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。     

基于改进遗传算法的智能组卷研究

因为传统组卷方法的时间和空间开销大、成功率较低,简单遗传算法的收敛速度慢、稳定性差,所以提出了基于改进遗传算法的智能组卷方法,通过根据个体适应度值自适应地选择个体,调整交叉概率和变异概率等措施,加快了算法向最优解的逼近速度,提高了组卷的效率和成功率。论文介绍了该组卷方法的组卷策略,数学模型,各模块的详细设计。     

基于粒子群遗传算法的智能组卷策略

在线考试摒弃了传统纸质考试固有的缺点,在网络教育领域里获得了非常广泛的应用。人工智能化考试组卷,是完成在线考试高效性的重要技术之一。组卷问题,是多发展目标的组合优化问题,一般来说具备数个解。人工智能算法对于寻找此类问题的最优解具有明显优势。本文首先分析和研究目前主流的智能组卷算法,并结合组卷的有关原理及数学实验模型,提出一种基于粒子群遗传算法的智能组卷策略,将群体中的粒子和个体极值、群体极值进行遗传算法中的交叉操作与粒子本身展开变异操作,同时通过自适应调节交叉概率和变异概率、分段实数编码等方式,提升算法性能。最后经过对比实验验证该算法的优势。     

基于自适应免疫遗传算法的智能组卷

对多目标组合优化的组卷问题,借鉴生物免疫系统原理中抗体多样性产生及保持机理,定义多目标选择熵和浓度调节选择概率概念,利用自适应免疫遗传算法,运用抗体克隆、高变异策略,实现组卷问题的多目标优化。该算法充分体现了pareto最优解的概念,具有并行搜索及个体编码长度动态调整、pareto最优个体保存于群体外(免疫记忆)并不断更新等特点。     

混合股遗传算法及其在智能组卷中的应用

为了在尽可能短的时间内找到问题的最优解,本文在采用股遗传算法高适应度个体遗传速度快、抑制劣质基因的遗传漂移、能够保持群体的多样度、减少早熟收敛现象的发生等优点的基础上,引入了变异过程中的预选择机制来保持优良个体,避免优良基因的丢失,提高种群的整体水平,从而提高算法的性能.将改进的股遗传算法应用于智能组卷,并引入了分段的整数编码和选题过程中的变异操作来提高组卷速度和避免重题的出现.实验结果表明:改进的股遗传算法与标准遗传算法、股遗传算法相比,该算法能大幅度的提高组卷质量.     

自适应遗传算法在智能组卷中的应用

传统遗传算法在组卷过程中存在收敛速度慢、迭代次数多,以及采用固定遗传概率在遗传操作中极易破坏高适应性个体等问题。为此,提出一种用于提高组卷效率的自适应遗传算法。根据组卷参数的不同,采用有侧重的不完全随机搜索策略,针对低适应性个体借助交叉、变异算子进行快速淘汰,同时在迭代过程中增加最优个体保存机制,以较小的运算代价获得较高的组卷效率。实验结果表明,该算法在迭代次数、运行时间和组卷准确性方面均优于传统算法。     

基于自定义权重遗传算法的组卷算法仿真研究

针对目前众多组卷算法对组卷质量和组卷速度不能同时提高的缺陷,导致了组卷系统收敛效果不佳,迭代次数较多,组卷效率不高,难符合用户要求.为解决上述问题,提出了基于自定义的约束权重比的自适应遗传算法,强调在最有可能成为最终个体的基因里进行搜索,并增加优良个体的保留机制,使其在寻优准确率和搜索速度上均明显优于其他组卷算法,且具有很好的收敛性和实用性.实践结果表明,该方法可以有效地解决智能组卷中的多约束优化问题,并同时提高了组卷速度.     

动态进化环境在组卷中的建模与应用

针对遗传算法组卷易陷入早熟、难以收敛的问题进行研究,结合进化环境对进化过程的影响和引导,对动态进化环境进行建模,提出了一种基于动态变异池的策略。该策略的种群不共享变异池,在每次变异前,根据每个个体的弱点动态生成该个体的变异基因库,以此改善当前变异环境,实施引导性变异,提高解质量。该策略能加速收敛,并在很大程度上提高收敛精度。实验数据表明,采用了该策略的组卷算法能快速生成各项指标都与约束条件十分贴近的试卷,具有很好的实用价值。     

基于云遗传算法实现自动组卷问题

使用遗传算法进行自动组卷容易使搜索结果陷入局部最优解,采用云遗传算法来实现自动组卷问题,根据正态云模型的随机性和倾向性,使算法在搜寻最优解的时候更具稳定性,减少算法陷入局部最优解或早熟的机会,在组卷中既可以逐步定位到最优解,又使得搜索具有全局性。     

组卷的遗传算法设计

提出一种改进的遗传算法作为组卷的策略.染色体采用符号编码设计,解决了遗传运算过程中满足约束条件的问题.采用"非优超排序法"对染色体进行评价,在选择算子的设计上,既能够复制一部分较好的个体,又体现了选择的概率性.变异概率和交叉概率能随个体的不同适应度自适应改变,同时变异概率随种群多样性自适应变化.采用基于数据仓库的最优解保存策略,使搜索结果呈现出丰富的Pareto解集.     

基于改进遗传算法智能组卷的研究

组卷问题是解决在一个多约束条件下的多目标参数优化的问题,在研究组卷数学模型的基础上,对遗传算法进行了改进,通过对染色体分段编码、确定适应度函数、分段初始化种群、交叉概率和变异概率的自适应调整及最优个体保存策略措施,实现了智能组卷。通过实验数据测试结果表明,改进遗传算法比简单遗传算法能更好地完成组卷,有更高地组卷效率,有较好地实用性。     

基于改进遗传算法智能组卷的研究

组卷问题是解决在一个多约束条件下的多目标参数优化的问题,在研究组卷数学模型的基础上,对遗传算法进行了改进,通过对染色体分段编码、确定适应度函数、分段初始化种群、交叉概率和变异概率的自适应调整及最优个体保存策略措施,实现了智能组卷。通过实验数据测试结果表明,改进遗传算法比简单遗传算法能更好地完成组卷,有更高地组卷效率,有较好地实用性。     

遗传算法在试题库智能组卷中的应用

通过比较国内常用的组卷算法,遗传算法能解决选题的盲目性,并能从群体中选择更满足条件的个体,具有很强的智能性,同时它能根据不同的环境产生不同的后代,具有动态性、自适应性,从而能满足题库不断变化的要求.通过对智能组卷问题及遗传算子的研究分析,结合实际问题建立有效的数学模型,能够根据该模型从题库中按照用户给出的试卷指标选取一组最优解.开发的组卷系统经使用表明该系统具有较好的实用性和高效性,也证实所设计算法的可行性.     

一种用于智能组卷的自适应小生境遗传算法

在采用遗传算法进行智能组卷的过程中,常出现选择策略缺乏多样性保护机制的现象,易出现早熟收敛。为解决智能组卷的早熟收敛问题,提出一种自适应小生境遗传算法。采用小生境技术可提高个体的选择概率,增加个体的多样性选择机率;在保证算法收敛速度的情况下,给出一种一致变异算子,同时调节个体的变异概率和变异范围,提高种群多样性。最后,通过具体实例验证了该算法在较短的组卷时间内,可以实现全局寻优的结果,从而证明该算法的有效性。自适应小生境遗传算法在智能组卷中的应用具有实际意义。     

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。     

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。     

n元蚁群算法求解组卷问题

组卷问题是一个多约束目标问题的求解。通过分析组卷的数学模型及目标函数,抽象出组卷模型实质是一个多目标线性规划模型,并在二元蚁群算法基础上,设计了一种求解组卷问题的n元蚁群算法,并与贪心算法相结合,对非法个体进行合理化修正。实验结果表明,该算法很好的解决了一次产生多套满足要求的标准化试卷,具有较强的实用性。     

一种自适应遗传算法在自动组卷中的应用

本文研究了自适应遗传算法存在的问题,提出把可进化性的自适应遗传算法用于自动组卷,分析了个体的可进化性,针对可进化的自适应遗传算法和自动组卷的特点,分析和设计了编码、适应度函数和操作算子.     

自适应遗传算法在工程训练在线考试中的应用

在工程训练中心车间信息化实现的基础上,针对工程训练管理系统中考试模块现有组卷方式所带来的抽重复题、组卷效率低下等问题,以满足在线考试的实时性要求。为此,给出一种改进的遗传算法,采用分段整数编码,改进初始种群的产生方法,有效提高了算法的收敛速度,并自适应调整遗传算子,在进化过程中增加去重题策略及最优个体保存机制,维护了种群多样性,保证了运算结果的质量。实验结果表明,该算法不但解决了系统组卷原有的问题,在迭代次数、运行时间和组卷精确度上均明显优于随机组卷法和简单遗传算法。