CN108932546A - 一种组卷方法和系统 - Google Patents
一种组卷方法和系统 Download PDFInfo
- 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
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
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。
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)
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 |
-
2018
- 2018-05-28 CN CN201810521513.5A patent/CN108932546A/zh active Pending
Patent Citations (4)
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)
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 |