体都是通过随机方法产生的,初始群体也称作进化的第一代。 　　初始群体的设定可以采取如下策略:根据问题固有的知识,设法把握最优解所占空间在整个问题空间中的分布范围,然后在此分布范