基于动态试题难度参数的智能组卷策略*

针对网络考试系统的即时性和高效性,提出了基于动态试题难度参数的智能组卷算法的设计策略,利用二项分布函数做难度曲线分布模型,结合目标函数对试题多种参数进行优化。根据试卷的整体难度,以试题难度参数为优先,运用试题选题参数调节知识点之间的平衡,试题曝光参数选取出卷频率比较低的试题,从而确定各种题型不同试题难度数量,实现快速自动组卷的目标。     

基于改进遗传算法的智能组卷系统研究

试题组卷是考试系统的重要组成部分.通过在编码策略、适应度函数、遗传算子、控制参数等方面的研究提出一种适应于试题智能组卷的改进遗传算法.对适应度函数的适当定标和建立自适应的交叉概率和变异概率,有利于克服未成熟收敛和遗传漂移现象,同时能在维持群体多样性的情况下,防止群体进入局部最优.实验证明改进遗传算法比传统的遗传算法能更有效地提高组卷的效率.     

自动组卷的建模和仿真研究

研究优化自动组卷问题,自动组卷要求快速获得满足用户的组卷,是一个NP难题,传统组卷组算法存在耗时长、效率低等缺陷,组卷成功率低.为了提高组卷成功率,提出一种遗传算法的智能组卷模型.首先按照试卷难度、区分度、考试总分、考试时间和题型要求建立多目标、多约束数学模型,然后采用遗传算法对数学模型进行求解,得到最优组卷方案.仿真结果表明,相对于其它自动组卷算法,改进遗传算法提高了组卷速度和效率,组卷成功率也相应有所提高,获得组卷质量更优,有效地解决优化自动组卷方法问题.     

蚁群算法在自动组卷建模中的应用研究

在自动组卷优化控制的研究中,自动组卷是一个多约束条件下的多目标参数优化问题,各个目标之间互相牵制,采用传统算法求解相当的困难,导致组卷效率和成功率都比较低.结合自动组卷的多目标组合优化特点,提出一种蚁群算法的自动组卷模型.模型首先根据试卷要求建立试卷质量评价体系,然后根据题型、总分、考试时间等要求建立多约束条件、多目标的数学模型,然后用蚁群算法对数学模型进行求解,输出最优组卷方案.仿真结果表明,蚁群算法充分利用了蚁群算法群体智能特点,提高了组卷效率和成功率,很好满足自动组卷的效能要求.     

遗传模拟退火智能组卷策略研究

智能组卷是一个包含多重约束条件的最优组合问题,设计有效算法求解优化问题对获得高满意度试卷至关重要,为此,提出了一种基于模拟退火与标准遗传算法的混合智能组卷算法。约束模型采用了基于期望平均分的难度分布函数计算试卷难度系数,该算法模型采用分组实数编码,单点交叉算子,单个和随机两种基因变异算子,并对每代个体进行模拟退火操作。给出了详细的实验对比结果,表明了该算法的有效性。     

基于云优化遗传算法的自动组卷技术研究磁

针对传统遗传算法收敛速度慢、稳定性能差的缺陷,根据云计算思想提出一种遗传算法的考试系统组卷算法。该算法利用正态云模型的随机性和倾向性,动态调整遗传算法的个体选择适应度值和交叉概率和变异概率,以加快算法向最优解的逼近速度,可以在试题库中按照试题类型、试题数量、曝光度等约束条件进行快速搜索,系统通过选择、交叉和变异等操作,从试题库中自动地查找和组织出一些不同类型、不同难度、不同章节范围的试题来组成一套最佳的试卷,实现了快速自动组卷功能。     

基于混合智能算法的组卷策略研究

提出了基于混合智能算法的组卷策略,将神经网络、改进遗传算法的计算优势与自动组卷数学模型相结合,以用户理想试卷中的试题参数作为神经网络的训练样本,对影响组卷效果的各项指标的权重进行自学习,将得到的权重矩阵用于遗传算法的适应度函数的设计中,并对遗传算法的编码方案、遗传算子进行了改进。实验结果表明,该算法可以有效地提高智能组卷的速度以及成功率。     

人工智能在自动组卷建模中应用研究

关于研究组卷的可信度和效度问题,组卷方法耗时长、效率低,组卷成功率低.为了提高自动组卷成功率,提出自动组卷算法,通过建立多约束目标优化模型,用蚁群算法自动组卷方法.首先按照试卷要求建立一个多约束的数学模型,然后用蚁群算法快速和智能搜索能力对数学模型进行求解,得到最优组卷方案.仿真结果表明,相对于传统组卷算法,提高了组卷效率,组卷成功率也相应提高,很好的满足当前网络在线考试系统的实时性较高组卷效率.     

基于层次分析方法与人工鱼群算法的智能组卷*

针对已有智能组卷方法难以满足考核要求,设计了一种基于层次分析方法与人工鱼群算法的新方法。首先根据试卷总分、考试时间、章节分数、知识点分数、题型分数、能力层次分数、试卷难度与试卷区分度八个考核要求建立多目标、多约束组卷模型;然后利用层次分析方法确定各组卷目标的权重,进而通过线性加权求和将多目标规划模型转换为单目标规划模型;最后利用改进的人工鱼群算法求解模型得到最优组卷方案。该方法适用于单套组卷与多套组卷。同时,讨论了该方法的优缺点以及发展趋势。     

信息化试题库自动组卷策略的研究与实践

本文基于改进的遗传算法,通过相似个体淘汰和新个体补充扩大试题解的范围,稳定可能解的多样性,在此基础上建立了包含试卷知识点、难度系数、区分度等特征的智能组卷模型,在保证自动组卷精度的同时,提高了系统运算效率。     

信息化试题库自动组卷策略的研究与实践

本文基于改进的遗传算法,通过相似个体淘汰和新个体补充扩大试题解的范围,稳定可能解的多样性,在此基础上建立了包含试卷知识点、难度系数、区分度等特征的智能组卷模型,在保证自动组卷精度的同时,提高了系统运算效率.     

信息化试题库自动组卷策略的研究与实践

本文基于改进的遗传算法,通过相似个体淘汰和新个体补充扩大试题解的范围,稳定可能解的多样性,在此基础上建立了包含试卷知识点、难度系数、区分度等特征的智能组卷模型,在保证自动组卷精度的同时,提高了系统运算效率。     

改进遗传算法在组卷系统中的应用

本文将改进的遗传算法应用于组卷系统中,对智能组卷问题进行研究和分析,通过对编码、适应度函数、遗传算子、控制参数指标等方面来进行研究设计,运用改进遗传算法的全局寻优的优点,得出解决适合要求的实用算法.从而确保的试卷的覆盖范围和准确性提高组卷效率.     

在线组卷策略的研究与设计

为了解决在线培训考试系统中多目标约束下的组卷问题,对组卷过程建立了多目标约束的数学模型,采用了基于改进的遗传算法的智能组卷策略,通过模拟生物种群演化来完成对符合约束条件的试题筛选,同时提出了二次组卷分发策略来保证试卷中试题分布的随机性。实验结果表明,改进的遗传算法提高了算法的收敛性和搜索能力,相应的智能组卷策略提高了多目标约束下组卷的质量和效率,生成的试卷能够满足用户的需求,二次组卷分发策略保证了在线考试的公平性。     

基于遗传算法的在线考试系统自动组卷策略优化

该文在对试卷结构进行分析的基础上,利用遗传算法的全局寻优和收敛速度快的特点,设计一种用于自动组卷的自适应遗传算法,建立和描述了组卷问题的染色体数目和适应度函数,实施了问题的遗传操作。采用遗传算法从题库中抽出一组最佳解或抽出一组非常接近最佳解的实体,并进行了大量组卷实验。实验结果表明,自适应遗传组卷算法可行、高效,具有较好的适用性,提高了在线考试系统自动组卷的效率。同时减轻了教师的负担,满足了教育教学的要求。     

基于改进遗传算法的智能组卷系统研究

传统组卷算法在组卷质量和组卷速度方面,都难以达到令人满意的效果。鉴于此,建立了智能组卷系统问题求解的理论模型,并结合遗传算法来解决考试系统中的智能组卷问题:在选择算子中采用适应度排序在前一半的个体进入下一代的繁殖;在交叉算子中采用最优保持策略;在成卷前调整试卷知识点的分布。该组卷算法在不同的要求下都能得到较为满意的效果。     

通用试卷生成系统的设计与实现

选择遗传算法作为组卷算法,设计一种具有通用性的组卷系统。该系统能够按照试题类型、试题数量、章节覆盖、难度系数、区分度、答题时间、课时数等约束条件进行快速搜索,从而找到最佳组卷方案,组出理想的试卷。     

基于动态评价函数的试卷自动生成系统的设计与实现

介绍了一种适合各类课程的试卷自动生成系统的设计.主要介绍试题控制指标的确定、系统结构、系统功能和在开发过程中所应用的关键技术,还具体给出题型、知识点、时间及难度的4个动态评价函数和基于这些评价函数的自动组卷算法以及实验测试数据.     

基于Delphi的组卷系统

该文给出了一种组卷系统的设计,介绍了从题库中组卷的方法。系统选题时将按章节和题型分布,当有多套试卷生成时自动保证各套试卷中的试题不重复。按指定的难度要求组卷,系统的效率和试卷质量可以得到大幅度的提高。     

自动组题算法中适应度函数的构建方法

在基于GA的自动组题算法中,构建适应度函数是最大的一个难点。适应度函数构建的关键在于如何选择适应度函数的参数以及如何计算各个参数的值,本文从IRT理论和试题以及算法的特殊性出发,确定了适应度函数的参数及其计算方法。该方法有着强大的理论支持和完善的用户需求接口,同时也为试卷的分析提供了新的方法。