CN109241516A - 一种基于改进遗传算法的智能组卷方法 - Google Patents
一种基于改进遗传算法的智能组卷方法 Download PDFInfo
- Publication number
- CN109241516A CN109241516A CN201811279883.9A CN201811279883A CN109241516A CN 109241516 A CN109241516 A CN 109241516A CN 201811279883 A CN201811279883 A CN 201811279883A CN 109241516 A CN109241516 A CN 109241516A
- Authority
- CN
- China
- Prior art keywords
- individual
- population
- topic
- fitness
- 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.)
- Pending
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 230000002068 genetic effect Effects 0.000 claims abstract description 17
- 238000012986 modification Methods 0.000 claims abstract description 11
- 230000004048 modification Effects 0.000 claims abstract description 11
- 238000005086 pumping Methods 0.000 claims abstract description 6
- 238000001514 detection method Methods 0.000 claims abstract description 4
- 241000009298 Trigla lyra Species 0.000 claims abstract description 3
- 238000004321 preservation Methods 0.000 claims abstract description 3
- 238000012546 transfer Methods 0.000 claims abstract description 3
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 229910017435 S2 In Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010353 genetic engineering Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012913 prioritisation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/166—Editing, e.g. inserting or deleting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Genetics & Genomics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明提供一种基于改进遗传算法的智能组卷方法，A.新建一个题库或打开一个题库；B.对题库进行章节管理、考点管理、题型管理、组卷设置、试卷模板管理和试卷分类；C.试题的单题录入、重复检测、转移、批量删除和修改；D.通过遗传算法进行抽题、组卷，然后保存或者导出；E.查看录入记录和试卷库；F.查看试题库的回收站和收藏夹以及快速浏览。充分考虑了实际应用中的各种问题，具有很强的实用性。在初始化种群时就满足了很多的约束条件，加快了算法的收敛，避免了不必要的时间，系统组卷效率更高。
Description
技术领域
本发明涉及自动组卷技术领域，特别涉及一种基于改进遗传算法的智能组卷方法。
背景技术
随着计算机的普及，人们可以利用计算机解决很多的问题。对于老师来讲，一项非常重要的工作就是对教学成果进行检验，检验的主要方法就是通过考试，而一套难度适中，知识点分布合理的试卷对考试来说显得至关重要。传统的手工组卷方法比较笨重，而且质量很难得到保证。现存的组卷系统采用的组卷策略有随机选择法、回溯试探法、误差补偿法、优先权策略法和遗传算法，其中，比较科学有效的组卷策略是遗传算法。
目前，已有利用遗传算法进行自动组卷的方法，公开号为CN 102184345 A的中国专利公开了一种《基于遗传算法的组卷方法》，公开号为CN 104504627 A的中国专利公开了《一种利用遗传算法的自动组卷方法》，但是这些方法在实际应用中会存在收敛过早，出现局部最优解的问题，或者无法收敛导致得不到最优解并且浪费时间的问题。因此，利用遗传算法进行自动组卷的过程中，要根据实际场景对算法的步骤进行改进，以满足实际需要。
发明内容
为了解决背景技术中所述问题，本发明提供一种基于改进遗传算法的智能组卷方法，通过轮盘赌的方式选择出新一代的种群可以避免出现局部最优解，并且在初始化种群时就满足了题型、总分、知识点和题目数量的约束，如果无法满足则会退出组卷，避免了无效的迭代，从而节省了大量的时间。
为了达到上述目的，本发明采用以下技术方案实现：
一种基于改进遗传算法的智能组卷方法，包括如下步骤：
A.新建一个题库或打开一个题库；
B.对题库进行章节管理、考点管理、题型管理、组卷设置、试卷模板管理和试卷分类；
C.试题的单题录入、重复检测、转移、批量删除和修改；
D.通过遗传算法进行抽题、组卷，然后保存或者导出；
E.查看录入记录和试卷库；
F.查看试题库的回收站和收藏夹以及快速浏览。
所述步骤A中的新建一个题库包括两种状态：
(1)当前系统没有打开的题库，则完全新建一个题库；
(2)当前系统存在打开的题库，新建时可以选择保留题库结构。
所述步骤D中通过遗传算法进行抽题、组卷包含以下步骤：
(1)在系统设置中设置好遗传算法相关的参数，包括适应度期望值、最大迭代次数和初始种群大小；
(2)选择或新建一个组卷设置，组卷设置包括组卷设置名称、题目名称、小题数和题型；
(3)设置合适的抽取条件，包括试卷总分、难度系数和考察的知识点；
(4)在满足题型、每种题型数目和试卷总分的约束下，按照设置好的种群大小初始化种群；
(5)计算种群中每个个体的适应度；
(6)判断是否有个体的适应度满足期望值和迭代次数是否达到最大值；如果存在个体满足期望值，就把对应的题目抽取出来并结束迭代，如果迭代次数达到最大值就结束迭代，显示未得到结果，否则，进行下一步；
(7)对种群中的个体进行选择和交叉操作，并计算出新种群中每个个体的适应度；
(8)判断是否有个体的适应度满足期望值和迭代次数是否达到最大值；如果存在个体满足期望值，就把对应的题目抽取出来并结束迭代，如果迭代次数达到最大值就结束迭代，显示未得到结果，否则，进行下一步；
(9)对种群中的个体进行变异操作，生成新一代的种群，并返回到步骤(5)。
其中：所述按照设置好的种群大小初始化种群的步骤如下：
(1)按照题型的不同，从题库中抽取所有满足题型和知识点要求的试题，然后再随机抽取指定数量的题目添加到个体当中，生成一个新的个体；
(2)判断新个体是否满足期望试卷的总分约束，如果满足，则把新个体加入到种群当中，否则新个体无效，重新生成；
(3)当种群中的个体数量达到设置的种群规模时，初始化种群完成，然后对种群中的个体依次计算适应度和知识点覆盖率，作为下一步的判断依据。
所述计算种群中每个个体的适应度的计算方法为：
f＝1-(1-M/N)*k1-|P-p|*k2
其中，M表示一个个体中每个题目包含的知识点求并集后的知识点个数，N为期望试卷中包含的知识点个数，P为期望试卷的难度系数，p为一个个体经过计算后的难度系数；k1为知识点在评价适应度中的比例系数，k2为难度系数的比例；当k1＝0时表示适应度只考虑试题难度系数，当k2＝0时表示适应度只考虑知识点；p的计算方法是个体中每个题目的分数乘难度系数并求和，然后再除以试卷的总分数。
所述对种群中的个体进行选择采用的方法是轮盘赌选择法；其步骤如下：
(1)计算种群中所有个体的适应度和，作为轮盘的总面积；
(2)随机产生一个0-1的数字，然后乘以适应度和，作为被选中的参考点；
(3)从第一个个体开始，叠加适应度，当叠加的适应度大于或者等于参考点时，为避免重复选中同一个个体，要判断当前个体是否被选中过，如果当前的个体没被选中过，则当前个体被选中；
(4)重复步骤(2)和(3)，直到产生指定数量的个体，则选择操作完成。
与现有技术相比，本发明的有益效果是：
1、充分考虑了实际应用中的各种问题，具有很强的实用性。
2、在初始化种群时就满足了很多的约束条件，加快了算法的收敛，避免了不必要的时间，系统组卷效率更高。
3、本发明方法的步骤中：(1)、满足题型、题目数量和总分的约束下初始化种群，并判断当前题库是否满足基本的组卷要求；(2)、通过知识点覆盖率和难度系数计算出个体的适应度并判断是否满足要求，满足结束组卷，否则执行(3)；(3)、对当前种群进行遗传操作，其中交叉操作通过分段单点交叉实现多点交叉；(4)、重新计算适应度并判断是否满足要求，满足结束，否则执行(5)；使用轮盘赌的方式选择出新一代的种群；分段单点交叉实现多点交叉；(5)、不破坏个体已满足约束的情况下进行变异,重复步骤(2)-(5)，直到算法收敛。
附图说明
图1为本发明提供的基于改进遗传算法的智能组卷方法的流程图；
图2为遗传算法中一个染色体的实例图。
具体实施方式
以下结合附图对本发明提供的具体实施方式进行详细说明。
一种基于改进遗传算法的智能组卷方法，包括以下步骤：
S1.登录进本系统后要新建或者打开一个后缀为STK的二进制文件，用于保存试题库的整体结构信息，包括章节目录、题型、知识点等。
S2.创建或者维护试题库的结构信息，包括章节目录的录入和修改，题型的录入和修改，知识点的录入和修改，试卷模板的添加和修改，试卷分类的新建和修改，组卷设置的新建和修改，还可以通过Excel表格导入导出章节目录。
S3.在系统设置中对遗传算法的初始化参数进行设置，包括适应度期望值、最大迭代次数和初始种群大小。
S4.选择一个在S2中设置好的组卷设置，然后初始化试卷的整体结构，也可以对S2中的组卷设置进行修改后再初始化或者新建一个组卷设置。
S5.对试卷的约束条件进行设置，包括试卷的总分、试卷的难度系数和试卷要考察的知识点。
S6.利用遗传算法的操作从试题库中抽取合适的题目组合出一套满足约束条件的试卷。
S7.保存试卷到S2设置好的试卷夹中或者按照S2设置好的模板导出到本地硬盘上。
进一步地，所述新建一个后缀为STK的二进制文件有两种方式，既可以选择保留原试题库的结构，也可以新建一个空白的试题库。
进一步地，所述打开一个后缀为STK的二进制文件有两种方式，既可以通过文件对话框打开，也可以使用最近打开菜单打开。
进一步地，所述试卷分类的新建和修改包括两个方面，一是试卷箱，二是试卷夹，试卷箱内包含试卷夹。
进一步地，所述组卷设置的新建和修改包括的属性有组卷设置名称、题目名称、小题数和题型。
进一步地，所述利用遗传算法的操作包括选择、交叉和变异，其具体步骤如下：
S61.初始化种群，种群大小由系统设置确定，先从试题库总中选择符合期望试卷题型和知识点要求的所有题目，如果入选的题目个数小于期望试卷要求的该题型的数目，判定题库无法满足要求，退出组卷，否则从所有入选的题目中随机抽取合适数量的题目，抽取题目时防止重复抽取题目。当所有题型都找到足够的合适题目后，计算这些题目的总分是否满足期望试卷的总分约束，不满足则重新抽取题目，如果重新抽取了200次以上还不能满足总分约束，则判定期望试卷总分设置不合理，退出组卷。当满足总分约束后，就可以按照种群大小进行初始化种群，种群中每个个体的编码就是所选题目的整数编号，按照题型的不同分段编码。
S62.计算适应度，适应度由知识点覆盖率和难度系数两个变量决定，其计算公式为：
f＝1-(1-M/N)*k1-|P-p|*k2
其中，M表示一个个体中每个题目包含的知识点求并集后的知识点个数，N为期望试卷中包含的知识点个数，P为期望试卷的难度系数，p为一个个体经过计算后的难度系数，计算方法是个体中每个题目的分数乘以难度系数并求和，然后再处以试卷的总分。k1为知识点在评价适应度中的比例系数，k2为难度系数的比例。当k1＝0时表示适应度只考虑试题难度系数，当k2＝0时表示适应度只考虑知识点。
S63.判断是否有个体的适应度满足期望值和迭代次数是否达到最大值，迭代次数最大值由系统设置预先设置或者采用系统的默认值。如果存在个体满足期望值，就把对应的题目抽取出来并结束迭代，如果迭代次数达到最大值就结束迭代，显示未得到结果，否则，进行下一步。
S64.选择操作，通过轮盘赌的方式选择出新一代的种群。先计算出所有个体的适应度和，选择一个个体时，要随机产生一个0-1的数字，然后乘以适应度和产生一个随机值，遍历种群的个体，并对适应度累加，当累加值大于随机值时，则该个体被选中，还要过滤重复选中的个体，直到产生足够的个体则选择结束。
S65.交叉操作，分段单点交叉最终实现多点交叉。所有个体两两随机配对，在每种题型中随机产生一个交叉的位置，在满足分值相同的情况下，进行基因的交换操作，这样可以保证试卷的总分不被破环。不断进行交叉操作，直到产生足够的个体，还要对新产生的个体进行重复检测，避免产生重复的个体。
S66.变异操作，随机产生一个变异位置，从题库中选择包含此题有效知识点的同类型同分数不同题号试题，在符合要求的试题中随机选取一个替换掉原本的试题，完成变异操作。
S67.判断是否有个体的适应度满足期望值和迭代次数是否达到最大值，迭代次数最大值由系统设置预先设置或者采用系统的默认值。如果存在个体满足期望值，就把对应的题目抽取出来并结束迭代，如果迭代次数达到最大值就结束迭代，显示未得到结果，否则，返回到步骤S62。
进一步地，所述利用遗传算法的操作包括选择、交叉和变异，所述抽取题目时防止重复抽取题目采用的方法是：
S611.从符合条件的试题集合开始到结尾的范围中，随机选择一个试题进入个体的试题集合。
S612.把被选中的试题通过交换，放到符合条件的试题集合的最后一个位置。
S613.把选择的范围减一，使下次选择无法选中被选择过的试题，回到步骤S611，选择下一个试题。
图1为本发明的一个具体实施方式，包括以下步骤：
(1)在系统中设置好参数和约束条件后，点击开始抽题，系统首先会初始化种群，种群中每一个个体就是一系列题目的编号，如图2所示，就是一个个体，表示抽取一套共有23道题目的试卷，种群中包含很多个这样的个体。
(2)种群产生之后要计算出每个个体的适应度，以此来判断是否有合适的试卷产生，如果适应度没有达标或者迭代次数没有达到最大值，则会进行下一步。
(3)对种群进行选择和交叉操作，然后对新种群重新计算适应度，并判断迭代次数是否达到最大值和有没有个体的适应度满足期望值，如果都没有满足，则会对种群的个体进行变异操作，否则结束组卷。
(4)对原种群的个体进行变异操作，产生新一代的种群，并返回到步骤(2)。
以上实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于上述的实施例。上述实施例中所用方法如无特别说明均为常规方法。
Claims (6)
1.一种基于改进遗传算法的智能组卷方法，其特征在于，包括如下步骤：
A.新建一个题库或打开一个题库；
B.对题库进行章节管理、考点管理、题型管理、组卷设置、试卷模板管理和试卷分类；
C.试题的单题录入、重复检测、转移、批量删除和修改；
D.通过遗传算法进行抽题、组卷，然后保存或者导出；
E.查看录入记录和试卷库；
F.查看试题库的回收站和收藏夹以及快速浏览。
2.根据权利要求1所述的一种基于改进遗传算法的智能组卷方法，其特征在于，所述步骤A中的新建一个题库包括两种状态：
(1)当前系统没有打开的题库，则完全新建一个题库；
(2)当前系统存在打开的题库，新建时可以选择保留题库结构。
3.根据权利要求1所述的一种基于改进遗传算法的智能组卷方法，其特征在于，所述步骤D中通过遗传算法进行抽题、组卷包含以下步骤：
(1)在系统设置中设置好遗传算法相关的参数，包括适应度期望值、最大迭代次数和初始种群大小；
(2)选择或新建一个组卷设置，组卷设置包括组卷设置名称、题目名称、小题数和题型；
(3)设置合适的抽取条件，包括试卷总分、难度系数和考察的知识点；
(4)在满足题型、每种题型数目和试卷总分的约束下，按照设置好的种群大小初始化种群；
(5)计算种群中每个个体的适应度；
(6)判断是否有个体的适应度满足期望值和迭代次数是否达到最大值；如果存在个体满足期望值，就把对应的题目抽取出来并结束迭代，如果迭代次数达到最大值就结束迭代，显示未得到结果，否则，进行下一步；
(7)对种群中的个体进行选择和交叉操作，并计算出新种群中每个个体的适应度；
(8)判断是否有个体的适应度满足期望值和迭代次数是否达到最大值；如果存在个体满足期望值，就把对应的题目抽取出来并结束迭代，如果迭代次数达到最大值就结束迭代，显示未得到结果，否则，进行下一步；
(9)对种群中的个体进行变异操作，生成新一代的种群，并返回到步骤(5)。
4.根据权利要求3所述的一种基于改进遗传算法的智能组卷方法，其特征在于，所述按照设置好的种群大小初始化种群的步骤如下：
(1)按照题型的不同，从题库中抽取所有满足题型和知识点要求的试题，然后再随机抽取指定数量的题目添加到个体当中，生成一个新的个体；
(2)判断新个体是否满足期望试卷的总分约束，如果满足，则把新个体加入到种群当中，否则新个体无效，重新生成；
(3)当种群中的个体数量达到设置的种群规模时，初始化种群完成，然后对种群中的个体依次计算适应度和知识点覆盖率，作为下一步的判断依据。
5.根据权利要求3所述的一种基于改进遗传算法的智能组卷方法，其特征在于，所述计算种群中每个个体的适应度的计算方法为：
f＝1-(1-M/N)*k1-|P-p|*k2
其中，M表示一个个体中每个题目包含的知识点求并集后的知识点个数，N为期望试卷中包含的知识点个数，P为期望试卷的难度系数，p为一个个体经过计算后的难度系数；k1为知识点在评价适应度中的比例系数，k2为难度系数的比例；当k1＝0时表示适应度只考虑试题难度系数，当k2＝0时表示适应度只考虑知识点；p的计算方法是个体中每个题目的分数乘难度系数并求和，然后再除以试卷的总分数。
6.根据权利要求3所述的一种基于改进遗传算法的智能组卷方法，其特征在于，所述对种群中的个体进行选择采用的方法是轮盘赌选择法；其步骤如下：
(1)计算种群中所有个体的适应度和，作为轮盘的总面积；
(2)随机产生一个0-1的数字，然后乘以适应度和，作为被选中的参考点；
(3)从第一个个体开始，叠加适应度，当叠加的适应度大于或者等于参考点时，为避免重复选中同一个个体，要判断当前个体是否被选中过，如果当前的个体没被选中过，则当前个体被选中；
(4)重复步骤(2)和(3)，直到产生指定数量的个体，则选择操作完成。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811279883.9A CN109241516A (zh) | 2018-10-30 | 2018-10-30 | 一种基于改进遗传算法的智能组卷方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811279883.9A CN109241516A (zh) | 2018-10-30 | 2018-10-30 | 一种基于改进遗传算法的智能组卷方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109241516A true CN109241516A (zh) | 2019-01-18 |
Family
ID=65079384
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811279883.9A Pending CN109241516A (zh) | 2018-10-30 | 2018-10-30 | 一种基于改进遗传算法的智能组卷方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109241516A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109118402A (zh) * | 2018-08-31 | 2019-01-01 | 中国人民解放军军事科学院评估论证研究中心 | 一种军队干部在线学习考核评估系统及方法 |
| CN109918406A (zh) * | 2019-01-27 | 2019-06-21 | 浙江工业大学 | 一种基于最大团算法的自动等质组卷方法及组卷系统 |
| CN111667070A (zh) * | 2020-05-06 | 2020-09-15 | 华东师范大学 | 一种基于遗传算法的智能组卷方法 |
| CN112509402A (zh) * | 2019-08-26 | 2021-03-16 | 北京广益三文教育科技有限公司 | 一种基于立体教材的精品题库的建立、发行及防伪方法及其教学系统 |
| CN113626474A (zh) * | 2021-10-09 | 2021-11-09 | 北京道达天际科技有限公司 | 数据库随机抽取方法、装置及设备 |
| CN117131104A (zh) * | 2023-08-28 | 2023-11-28 | 河北望岳信息科技有限公司 | 智能抽题组卷方法、装置、电子设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1588308A (zh) * | 2004-07-02 | 2005-03-02 | 北京邮电大学 | 采用改进遗传算法的试题库自动组卷实现方法 |
| CN105825270A (zh) * | 2016-03-03 | 2016-08-03 | 云南电网有限责任公司教育培训评价中心 | 利用遗传算法针对题库中的试题进行自动组卷的方法 |
| CN107918655A (zh) * | 2017-11-16 | 2018-04-17 | 重庆三峡学院 | 一种试卷生成管理控制系统及控制方法 |
-
2018
- 2018-10-30 CN CN201811279883.9A patent/CN109241516A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1588308A (zh) * | 2004-07-02 | 2005-03-02 | 北京邮电大学 | 采用改进遗传算法的试题库自动组卷实现方法 |
| CN105825270A (zh) * | 2016-03-03 | 2016-08-03 | 云南电网有限责任公司教育培训评价中心 | 利用遗传算法针对题库中的试题进行自动组卷的方法 |
| CN107918655A (zh) * | 2017-11-16 | 2018-04-17 | 重庆三峡学院 | 一种试卷生成管理控制系统及控制方法 |
Non-Patent Citations (3)
| Title |
|---|
| 周艳丽: "基于改进遗传算法的自动组卷问题研究", 《计算机仿真》 * |
| 张烈超等: "基于遗传算法智能组卷的考试系统设计及实现", 《武汉交通职业学院学报》 * |
| 朱铁樱: "多课程并行考试及题库管理系统的设计与实现", 《电脑知识与技术》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109118402A (zh) * | 2018-08-31 | 2019-01-01 | 中国人民解放军军事科学院评估论证研究中心 | 一种军队干部在线学习考核评估系统及方法 |
| CN109118402B (zh) * | 2018-08-31 | 2021-12-07 | 中国人民解放军军事科学院评估论证研究中心 | 一种军队干部在线学习考核评估系统及方法 |
| CN109918406A (zh) * | 2019-01-27 | 2019-06-21 | 浙江工业大学 | 一种基于最大团算法的自动等质组卷方法及组卷系统 |
| CN109918406B (zh) * | 2019-01-27 | 2021-07-23 | 浙江工业大学 | 一种基于最大团算法的自动等质组卷方法及组卷系统 |
| CN112509402A (zh) * | 2019-08-26 | 2021-03-16 | 北京广益三文教育科技有限公司 | 一种基于立体教材的精品题库的建立、发行及防伪方法及其教学系统 |
| CN111667070A (zh) * | 2020-05-06 | 2020-09-15 | 华东师范大学 | 一种基于遗传算法的智能组卷方法 |
| CN113626474A (zh) * | 2021-10-09 | 2021-11-09 | 北京道达天际科技有限公司 | 数据库随机抽取方法、装置及设备 |
| CN117131104A (zh) * | 2023-08-28 | 2023-11-28 | 河北望岳信息科技有限公司 | 智能抽题组卷方法、装置、电子设备及存储介质 |
| CN117131104B (zh) * | 2023-08-28 | 2024-02-27 | 河北望岳信息科技有限公司 | 智能抽题组卷方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109241516A (zh) | 一种基于改进遗传算法的智能组卷方法 | |
| Lee et al. | Process-embedded data integrity | |
| Xiong et al. | Optimal experimental design for staggered rollouts | |
| Selten | Aspiration adaptation theory | |
| Sabirianova | The great human capital reallocation: A study of occupational mobility in transitional Russia | |
| Cripps et al. | Heuristics and biases in timing the replacement of durable products | |
| Meyer et al. | A multiattribute model of consumer choice during product learning | |
| US7136788B2 (en) | Optimized parametric modeling system and method | |
| CN106777402B (zh) | 一种基于稀疏神经网络的图像检索文本方法 | |
| Wen et al. | A knowledge-based intelligent decision support system for national defense budget planning | |
| CN106703776A (zh) | 压裂参数优选方法 | |
| CN107451230A (zh) | 一种问答方法以及问答系统 | |
| CN106202377A (zh) | 一种基于随机梯度下降的在线协同排序方法 | |
| Yang et al. | Combining users’ cognition noise with interactive genetic algorithms and trapezoidal fuzzy numbers for product color design | |
| CN110059190A (zh) | 一种基于社交媒体内容和结构的用户实时观点检测方法 | |
| CN115131131A (zh) | 面向不平衡数据集多阶段集成模型的信用风险评估方法 | |
| Müller et al. | Scientific machine and deep learning investigations of the local buckling behaviour of hollow sections | |
| Bintley | Times series analysis with REVEAL | |
| Li | Research on Evaluation Method of Physical Education Teaching Quality in Colleges and Universities Based on Decision Tree Algorithm | |
| CN106897388A (zh) | 预测微博事件热度的方法及装置 | |
| CN107704944B (zh) | 一种基于信息论学习的股市波动区间预测模型的构建方法 | |
| CN111028086A (zh) | 基于聚类与lstm网络的增强指数跟踪方法 | |
| Zhang et al. | Research on student Big Data portrait method based on improved K-means algorithm | |
| Mu et al. | Application and evaluation of sports event management method based on recurrent neural network | |
| Chang et al. | A fuzzy rule-based approach for dynamic control of kanbans in a generic kanban system |
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 |
Application publication date: 20190118 |
|
| RJ01 | Rejection of invention patent application after publication |