CN108932546A - 一种组卷方法和系统 - Google Patents

一种组卷方法和系统 Download PDF

Info

Publication number
CN108932546A
CN108932546A CN201810521513.5A CN201810521513A CN108932546A CN 108932546 A CN108932546 A CN 108932546A CN 201810521513 A CN201810521513 A CN 201810521513A CN 108932546 A CN108932546 A CN 108932546A
Authority
CN
China
Prior art keywords
module
topic
group
fitness
optimizing
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.)
Pending
Application number
CN201810521513.5A
Other languages
English (en)
Inventor
杜长河
沈国平
李秀福
吴智伟
陈关忠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingdao Gaoxiao Information Industry Corp Ltd
Original Assignee
Qingdao Gaoxiao Information Industry Corp Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qingdao Gaoxiao Information Industry Corp Ltd filed Critical Qingdao Gaoxiao Information Industry Corp Ltd
Priority to CN201810521513.5A priority Critical patent/CN108932546A/zh
Publication of CN108932546A publication Critical patent/CN108932546A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种组卷方法和系统，接收多目标组卷需求后，按照题目所属模块将题目进行分类；对每个模块寻优找到符合每个模块需求的最优题目组合；最后将每个模块中计算出的最优题目组合整合成为试卷；这种以具体分类模块为种群的组卷方式，相比传统粒子群组卷方法中以整个试卷为一个粒子的方式，本申请提出的组卷方法结构清晰，计算量小，使得寻优范围更加明确，解决现有多目标组卷具有较大不确定性的技术问题，满足多目标组卷需求，提高了组卷效率。

Description

一种组卷方法和系统
技术领域
本发明属于智能组卷技术领域，具体地说，是涉及一种组卷方法和系统。
背景技术
依靠人工完成的传统组卷方法具有成本高、出错率高、效率低等缺点。
随着计算机技术的发展，逐步实现了半人工组卷以及一定程度上的自动组卷方法，例如优先权法、随机抽取法、回溯试探法等等，但这些方法面对多目标组卷需求，具有较大的不确定性，难以满足组卷的实际需求。
发明内容
本申请提供了一种组卷方法和系统，解决现有多目标组卷具有较大不确定性的技术问题。
为解决上述技术问题，本申请采用以下技术方案予以实现：
提出一种组卷方法，包括：接收多目标组卷需求；按照题目所属模块将题目进行分类；对每个模块寻优找到符合每个模块需求的最优题目组合；将每个模块中计算出的最优题目组合整合成为试卷。
进一步的，在接收多目标组卷需求之前，所述方法还包括：为题库中的每道题目分配属性；其中，所述属性包括试题内容、难度系数、题目分值、考察知识点、所属模块和题目编号。
进一步的，所述对每个模块寻优找到符合每个模块需求的最优题目组合，具体为：针对每个模块执行以下步骤：构建模块的适应度函数；随机选择设定组可行解作为初始种群，计算初始种群中每组可行解的适应度；选择前设定比例适应度高的个体进行二进制编码并交叉运算，以及依概率进行变异运算；交叉运算和变异运算之后将二进制编码转化为可行解形成新的种群；对新的种群重复计算每组可行解的适应度、二进制编码、交叉运算和变异运算的步骤直至新种群满足适应度条件或遗传代数；以最后一代中适应度最高的可行解作为模块的最优题目组合。
进一步的，构建的适应度函数具体为：；
,,
；
其中，为模块题目的难度系数，为模块题目的总个数，为模块的难度系数，为模块题目的分值，为模块总分值，为模块题目考察的知识点个数，为模块考察的知识点个数。
进一步的，在以F为适应度函数寻优中，以为自变量，以和为约束条件。
提出一种组卷系统，包括组卷需求录入模块、题目分类模块、寻优模块和组卷模块；所述组卷需求录入模块，用于接收多目标组卷需求；所述题目分类模块，用于按照题目所属模块将题目进行分类；所述寻优模块，用于对每个模块寻优找到符合每个模块需求的最优题目组合；所述组卷模块，用于将每个模块中计算出的最优题目组合整合为试卷。
进一步的，所述组卷系统还包括属性分配模块，用于为题库中的每道题目分配属性；其中，所述属性包括试题内容、难度系统、题目分值、考察知识点、所属模块和题目编号。
进一步的，所述寻优模块包括适应度函数构建单元、初始种群构建单元、可行解适应度计算单元、最优题目组合计算单元；所述适应度函数构建单元，用于构建模块的适应度函数；所述初始种群构建单元，用于随机选择设定组可行解作为初始种群；所述可行解适应度计算单元，用于计算所述初始种群中每组可行解的适应度，选择设定比例适应度高的个体进行二进制编码并交叉运算，以及依概率进行变异运算；交叉运算和变异运算之后将二进制编码转化为可行解形成新的种群；对新的种群重复计算每组可行解的适应度、二进制编码、交叉运算和变异运算的步骤直至新种群满足适应度条件或遗传代数；所述最优题目组合计算单元，用于选取最后一代中适应度最高的可行解作为模块的最优题目组合。
进一步的，所述适应度函数构建单元构建的适应度函数具体为：；
,,
；
其中，为模块题目的难度系数，为模块题目的总个数，为模块的难度系数，为模块题目的分值，为模块总分值，为模块题目考察的知识点个数，为模块考察的知识点个数。
进一步的，所述寻优模块还包括约束条件设定单元，用于在以F为适应度函数寻优中，以为自变量，以和设定约束条件。
与现有技术相比，本申请的优点和积极效果是：本申请提出的组卷方法和系统中，接收多目标组卷需求后按照题目所属模块对题目进行分类，针对每一个分类模块寻优找到符合模块需求的最优题目组合后，整个所有模块的最优题目组合形成试卷，这种以具体分类模块为种群的组卷方式，相比传统粒子群组卷方法中以整个试卷为一个粒子的方式，本申请提出的组卷方法结构清晰，计算量小，使得寻优范围更加明确，解决现有多目标组卷具有较大不确定性的技术问题，满足多目标组卷需求，提高了组卷效率。
结合附图阅读本申请实施方式的详细描述后，本申请的其他特点和优点将变得更加清楚。
附图说明
图1 为本申请提出的组卷方法的流程图；
图2为本申请提出的组卷系统的系统架构图。
具体实施方式
下面结合附图对本申请的具体实施方式作进一步详细地说明。
本申请提出的组卷方法，如图1所示，包括如下步骤：
步骤S11：接收多目标组卷需求。
在实际应用中，首先建立题库，并对题库中每道试题分配属性,这里的属性包括试题内容、难度系数、题目分值、考察知识点、所属模块和题目编号。
具体应用中，试题内容为具体的题目；难度系数为试题的难度，值为小数，范围为0-1，难度最小为0，难度最大为1；题目分值为整数，范围1-70；考察知识点为字符串；所属模块为整数，选择题为1，填空题为2，简答题为3，综合题为4等等；题目编号为大于等于1的整数。
组卷需求如下：（1）试卷总分；如100分、150分；（2）试卷包含模块：选择题模块、填空题模块、简答题模块和/或综合题模块；（3）各模块分值所占比例：例如20%、30%、50%、70%、100%；（4）各模块题目个数；（5）各模块难度系数；（6）各模块包含题目个数；（7）各模块考察知识点个数。
多目标组卷需求即为上述组卷需求的多目标设定，实际应用中根据考生能力、需求和试卷要求等设定。
步骤S12：按照题目所属模块将题目进行分类。
例如接收到的多目标组卷需求为选择题、填空题、简答题和综合题，则分别挑选出题库中的模块属性为选择题的所有题目、模块属性为填空题的所有题目、模块属性为简答题的所有题目和模块属性为综合题的所有题目。
按照模块分类挑选出题目后，对每个模块将挑选出的题目重新编号，编号都从1开始。
步骤S13：对每个模块寻优找到符合每个模块需求的最优题目组合。
在对每个分类模块中的题目重新编号之后，针对每个模块执行以下步骤：
1、根据模块所占总分值比例和所选总分值，计算出该模块的总分值；
2、确定该模块题目个数，作为后续构建的适应度函数的自变量个数；
3、构建模块的适应度函数为：
；
,,
；
其中，为模块中题目的难度系数，为模块题目的总个数，为模块的难度系数，为模块中题目的分值，为模块总分值，为模块中题目考察的知识点个数，为模块考察的知识点个数；为模块中的题目编号。
该适应度函数为多目标综合的数学表达，适应度越高，越能满足组卷的多目标需求。寻优结果为最能满足适应度条件的可行解，表明寻优结果能满足多目标组卷需求。
4、以为自变量，以和为约束条件,对F进行寻优。
具体的，随机选择设定组（例如80组）可行解作为初始种群，每组可行解为一个长度为的向量，每组可行解可看作为种群中的一个个体，计算初始种群中每组可行解，也即每个个体的适应度；选择种群中适应度为前设定比例（例如前20%）适应度高的个体进行二进制编码，二进制位数为自变量上限值转变为二进制的位数，然后交叉运算，再依概率（例如0.003）进行变异运算，交叉运算和变异运算之后再将二进制变化转化为可行解，形成新的种群；对新的种群继续下一次的适应度计算、二进制编码、交叉运算、变异运算、转化可行解组成新的种群，直至新的种群满足适应度条件或遗传代数。
以最后一代中适应度最高的可行解作为模块的最优题目组合。
步骤S14：将每个模块中计算出的最优题目组合整合为试卷。
上述步骤S13中，对选择题模块、填空题模块、简答题模块和综合题模块，分别针对每个模块寻优确定最优题目组合后，将每个模块的最优题目组合整合生成试卷输出。
上述可见，本申请提出的组卷方法和组卷系统中，接收多目标组卷需求后按照题目所属模块对题目进行分类，针对每一个分类模块寻优找到符合模块需求的最优题目组合后，整个所有模块的最优题目组合形成试卷，这种以具体分类模块为种群的组卷方式，相比传统粒子群组卷方法中以整个试卷为一个粒子的方式，本申请提出的组卷方法结构清晰，计算量小，使得寻优范围更加明确，解决现有多目标组卷具有较大不确定性的技术问题，满足多目标组卷需求，提高了组卷效率。
基于上述提出的组卷方法，本申请还提出一种组卷系统，如图2所示，包括组卷需求录入模块21、题目分类模块22、寻优模块23和组卷模块24；其中，组卷需求录入模块21用于接收多目标组卷需求；题目分类模块22用于按照题目所属模块将题目进行分类；寻优模块23用于对每个模块寻优找到符合每个模块需求的最优题目组合；组卷模块24用于将每个模块中计算出的最优题目组合整合为试卷。
该组卷系统还包括属性分配模块25，用于为题库中的每道题目分配属性；其中，属性包括试题内容、难度系统、题目分值、考察知识点、所属模块和题目编号。
具体的，寻优模块23包括适应度函数构建单元231、初始种群构建单元232、可行解适应度计算单元233、最优题目组合计算单元234；适应度函数构建单元231用于构建模块的适应度函数；初始种群构建单元232用于随机选择设定组可行解作为初始种群；可行解适应度计算单元233用于计算初始种群中每组可行解的适应度，选择设定比例适应度高的个体进行二进制编码并交叉运算，以及依概率进行变异运算；交叉运算和变异运算之后将二进制编码转化为可行解形成新的种群；对新的种群重复计算每组可行解的适应度、二进制编码、交叉运算和变异运算的步骤直至新种群满足适应度条件或遗传代数；最优题目组合计算单元234用于选取最后一代中适应度最高的可行解作为模块的最优题目组合。
适应度函数构建单元231构建的适应度函数具体为：；
,,
；
其中，为模块题目的难度系数，为模块题目的总个数，为模块的难度系数，为模块题目的分值，为模块总分值，为模块题目考察的知识点个数，为模块考察的知识点个数。
寻优模块23还包括约束条件设定单元235，用于在以F为适应度函数寻优中，以为自变量，以和 设定约束条件。
具体的组卷系统的组卷方法已经在上述组卷方法中详述，此处不予赘述。
本申请提出的组卷方法和系统中，以具体分类模块为种群，计算量小且寻优范围明确，组卷结构清晰，组卷成本低、出错率低，能够满足多目标组卷需求，解决了现有多目标组卷具有较大不确定性的技术问题。
应该指出的是，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。

Claims (10)

1.一种组卷方法，其特征在于，包括：
接收多目标组卷需求；
按照题目所属模块将题目进行分类；
对每个模块寻优找到符合每个模块需求的最优题目组合；
将每个模块中计算出的最优题目组合整合成为试卷。
2.根据权利要求1所述的组卷方法，其特征在于，在接收目标组卷需求之前，所述方法还包括：
为题库中的每道题目分配属性；其中，所述属性包括试题内容、难度系数、题目分值、考察知识点、所属模块和题目编号。
3.根据权利要求1所述的组卷方法，其特征在于，所述对每个模块寻优找到符合每个模块需求的最优题目组合，具体为：
针对每个模块执行以下步骤：
构建模块的适应度函数；
随机选择设定组可行解作为初始种群，计算初始种群中每组可行解的适应度；
选择前设定比例适应度高的个体进行二进制编码并交叉运算，以及依概率进行变异运算；
交叉运算和变异运算之后将二进制编码转化为可行解形成新的种群；
对新的种群重复计算每组可行解的适应度、二进制编码、交叉运算和变异运算的步骤直至新种群满足适应度条件或遗传代数；
以最后一代中适应度最高的可行解作为模块的最优题目组合。
4.根据权利要求3所述的组卷方法，其特征在于，构建的适应度函数具体为：；
,,
；
其中，为模块题目的难度系数，为模块题目的总个数，为模块的难度系数，为模块题目的分值，为模块总分值，为模块题目考察的知识点个数，为模块考察的知识点个数。
5.根据权利要求4所述的组卷方法，其特征在于，在以F为适应度函数寻优中，以为自变量，以和 为约束条件。
6.一种组卷系统，其特征在于，包括组卷需求录入模块、题目分类模块、寻优模块和组卷模块；
所述组卷需求录入模块，用于接收多目标组卷需求；
所述题目分类模块，用于按照题目所属模块将题目进行分类；
所述寻优模块，用于对每个模块寻优找到符合每个模块需求的最优题目组合；
所述组卷模块，用于将每个模块中计算出的最优题目组合整合为试卷。
7.根据权利要求6所述的组卷系统，其特征在于，所述组卷系统还包括属性分配模块，用于为题库中的每道题目分配属性；其中，所述属性包括试题内容、难度系统、题目分值、考察知识点、所属模块和题目编号。
8.根据权利要求6所述的组卷系统，其特征在于，所述寻优模块包括适应度函数构建单元、初始种群构建单元、可行解适应度计算单元、最优题目组合计算单元；
所述适应度函数构建单元，用于构建模块的适应度函数；
所述初始种群构建单元，用于随机选择设定组可行解作为初始种群；
所述可行解适应度计算单元，用于计算所述初始种群中每组可行解的适应度，选择设定比例适应度高的个体进行二进制编码并交叉运算，以及依概率进行变异运算；交叉运算和变异运算之后将二进制编码转化为可行解形成新的种群；对新的种群重复计算每组可行解的适应度、二进制编码、交叉运算和变异运算的步骤直至新种群满足适应度条件或遗传代数；
所述最优题目组合计算单元，用于选取最后一代中适应度最高的可行解作为模块的最优题目组合。
9.根据权利要求8所述的组卷系统，其特征在于，所述适应度函数构建单元构建的适应度函数具体为：；
,,
；
其中，为模块题目的难度系数，为模块题目的总个数，为模块的难度系数，为模块题目的分值，为模块总分值，为模块题目考察的知识点个数，为模块考察的知识点个数。
10.根据权利要求9所述的组卷方法，其特征在于，所述寻优模块还包括约束条件设定单元，用于在以F为适应度函数寻优中，以为自变量，以和设定约束条件。
CN201810521513.5A 2018-05-28 2018-05-28 一种组卷方法和系统 Pending CN108932546A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810521513.5A CN108932546A (zh) 2018-05-28 2018-05-28 一种组卷方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810521513.5A CN108932546A (zh) 2018-05-28 2018-05-28 一种组卷方法和系统

Publications (1)

Publication Number Publication Date
CN108932546A true CN108932546A (zh) 2018-12-04

Family

ID=64449777

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810521513.5A Pending CN108932546A (zh) 2018-05-28 2018-05-28 一种组卷方法和系统

Country Status (1)

Country Link
CN (1) CN108932546A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1932795A (zh) * 2006-10-10 2007-03-21 青岛中科恒信信息技术有限公司 考试试卷智能命题组卷系统
CN103870463A (zh) * 2012-12-10 2014-06-18 中国电信股份有限公司 测试题目的选择方法与系统
CN106803123A (zh) * 2016-12-20 2017-06-06 广州中软信息技术有限公司 一种用于网络考试的自动组卷方法
CN106815784A (zh) * 2017-01-20 2017-06-09 海南政法职业学院 基于改进蚁群算法智能组卷的考试系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1932795A (zh) * 2006-10-10 2007-03-21 青岛中科恒信信息技术有限公司 考试试卷智能命题组卷系统
CN103870463A (zh) * 2012-12-10 2014-06-18 中国电信股份有限公司 测试题目的选择方法与系统
CN106803123A (zh) * 2016-12-20 2017-06-06 广州中软信息技术有限公司 一种用于网络考试的自动组卷方法
CN106815784A (zh) * 2017-01-20 2017-06-09 海南政法职业学院 基于改进蚁群算法智能组卷的考试系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
唐启涛: "《基于改进的遗传算法的智能组卷算法研究》", 《计算机技术与发展》 *
张旭涛等: "《二进制编码遗传算法在试题组卷中的应用研究》", 《电脑知识与技术》 *

Similar Documents

Publication Publication Date Title
Snijders Enumeration and simulation methods for 0–1 matrices with given marginals
CN110390548A (zh) 优惠券派发策略的选择方法及装置
CN107590247B (zh) 一种基于群体知识诊断的智能组卷方法
CN112784964A (zh) 基于桥接知识蒸馏卷积神经网络的图像分类方法
CN109840154B (zh) 一种移动云环境下基于任务依赖的计算迁移方法
CN102413029A (zh) 基于分解的局部搜索多目标复杂动态网络社区划分方法
CN107067341B (zh) 一种基于多级熵权的rbfnn配电自动化系统状态操作评价方法
Yan et al. Solving mixed integer nonlinear programming problems with line-up competition algorithm
CN104504627A (zh) 一种利用遗传算法的自动组卷方法
CN112994099B (zh) 一种高比例分布式光伏并网消纳能力分析方法
Sasaki et al. Fuzzy multiple objective optimal system design by hybrid genetic algorithm
CN108762923A (zh) 采用差分进化算法作为Docker Swarm调度策略的方法
CN111988786B (zh) 一种基于高维多目标分解算法的传感器网络覆盖方法及系统
CN113657678A (zh) 一种基于信息新鲜度的电网电力数据预测方法
CN107992967A (zh) 基于改进多目标遗传算法的船闸调度方法
CN110990573A (zh) 一种基于分段实数编码的遗传算法智能组卷方法，设备及可读存储介质
CN108932546A (zh) 一种组卷方法和系统
CN111669288B (zh) 基于有向异构邻居的有向网络链路预测方法及装置
CN111967949A (zh) 基于Leaky-Conv & Cross安全课程推荐引擎排序算法
CN104182853B (zh) 一种引航员指派模型建立及其求解方法
Kisiel et al. A meta-method for portfolio management using machine learning for adaptive strategy selection
CN113285832B (zh) 基于nsga-ii的电力多模态网络资源优化分配方法
CN109190858A (zh) 一种电网建设项目投资决策优化方法
CN110297977B (zh) 一种面向众筹平台的个性化推荐单目标进化方法
Sassi et al. A methodology using neural network to cluster validity discovered from a marketing database

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20181204