CN102663910B - 一种基于分层遗传算法的网上考试系统自动选题方法 - Google Patents
一种基于分层遗传算法的网上考试系统自动选题方法 Download PDFInfo
- Publication number
- CN102663910B CN102663910B CN201210066942.0A CN201210066942A CN102663910B CN 102663910 B CN102663910 B CN 102663910B CN 201210066942 A CN201210066942 A CN 201210066942A CN 102663910 B CN102663910 B CN 102663910B
- Authority
- CN
- China
- Prior art keywords
- examination question
- examination
- execution step
- question
- paper
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供的是一种基于分层遗传算法的网上考试系统自动取题方法。本发明的关键在于将分层遗传算法的特征引入网上考试系统的自动取题过程中,该方法能够根据用户对试卷考察范围、试卷难易度等关键属性,选择最符合出题要求的题目快速生成考试试卷,满足考试系统大容量试题库快速高效的取题需求。基于分层遗传算法的自动取题方法能够综合各层次题目难度、试卷总难度、已考试题等情况,从而大大提高了考试系统的取题效率,增强了试卷与取题要求的符合度,并且提高了核对效率。
Description
(一)技术领域
本发明涉及的是一种网上考试系统的自动选题技术。
(二)背景技术
当今世界,云计算思想蓬勃发展,各种基于云计算的应用系统应运而生。科教兴国是国家的既定战略,具有举足轻重的作用,云教育系统实现了云计算和教育的完美结合。而基于云教育系统的网上考试系统是云教育系统的重要补充,是检测教育质量的重要手段。
考试是检测教师教学水平和学生学习能力的重要环节,如何出得一份合理的、区分度较高、覆盖面较广的试卷是评判考试是否具有意义的重要标志。在计算机技术推广之前,考试一般要经历人工出卷、考生考试、人工阅卷、成绩评估、试卷分析等步骤,人工出卷有工作量大、周期长、试题反馈弱等缺点。教师面对试题容量庞大的试题库,势必花销大量的时间比对才能选出满足要求的试题。人工出卷需要出题人从大量题目中选取未考过的、覆盖面广、区分度高的试题中选取一定量的试题,基于知识的延展性和开放性,试题容量可以从几千到几万,乃至几十万。面对如此庞大的试题库,人工出卷难以避免巨大的工作量。同时,难以保证试卷对试题精确度及其它方面的要求。
传统的取题方法,如优化随机函数方法及在其基础上衍化来的分类法和分段法、回溯算法在网上考试系统刚刚兴起的时候起到了巨大的作用,并且随着遗传算法的在取题过程中的利用,取题效率有了很大的提高。
遗传算法(Genetic Algorithm)是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型,可在复杂、庞大的搜索空间中寻找最优解和次优解。它的实质是一种把自然界有机体的优胜劣汰的自然选择、适者生存的进化机制与同一群体中个体与个体间的随机信息交换机制相结合的搜索算法。遗传算法的主要特点是简单、通用、鲁棒性强,适用于并行处理。
本发明是将分层遗传算法应用于考试系统的一种方法,它综合各层次题目难度、试卷总难度、已考试题等情况,从而大大提高了考试系统的取题效率,增强了试卷与取题要求的符合度,并且提高了核对效率。
(三)发明内容
本发明提供的是一种基于分层遗传算法的网上考试系统自动取题方法。该方法能够根据用户对试卷考察范围、试卷难易度等关键属性,选择最符合出题要求的题目快速生成考试试卷,满足考试系统大容量试题库快速高效的取题需求。基于分层遗传算法的自动取题方法能够综合各层次题目难度、试卷总难度、已考试题等情况,从而大大提高了考试系统的取题效率,增强了试卷与取题要求的符合度,并且提高了核对效率。
本发明的目的是这样实现的:
设网上考试系统中包含了1个试题库、1个Web服务器、n个用户(U1,U2,…,Un);任意用户向Web服务器请求试卷时,指定试卷总分Sa,试卷期望平均分S,各类试题要求的试题数目(n1,n2,…,nl),l表示试题类型;试卷应考核的知识点集合为{P1,P2,…,Pk};试题使用频率为(C1,C2,…,Cm);
试题集合为Z={Z1,Z2,…,Zm},满足该题考核的知识点(1≤i,j≤k)和使用频率∈(C1,C2,…,Cm)两个条件,试题Zi的难度值为Di、分值为si;
根据难度等级Gd(1≤d≤w)(w表示为层数即难度等级数),将试题集合为Z进行分析,形成分层集合Hd(1≤d≤w),Hd(1≤d≤w)中知识点出现总数x=x1+…+xk,k表示考核知识点总数,xj(1≤j≤k)为试题集合Z考核知识点Pj的次数;
v表示Hd层题目总数;λdu表示Hd层中第u题;试题λdu的适应度函数Qu=x/xj,命中概率命中概率平均值为F;Fu>F的试题集合表示为Y=(γd1,γd2,…,γdg);γdh(1≤h≤g)为Y中某一题,编码为(θdh1,θdh2,…,θdhe),θdh1,θdh2,…,θdhe表示各编码位,e代表码位总数;
试题库中每一道题具有惟一的编码,编码位的交叉概率为(β1,β2,…,βe),平均值为β;编码位的变异概率为(α1,α2,…,αe),平均值为α;
其具体方法步骤为:
1:输入试卷总分Sa,试卷期望平均分S,各类试题要求的试题数目(n1,n2,…,nl),l表示试题类型;输入交叉概率为(β1,β2,…,βe),变异概率为(α1,α2,…,αe),e代表码位总数;
2:输入试卷需考核的知识点集合(P1,P2,…,Pk),试题使用频率(C1,C2,…,Cr),k为考核知识点总数,r为使用频率值;输入难度等级(G1,G2,…,Gw),w为难度等级数;
3:输入试题库,将满足知识点{P1,P2,…,Pk}、试题使用频率(C1,C2,…,Cr)的试题加入集合Z=(Z1,Z2,…,Zm),Zi(1≤i≤m)为Z中第i题,其编号为IDi,Z中各试题的编号为(ID1,ID2,…,IDm),m为试题总数,Di为难度、si为分值;
4:令i=1,初始化二维数组(Pj,xj)为空;
5:由试题Zi(1≤i≤m)考核的知识点Pj(1≤j≤k)生成二维数组(Pj,xj),xj(1≤j≤k)为Zi所考核知识点Pj的次数;
6:若难度值Di包含在难度等级Gd(1≤d≤w)范围内,则将试题Zi加入分层集合Hd(1≤d≤w),w为层数即难度等级数,执行步骤7;否则,将试题Zi从Z集合中删除,执行步骤7;
7:i+1;
8:若i>m,执行步骤9;否则,执行步骤5;
9:d=1;
10:根据分层集合Hd(1≤d≤w)中试题计算知识点出现总数x=x1+…+xk;
11:令j=1;
12:由(Pj,xj)计算适应度函数值Qu=x/xj,xj(1≤j≤k)为λdu(1≤u≤v)所取用的知识点Pj的次数,λdu为Hd层第u题,v为Hd层题目总数;
13:j+1;
14:若j>k,执行步骤15;否则,执行步骤12;
15:令u=1;
16:计算试题λdu的命中概率
17:u+1;
18:若u>v,执行步骤19;否则,执行步骤16;
19:计算命中概率平均值
20:选择满足条件Fu>F的试题为{γd1,γd2,…,γdg},使Hd={γd1,γd2,…,γdg};
21:将γdh(1≤h≤g)按试题标号IDdh二进制进行编码为(θdh1,θdh2,…,θdhe),θdh1,θdh2,…,θdhe为各编码位,e代表码位总数;
22:计算交叉概率平均值
23:令p=1;
24:若βp≥β,则任选满足Fu>F条件的两道试题γdh和γdf(1≤h,f≤g),将γdh的θdhp位和γdf的θdfp位互换,执行步骤25;否则,执行步骤25;
25:p+1;
26:若p>e,则执行步骤27;否则,执行步骤24;
27:计算变异概率平均值
28:令q=1;
29:初始化T为空;
30:若αq≥α,则试题γdh的θdhq位和试题γdf的θdfq按位取反,执行步骤31;否则,执行步骤31;
31:生成五元组(γdh,Ddh,ndh,sdh,Qdh),t为Hd中题目总数;
32:将(γdh,Ddh,ndh,sdh,Qdh)加入集合T;
33:q+1;
34:若q>e,则执行步骤35;否则,执行步骤30;
35:d+1;
36:若d>w,则执行步骤37;否则,执行步骤11;
37:由集合T计算 及
38:若满足Sb=S,Sc=Sa,则输出选择的题目,结束程序;否则,执行步骤36;
39:由集合T得到(γ11,…,γdh,…,γwt)的适应度值(Q11,…,Qdh,…,Qwt),w表示层次总数,t表示该层题目总数;
40:令j=1;
41:由(Pj,xj)计算适应度函数值Qu=x/xj,xj(1≤j≤k)为λdu(1≤u≤v)所取用的知识点Pj的次数,λdu为Hd层第u题,v为Hd层题目总数;
42:j+1;
43:若j>k,执行步骤44;否则,执行步骤41;
44:令u=1;
45:计算试题λdu的命中概率
46:u+1;
47:若u>v,执行步骤48;否则,执行步骤45;
48:计算命中概率平均值
49:选择满足条件Fu>F的试题为{γd1,γd2,…,γdg},使Hd={γd1,γd2,…,γdg};
50:将γdh(1≤h≤g)按试题标号IDdh二进制进行编码为(θdh1,θdh2,…,θdhe),θdh1,θdh2,…,θdhe为各编码位,e代表码位总数;
51:计算交叉概率平均值
52:令p=1;
53:若βp≥β,则任选满足Fu>F条件的两道试题γdh和γdf(1≤h,f≤g),将γdh的θdhp位和γdf的θdfp位互换,执行步骤54;否则,执行步骤54;
54:p+1;
55:若p>e,则执行步骤56;否则,执行步骤53;
56:计算变异概率平均值
57:令q=1;
58:初始化T为空;
59:若αq≥α,则试题γdh的θdhq位和试题γdf的θdfq按位取反,执行步骤60;否则,执行步骤60;
60:生成五元组(γdh,Ddh,ndh,sdh,Qdh),t为Hd中题目总数;
61:将(γdh,Ddh,ndh,sdh,Qdh)加入集合T;
62:q+1;
63:若q>e,则执行步骤64;否则,执行步骤11;
本发明的关键在于如何根据用户对试卷的请求要求,快速精确的生成试卷,为此,引入了知识点及难度以使系统具有学习的能力,自动的对如何取题进行分析。按难度对其分层并且以知识点作为比对的主要标准,减少了取题时间由题库容量大引起的影响,加快了取题的效率,并且使系统具有了一定的学习能力,满足了智能化人性化的要求。
其主要创新点如下:
1、根据用户对试卷的要求,由考试系统按照总分、题目数、知识点、能力等关键属性,自动分析并完成对试题的抽取,从而使系统具有了一定的学习能力,更加智能,更加满足用户对试卷的要求。
2、实现了分层遗传算法在网上考试系统取题过程的应用,使系统在具有一定学习能力的基础上实现了对试题库试题的并行操作,加快了取题速率,缩短了用户的等待时间,使效率得到了较大提升。
(四)附图说明
图1:基于分层遗传算法的考试系统自动取题方案;
(五)具体实施方式
下面结合附图举例对本发明做更详细地描述:
本发明所述算法的特征在于:
设网上考试系统中包含了1个试题库、1个Web服务器、n个用户(U1,U2,…,Un);任意用户向Web服务器请求试卷时,指定试卷总分Sa,试卷期望平均分S,各类试题要求的试题数目(n1,n2,…,nl),l表示试题类型;试卷应考核的知识点集合为{P1,P2,…,Pk};试题使用频率为(C1,C2,…,Cm);
试题集合为Z={Z1,Z2,…,Zm},满足该题考核的知识点(1≤i,j≤k)和使用频率∈(C1,C2,…,Cm)两个条件,试题Zi的难度值为Di、分值为si;
根据难度等级Gd(1≤d≤w)(w表示为层数即难度等级数),将试题集合为Z进行分析,形成分层集合Hd(1≤d≤w),Hd(1≤d≤w)中知识点出现总数x=x1+…+xk,k表示考核知识点总数,xj(1≤j≤k)为试题集合Z考核知识点Pj的次数;
v表示Hd层题目总数;λdu表示Hd层中第u题;试题λdu的适应度函数Qu=x/xj,命中概率命中概率平均值为F;Fu>F的试题集合表示为Y=(γd1,γd2,…,γdg);γdh(1≤h≤g)为Y中某一题,编码为(θdh1,θdh2,…,θdhe),θdh1,θdh2,…,θdhe表示各编码位,e代表码位总数;
试题库中每一道题具有惟一的编码,编码位的交叉概率为(β1,β2,…,βe),平均值为β;编码位的变异概率为(α1,α2,…,αe),平均值为α;
其具体方法步骤为:
1:输入试卷总分Sa,试卷期望平均分S,各类试题要求的试题数目(n1,n2,…,nl),l表示试题类型;输入交叉概率为(β1,β2,…,βe),变异概率为(α1,α2,…,αe),e代表码位总数;
2:输入试卷需考核的知识点集合(P1,P2,…,Pk),试题使用频率(C1,C2,…,Cr),k为考核知识点总数,r为使用频率值;输入难度等级(G1,G2,…,Gw),w为难度等级数;
3:输入试题库,将满足知识点{P1,P2,…,Pk}、试题使用频率(C1,C2,…,Cr)的试题加入集合Z=(Z1,Z2,…,Zm),Zi(1≤i≤m)为Z中第i题,其编号为IDi,Z中各试题的编号为(ID1,ID2,…,IDm),m为试题总数,Di为难度、si为分值;
4:令i=1,初始化二维数组(Pj,xj)为空;
5:由试题Zi(1≤i≤m)考核的知识点Pj(1≤j≤k)生成二维数组(Pj,xj),xj(1≤j≤k)为Zi所考核知识点Pj的次数;
6:若难度值Di包含在难度等级Gd(1≤d≤w)范围内,则将试题Zi加入分层集合Hd(1≤d≤w),w为层数即难度等级数,执行步骤7;否则,将试题Zi从Z集合中删除,执行步骤7;
7:i+1;
8:若i>m,执行步骤9;否则,执行步骤5;
9:d=1;
10:根据分层集合Hd(1≤d≤w)中试题计算知识点出现总数x=x1+…+xk;
11:令j=1;
12:由(Pj,xj)计算适应度函数值Qu=x/xj,xj(1≤j≤k)为λdu(1≤u≤v)所取用的知识点Pj的次数,λdu为Hd层第u题,v为Hd层题目总数;
13:j+1;
14:若j>k,执行步骤15;否则,执行步骤12;
15:令u=1;
16:计算试题λdu的命中概率
17:u+1;
18:若u>v,执行步骤19;否则,执行步骤16;
19:计算命中概率平均值
20:选择满足条件Fu>F的试题为{γd1,γd2,…,γdg},使Hd={γd1,γd2,…,γdg};
21:将γdh(1≤h≤g)按试题标号IDdh二进制进行编码为(θdh1,θdh2,…,θdhe),θdh1,θdh2,…,θdhe为各编码位,e代表码位总数;
22:计算交叉概率平均值
23:令p=1;
24:若βp≥β,则任选满足Fu>F条件的两道试题γdh和γdf(1≤h,f≤g),将γdh的θdhp位和γdf的θdfp位互换,执行步骤25;否则,执行步骤25;
25:p+1;
26:若p>e,则执行步骤27;否则,执行步骤24;
27:计算变异概率平均值
28:令q=1;
29:初始化T为空;
30:若αq≥α,则试题γdh的θdhq位和试题γdf的θdfq按位取反,执行步骤31;否则,执行步骤31;
31:生成五元组(γdh,Ddh,ndh,sdh,Qdh),t为Hd中题目总数;
32:将(γdh,Ddh,ndh,sdh,Qdh)加入集合T;
33:q+1;
34:若q>e,则执行步骤35;否则,执行步骤30;
35:d+1;
36:若d>w,则执行步骤37;否则,执行步骤11;
37:由集合T计算 及
38:若满足Sb=S,Sc=Sa,则输出选择的题目,结束程序;否则,执行步骤36;
39:由集合T得到(γ11,…,γdh,…,γwt)的适应度值(Q11,…,Qdh,…,Qwt),w表示层次总数,t表示该层题目总数;
40:令j=1;
41:由(Pj,xj)计算适应度函数值Qu=x/xj,xj(1≤j≤k)为λdu(1≤u≤v)所取用的知识点Pj的次数,λdu为Hd层第u题,v为Hd层题目总数;
42:j+1;
43:若j>k,执行步骤44;否则,执行步骤41;
44:令u=1;
45:计算试题λdu的命中概率
46:u+1;
47:若u>v,执行步骤48;否则,执行步骤45;
48:计算命中概率平均值
49:选择满足条件Fu>F的试题为{γd1,γd2,…,γdg},使Hd={γd1,γd2,…,γdg};
50:将γdh(1≤h≤g)按试题标号IDdh二进制进行编码为(θdh1,θdh2,…,θdhe),θdh1,θdh2,…,θdhe为各编码位,e代表码位总数;
51:计算交叉概率平均值
52:令p=1;
53:若βp≥β,则任选满足Fu>F条件的两道试题γdh和γdf(1≤h,f≤g),将γdh的θdhp位和γdf的θdfp位互换,执行步骤54;否则,执行步骤54;
54:p+1;
55:若p>e,则执行步骤56;否则,执行步骤53;
56:计算变异概率平均值
57:令q=1;
58:初始化T为空;
59:若αq≥α,则试题γdh的θdhq位和试题γdf的θdfq按位取反,执行步骤60;否则,执行步骤60;
60:生成五元组(γdh,Ddh,ndh,sdh,Qdh),t为Hd中题目总数;
61:将(γdh,Ddh,ndh,sdh,Qdh)加入集合T;
62:q+1;
63:若q>e,则执行步骤64;否则,执行步骤11;
基于分层遗传算法的网上考试系统自动取题方法具体实施模式是这样的:
由1个试题库、1个Web服务器和n个用户构成的网上考试系统,当用户有考试请求时,向Web服务器发送试卷请求;Web服务器将试卷请求提交给试题库;试题库按照试卷请求按照分层遗传算法生成试卷;试题库将试卷生成请求发送给Web服务器,并在库内保留该试卷;试题库将试卷提交给Web服务器;Web服务器将试卷提交给用户。至此,整个算法的实施模式结束。
Claims (1)
1.一种基于分层遗传算法的网上考试系统自动选题方法,其特征是:由1个试题库、1个Web服务器和n个用户构成的网上考试系统,当用户有考试请求时,向Web服务器发送试卷请求;Web服务器将试卷请求提交给试题库;试题库按照试卷请求按照分层遗传算法生成试卷;试题库将试卷生成请求发送给Web服务器,并在库内保留该试卷;试题库将试卷提交给Web服务器;Web服务器将试卷提交给用户;多个用户可以同时发送试卷请求;试题库可以同时生成多个试卷;
设网上考试系统中包含了1个试题库、1个Web服务器、n个用户(U1,U2,…,Un);任意用户向Web服务器请求试卷时,指定试卷总分sa,试卷期望平均分S,各类试题要求的试题数目(n1,n2,…,nl),l表示试题类型;试卷应考核的知识点集合为{P1,P2,…,Pk};试题使用频率为(C1,C2,…,Cm);
试题集合为Z=(Z1,Z2,…,Zm),其中1≤i≤m,满足试题考核的知识点其中1≤i,j≤k和使用频率∈(C1,C2,…,Cm)两个条件,试题Zi的难度值为Di、分值为si;
根据难度等级Gd,其中1≤d≤w,w表示为层数即难度等级数,将试题集合为Z进行分析,形成分层集合Hd,其中1≤d≤w,Hd中知识点出现总数x=x1+…+xk,k表示考核知识点总数,xj,其中1≤j≤k,为试题集合Z考核知识点Pj的次数;
v表示Hd层题目总数;λdu表示Hd层中第u题;试题λdu的适应度函数Qu=x/xj,命中概率命中概率平均值为F;Fu>F的试题集合表示为Y=(γd1,γd2,…,γdg);γdh,其中,1≤h≤g为Y中某一题,编码为(θdh1,θth2,…,θdhe),θdh1,θdh2,…,θdhe表示各编码位,e代表码位总数;
试题库中每一道题具有惟一的编码,编码位的交叉概率为(β1,β2,…,βe),平均值为β;编码位的变异概率为(α1,α2,…,αe),平均值为α;
根据上述的基于分层遗传算法的网上考试系统自动取题方法,其特征是:其具体方法步骤为:
1:输入试卷总分Sa,试卷期望平均分S,各类试题要求的试题数目(n1,n2,…,nl),l表示试题类型;输入交叉概率为(β1,β2,…,βe),变异概率为(α1,α2,…,αe),e代表码位总数;
2:输入试卷需考核的知识点集合(P1,P2,…,Pk),试题使用频率(C1,C2,…,Cr),k为考核知识点总数,r为使用频率值;输入难度等级(G1,G2,…,Gw),w为难度等级数;
3:输入试题库,将满足知识点{P1,P2,…,Pk}、试题使用频率(C1,C2,…,Cr)的试题加入集合Z=(Z1,Z2,…,Zm),Zi,其中1≤i≤m为Z中第i题,其编号为IDi,Z中各试题的编号为(ID1,ID2,…,IDm),m为试题总数,Di为难度、si为分值;
4:令i=1,初始化二维数组(Pj,xj)为空;
5:由试题Zi,其中1≤i≤m考核的知识点Pj,其中1≤j≤k生成二维数组(Pj,xj),xj,其中1≤j≤k为Zi所考核知识点Pj的次数;
6:若难度值Di包含在难度等级Gd,其中1≤d≤w范围内,则将试题Zi加入分层集合Hd,其中1≤d≤w,w为层数即难度等级数,执行步骤7;否则,将试题Zi从Z集合中删除,执行步骤7;
7:i+1;
8:若i>m,执行步骤9;否则,执行步骤5;
9:d=1;
10:根据分层集合Hd,其中1≤d≤w中试题计算知识点出现总数x=x1+…+xk;
11:令j=1;
12:由(Pj,xj)计算适应度函数值Qu=x/xj,xj为λdu,其中1≤j≤k,1≤u≤v所取用的知识点Pj的次数,λdu为Hs层第u题,v为Hd层题目总数;
13:j+1;
14:若j>k,执行步骤15;否则,执行步骤12;
15:令u=1;
16:计算试题λdu的命中概率
17:u+1;
18:若u>v,执行步骤19;否则,执行步骤16;
19:计算命中概率平均值
20:选择满足条件Fu>F的试题为(γx1,γd2,…,γdg),使hd=(γd1,γd2,…,γdg);
21:将γdh,其中1≤h≤g按试题标号IDth二进制进行编码为(θdh1,θdh2,…,θdhe),θdh1,θdh2,…,θdhe为各编码位,e代表码位总数;
22:计算交叉概率平均值
23:令p=1;
24:若βp≥β,则任选满足Fu>F条件的两道试题γdh和γdf其中1≤h,f≤g,将γdh的θdfp位和γdf的θdfp位互换,执行步骤25;否则,执行步骤25;
25:p+1;
26:若p>e,则执行步骤27;否则,执行步骤24;
27:计算变异概率平均值
28:令q=1;
29:初始化T为空;
30:若αq≥α,则试题γdh的θdhq位和试题γdf的θdhq按位取反,执行步骤31;否则,执行步骤31;
31:生成五元组(γdh,Dth,ndh,sdh,Qdh),t为Hd中题目总数;
32:将(γdh,Ddh,ndh,sdh,Qdh)加入集合T;
33:q+1;
34:若q>e,则执行步骤35;否则,执行步骤30;
35:d+1;
36:若d>w,则执行步骤37;否则,执行步骤11;
37:由集合T计算 及
38:若满足Sb=S,Sc=Sa,则输出选择的题目,结束程序;否则,执行步骤36;
39:由集合T得到(γ11,…,γdh,…,γwt)的适应度值(Q11,…,Qdh,…,Qwt),w表示层次总数,t表示该层题目总数;
40:令j=1;
41:由(Pj,xj)计算适应度函数值Qu=x/xj,xj为λdu所取用的知识点Pj的次数,其中1≤j≤k,1≤u≤v,λdu为Hd层第u题,v为Hd层题目总数;
42:j+1;
43:若j>k,执行步骤44;否则,执行步骤41;
44:令u=1;
45:计算试题λdu的命中概率
46:u+1;
47:若u>v,执行步骤48;否则,执行步骤45;
48:计算命中概率平均值
49:选择满足条件Fu>F的试题为{γd1,γd2,…,γdg},使Hd={γd1,γd2,…,γdg};
50:将γdh,其中1≤h≤g按试题标号IDdh二进制进行编码为(θdh1,θdh2,…,θdhe),θdh1,θdh2,…,θdhe为各编码位,e代表码位总数;
51:计算交叉概率平均值
52:令p=1;
53:若βp≥β,则任选满足Fu>F条件的两道试题γdh和γdf,其中1≤h,f≤g,将γdh的θdhp位和γdf的θdfp位互换,执行步骤54;否则,执行步骤54;
54:p+1;
55:若P>e,则执行步骤56;否则,执行步骤53;
56:计算变异概率平均值
57:令q=1;
58:初始化T为空;
59:若αq≥α,则试题γdh的θdhq位和试题γdf的θdfq按位取反,执行步骤60;否则,执行步骤60;
60:生成五元组(γdh,Ddh,ndh,sdh,Qdh),t为Hd中题目总数;
61:将(γdh,Ddh,ndh,sdh,Qdh)加入集合T;
62:q+1;
63:若q>e,则执行步骤9;否则,执行步骤59。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210066942.0A CN102663910B (zh) | 2012-03-14 | 2012-03-14 | 一种基于分层遗传算法的网上考试系统自动选题方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210066942.0A CN102663910B (zh) | 2012-03-14 | 2012-03-14 | 一种基于分层遗传算法的网上考试系统自动选题方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102663910A CN102663910A (zh) | 2012-09-12 |
CN102663910B true CN102663910B (zh) | 2014-12-10 |
Family
ID=46773382
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210066942.0A Expired - Fee Related CN102663910B (zh) | 2012-03-14 | 2012-03-14 | 一种基于分层遗传算法的网上考试系统自动选题方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102663910B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106469169A (zh) | 2015-08-19 | 2017-03-01 | 阿里巴巴集团控股有限公司 | 信息处理方法及装置 |
CN110309300B (zh) * | 2018-08-23 | 2021-05-11 | 北京慧经知行信息技术有限公司 | 一种识别理科试题知识点的方法 |
CN112307282A (zh) * | 2019-07-26 | 2021-02-02 | 小船出海教育科技(北京)有限公司 | 基于知识点表达式的自动出题方法、装置、系统及介质 |
CN113052315B (zh) * | 2019-12-26 | 2022-05-17 | 北京易真学思教育科技有限公司 | 组卷模型训练及其组卷方法、装置及计算机存储介质 |
CN111369063B (zh) * | 2020-03-06 | 2022-08-09 | 北京易真学思教育科技有限公司 | 组卷模型训练方法、组卷方法及相关装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1248247A1 (en) * | 2001-02-16 | 2002-10-09 | Absolutely Training Limited | A computer-based system and method for providing multiple choice examination |
CN102332216A (zh) * | 2011-10-21 | 2012-01-25 | 杭州学乐网络技术有限公司 | 一种辅助学校教育的远程教学方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6957200B2 (en) * | 2001-04-06 | 2005-10-18 | Honeywell International, Inc. | Genotic algorithm optimization method and network |
-
2012
- 2012-03-14 CN CN201210066942.0A patent/CN102663910B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1248247A1 (en) * | 2001-02-16 | 2002-10-09 | Absolutely Training Limited | A computer-based system and method for providing multiple choice examination |
CN102332216A (zh) * | 2011-10-21 | 2012-01-25 | 杭州学乐网络技术有限公司 | 一种辅助学校教育的远程教学方法及系统 |
Non-Patent Citations (6)
Title |
---|
基于遗传算法智能组卷系统的研究与实现;裘德海;《万方平台学位论文》;20101231;全文 * |
基于遗传算法的高校试题组卷系统的研究;张福泉;《廊坊师范学院学报》;20110831;第11卷(第4期);第25-28页 * |
张福泉.基于遗传算法的高校试题组卷系统的研究.《廊坊师范学院学报》.2011,第11卷(第4期),第25-28页. * |
标准化网络考试系统研究与实现;汪捷;《中国优秀硕士学位论文全文数据库》;20060405;论文第9页,第30页,第35-37页及图2.1 * |
汪捷.标准化网络考试系统研究与实现.《中国优秀硕士学位论文全文数据库》.2006,论文第9页,第30页,第35-37页及图2.1. * |
裘德海.基于遗传算法智能组卷系统的研究与实现.《万方平台学位论文》.2010,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN102663910A (zh) | 2012-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111554268B (zh) | 基于语言模型的语言识别方法、文本分类方法和装置 | |
CN102663910B (zh) | 一种基于分层遗传算法的网上考试系统自动选题方法 | |
CN104573669B (zh) | 图像物体检测方法 | |
CN109918491B (zh) | 一种基于知识库自学习的智能客服问句匹配方法 | |
CN110032635B (zh) | 一种基于深度特征融合神经网络的问题对匹配方法和装置 | |
CN106528656A (zh) | 一种基于学员历史和实时学习状态参量实现课程推荐的方法和系统 | |
CN109215632A (zh) | 一种语音评测方法、装置、设备及可读存储介质 | |
CN107665473A (zh) | 学习路径规划方法和装置 | |
CN113239916B (zh) | 一种表情识别及课堂状态评估方法、设备及介质 | |
CN106127634A (zh) | 一种基于朴素贝叶斯模型的学生学业成绩预测方法及系统 | |
CN111831831A (zh) | 一种基于知识图谱的个性化学习平台及其构建方法 | |
CN108717441A (zh) | 问题模板所对应的谓词的确定方法及装置 | |
CN111160606B (zh) | 试题难度预测方法及相关装置 | |
CN113887930B (zh) | 问答机器人健康度评估方法、装置、设备及存储介质 | |
CN115471885A (zh) | 动作单元相关性学习方法、装置、电子设备及存储介质 | |
CN115564194A (zh) | 智能电网的计量异常诊断信息生成模型构建方法及系统 | |
Huang-Fu et al. | Comparing the performance of machine learning and deep learning algorithms classifying messages in Facebook learning group | |
CN109359190A (zh) | 一种基于评价对象阵营的立场分析模型构建方法 | |
CN113011196A (zh) | 一种概念增强表示与单向蕴含注意力的主观题自动阅卷神经网络模型 | |
CN113705242A (zh) | 面向教育咨询服务的智能语义匹配方法和装置 | |
CN116702743A (zh) | 文本相似度检测方法和装置、电子设备及存储介质 | |
CN116244484A (zh) | 一种面向不平衡数据的联邦跨模态检索方法及系统 | |
CN113256130A (zh) | 一种基于教学大数据分析的师生匹配度评估方法及系统 | |
Wijesoma et al. | Selecting optimal personalized features for on-line signature verification using GA | |
KR20190073907A (ko) | 깊은 컨볼루션 네트워크를 이용한 안면검증 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20141210 Termination date: 20160314 |
|
CF01 | Termination of patent right due to non-payment of annual fee |