组卷技术

组卷技术（共9篇）

组卷技术 篇1

用计算机辅助业务知识考核建立试题库, 并对其进行管理维护和智能化自动组卷、分析, 是实现业务知识考核规范化、标准化的一个重要措施, 更是实现管理决策科学化的一个重要手段。传统的业务知识考核模式从培训到辅导, 从试卷命制到阅卷, 从成绩分析到试卷分析, 几乎都是由人工完成。这种模式的弊端是出题组卷过程中带有很大的主观随意性和不规范性, 出卷时, 由于题目总量少, 主观上认为的重点都差不多, 试题重复率很高[1]。实行计算机辅助业务知识考核可以使培训进度制定、培训内容、辅导练习、批改作业等训练工作由教员或自主完成, 而试卷的命制、阅卷、统分、成绩和试卷分析等考核工作, 由管理部门组织完成。因此, 要真正做到业务知识考核客观公正必须建立完善的业务知识考核系统[2]。

一、需求分析

业务知识考核系统设计主要考虑以下几方面的需求。

1. 试题库科目与题型设置自主性。

试题库科目与题型设置自主性指用户不但能自主创建科目试题库, 而且能为各科目试题库自主创建或者添加题型。

2. 试题库开放性和可扩充性。

试题库开放性和可扩充性指用户具有添加、修改和删除试题的权力, 对试题库拥有完全的支配权。题库试题必须不断得以更新, 增加新的、好的试题和淘汰过时的、不好的试题, 实现试题库的新陈代谢[3]。

3. 试题调用灵活性。

试题调用灵活性即允许用户能自由地从试题库中抽取试题。试题库的存贮是题库的基本的、首要的、主导的属性, 但存贮是为了应用, 建立试题库是为了解决组织考试过程中命题工作的矛盾, 是为高效、经济地生成各科优质试卷服务的[4]。

4. 通用性和广泛的适应性。

试题管理是一个应用面极广的工程, 各科目之间的差异和应用者个性的差异决定着对试题管理程序的不同要求, 过分细化和专业型的管理方案在满足少数用户的同时必然会对其他更多用户带来不便。

5. 试题录入的鲁棒性。

目前大多数试题管理程序只能录入文本信息, 或者不支持公式、图片信息的录入, 或者录入很麻烦。其实试题管理的浩大工程不是在试题输出, 而是在试题录入及试题库建设, 如何方便快捷扩充自己的试题库是一个非常实际的问题。

6. 普及性和兼容性。

试题管理程序最终在不同的用户机器上使用, 要充分考虑到用户的机器性能和运行环境, 要尽可能减小程序的大小和降低对硬件的要求。操作要简便, 要能够使普通的教师运用自如。要能够与大部分文字处理软件如WPS、Word等相兼容。

二、系统设计

业务知识考核系统体系结构采用三层体系结构, 即包括数据库系统、题库系统、组卷系统三部分。

1. 用户登录模块。

在进入系统时, 需要输入用户名和密码, 通过用户名和密码识别用户身份:系统管理员或教师。不同的角色进入系统后可以操作该用户权限范围内的功能。如果该用户输入的用户错误, 则提示登录错误。如果输入的用户根本不存在, 系统则提示非法登录, 该用户不存在。管理员登录成功, 具有用户和功能模块管理权限。

2. 管理模块。

管理模块主要是用户管理和试题库管理。用户管理是系统管理员成功登录以后, 可以对所有用户进行修改和删除处理, 包括对用户权限的分配等。管理员可以添加教师用户, 可以对试题的录入、试题的输出、科目的分类管理、权限的分配进行操作。生成试题功能主要则是教师用户对其管理, 教师可以对试题进行添加、查询、修改、删除。添加试题:向试题库中添加试题有两种方式, 一是单题录入, 即按预置的试题格式一道一道地填写;二是批量录入, 即将多道试题按预定的格式形成一个数据库文件, 由后台数据库一次性录入题库。查询试题:用户可根据试题的属性参数设置查询条件, 查出符合条件的试题。修改试题:可对试题的各项参数及试题内容进行修改。删除试题:可删除试题。

3. 组卷模块。

组卷功能分为自动与手动两种。自动组卷即系统根据输入的试卷参数, 按照已设定的组卷策略组卷, 试卷主要参数有:考试科目、考试时间、总题数、满分值、考察的知识点, 难度、题型结构等。其中题型结构包括客观题 (判断题、单选题或多选题) 和主观题 (填空题、短文字题或长文字题) 。

三、系统界面设计

用户界面是应用程序和其使用者之一切的交互界面, 对于应用程序的设计和开发者而言, 用户界面设计的基本目标是设法提高用户使用该软件的效率和提高用户满意度。

1. 登录界面。

系统角色有3种:部门、教师和学员, 各种角色采用统一的登录界面, 以不同的身份和密码进行登录系统, 系统根据所提交的身份和密码信息进行验证。验证成功后进行相应的系统主界面, 非系统注册用户无法登录系统。

2. 系统的主界面。

因为本系统有三种类型的用户, 根据不同用户的权限, 主界面有所不同, 部门主要以管理者的身份进人本系统, 教师以录入试题组卷、查看等使用本系统, 学员住要是查看历史试卷使用本系统。

3. 试题录入界面。

试题录入功能主要有两种, 一种是成批录人试题, 利用VBA技术, 试题先录人到World中, 再以world文档的格式成批录入到试题库中。这主要由部门来完成;另一种方式是单个试题录入这主要由教师个人来完成。

4. 组卷界面。

从试题库中选出些适合考试的试题组成一份优质的试卷, 是本系统的关键部分, 这提供的界面有两种, 一种是自动组卷, 即先按要求输入相应的参数, 系统根据参数自动从试题库组成一份试卷, 这由系部来完成;另一种是手动组卷, 即教师从试题库中搜索一些符合要求的试题再按各人员组成一份试卷, 这部分工作可由部门和教师来完成。

四、数据库设计

根据需求分析设计数据库, 包括6个表:科目表、知识点表、题型表、试题表、试卷表、用户表, 试题库管理与组卷系统数据库工具选用微软的SQL Server2005。

通过测试, 本系统的设计思想和设计方法行之有效, 可以方便有效地管理大量的分别属于不同专业类型的试题, 将教师从繁琐的出题组卷的作中解脱出来, 很大程度上提高了工作的效率。在业务知识培训管理上, 具有高效、经济、灵活和保密的特点;在业务知识评测方面, 由试题库自动生成的试卷具有质量高、可监控性好等优点。系统支持Windows2000及Windows XP等操作系统, 适用范围广。

摘要：业务知识考核是现代管理科学化的趋势, 建立考核试题库及相应的管理信息系统, 是提高考核管理信息化水平的重要途径, 传统人工出卷方式存在很多不足, 很难适应现代管理的要求。本文分析了业务知识考核系统的建设需求, 设计了业务知识考核系统的体系结构和系统数据库模型。

关键词：信息系统,计算机辅助教学,系统设计,数据库

参考文献

[1]杜勇, 樊晓雷.通用试题库管理系统的设计与实现[J].现代计算机, 1998, (2) :29-30.

[2]詹速汉.高等数学题库管理系统的设计与实现[J].现代计算机, 1998, (2) :31-32.

[3]李莉, 陈未如, 王翠青, 等.通用试题库管理系统的研究与实现[J].沈阳化工学院学报, 2005, (3) :236-240.

[4]文渊, 陈惠贞, 陈俊荣.ASP与网络数据库技术[M].北京:中国铁道出版社, 2005.

网络化考试中智能组卷方法研究 篇2

关键词：网络化考试；智能组卷；组卷目标；试题库

中图分类号：G434 文献标识码：A 文章编号：1673-8454（2015）16-0079-03

一、引言

随着教育信息化的发展，对标准化考试提出了新的要求，建立网络化考试系统是教育信息化背景下实行标准化考试的一项重要内容[1]，而智能组卷作为网络化考试系统的核心功能之一，引起了许多专家的重视，成为网络化考试系统研究的一个重要方向。在早期的计算机自动组卷方法中，常用的有随机选取法和回溯试探法[2]，两种方法虽然算法结构简单，但是组卷时间长，成功率低，智能性差，得到的试卷质量不高，不能满足随机性、科学性、合理性的组卷需求。

智能组卷是指根据用户提出的多项组卷要求，自动地从试题库中选择满足各项需求的试题构成试卷的过程，智能组卷实质上是一类多目标约束组合优化问题。据此，近年来一些研究者提出了使用遗传算法来求解智能组卷问题[3，4]，但是由于此类问题具有NP难度，限制了遗传算法的优化性能，难以获得满意的组卷性能。

量子进化算法（ Quantum Evolutionary Algorithm，QEA） 是量子计算理论与进化计算原理相结合的产物，是一种新发展起来的智能优化算法[5]。QEA使用量子比特编码来表示染色体，增加了种群的多样性，从而避免了早熟收敛；通过量子门更新染色体，保证了进化方向，提高了寻优能力和寻优速度。QEA这种独特的编码和进化机制，使得算法在求解组合优化问题时具有明显的优势，寻优能力和寻优速度都要优于遗传算法。本文使用QEA来求解智能组卷问题，使用QEA的寻优机制快速高质地完成智能组卷过程。

二、组卷问题的模型构建

1.组卷指标选择

智能组卷的操作对象是题库中的试题，组卷时要求能根据各项指标自动地从题库中抽取试题。组卷指标由试题属性来确定，试题的属性有很多，通常有题型、内容、层次、题分、知识点、难度、区分度、题时、曝光度、信度、效度等，这些属性构成了组卷的约束条件。我们的实验表明：约束条件过多会增加组卷难度，降低组卷效率，并且容易导致组卷失败，因此本文根据试题属性对组卷的重要性以及属性之间的内在联系，选取题型、题分、难度、区分度、题时5个试题属性作为组卷的约束条件，对它们的定义如下：

题型：题库中试题的类型，每类题型赋给一个整数值。我们在前期研究中已经开发了《面向对象程序设计》课程的题库（以下简称本文题库），包含判断题、选择题、填空题、编程题、综合应用题，给它们的赋值分别是1、2、3、4、5。

题分：题库中试题的分值，每一题试题都有相应分值。本文题库中试题的分值为1-20的整数。

难度：题库中试题的难易程度，每一题试题都赋给相应的难度系数值。我们通过抽样测试，将本文题库中的试题难度分为难、较难、中、较易、易5个等级，并赋给难度系数为0.9、0.7、0.5、0.3、0.1。

区分度：题库中试题对被测试对象的区分程度，每一题试题都赋给相应的区分度系数值。我们通过抽样测试，将本文题库中的试题区分度分为高、中、低3个等级，并赋给区分度系数为0.8、0.5、0.3。

题时：题库中某试题完成所需的估计时间，每一题试题都赋给一个估计完成时间。我们通过抽样测试，获得了本文题库中每一试题的估计完成时间。

2.组卷模型设计

确定组卷指标后，可以根据组卷指标对题库建立一个由指标所对应的试题属性值构成的目标状态矩阵，由上面选取的5个指标可以获得一个nX5的目标状态矩阵T：

T=t

t

t

t

t

t

t

t

t

t

… … … … …

t

t

t

t

t

其中，n代表题库中试题的总数，矩阵T中每行表示一题试题、每列表示题库中全部试题的某个属性，此时组卷问题的求解转换为： 根据用户确定的组卷目标要求，在矩阵T 中寻找满足组卷目标要求的行组合。它的解可以用一个二进制串来表示：（S1，S2……Sn）Si∈{0，1}，i=1，2……，n，Si=1表示第i题试题被选择，反之表示第i题试题不被选择。

组卷目标要求根据组卷指标设置，对应着组卷约束条件，矩阵T 中的试题属性构成的组卷约束条件如下：

试卷总分：paperScore=S·t （1）

试卷完成时间：paperTime=S·ti5 （2）

试卷难度： paperHard=S·（·t） （3）试卷区分度： paperDis=S·（·t） （4）

三、基于量子进化算法的智能组卷算法设计

分析组卷模型设计的结论可知，组卷问题属于多目标约束组合优化问题，大量的研究已经证明QEA在求解多目标约束组合优化问题时效果明显，据此我们将QEA应用到智能组卷问题中，设计一种能够自动获得满足用户各项需求的试卷的智能组卷算法。算法设计的基本思想是对题库中的试题编码形成初始种群，根据适应度值对其逐代优化，生成一份满足组卷要求的最优试卷。

1.量子染色体构造

使用QEA求解具体问题时，首先应对问题的解进行编码构成QEA中的量子染色体，本文对量子染色体的构造过程如下：将状态矩阵T映射为QEA中的个体（即量子染色体），并按照题型属性将染色体的量子位进行分段。对于本文题库，共有5类题型，假设各类题型的试题数分别为n1、n2、……、n5，则量子染色体结构如下：

（5）

2.种群初始化

随机产生若干个（5）式结构的量子染色体构成QEA的初始种群Q（t），Q（t）={qt1，qt2……qtm}（m为种群大小），然后将量子染色体的各量子位初始化为等概率状态，即将量子位概率幅[αi，βi]初始化为（，）。

3.种群观测

种群观测是对初始化后的量子态种群中个体的各量子位实施测量操作，目的是使各个体量子位从不确定的概率态坍塌到确定的基态，获得观测态个体。测量操作的过程是：对于量子染色体的每一个量子位，随机产生[0，1]之间的一个常数r，若r≥|αi|2（αi为染色体第i个量子位的概率幅），则该量子位（xi）取1，否则取0。种群观测后，量子态种群Q（t）就转化为了观测态种群P（t），P（t）={pt1，pt2……ptm}，其中，观测态个体ptj（j=1，2，……，m）是长度为n的二进制串（x1，x2……xn），xi∈{0，1}。

4.适应度函数设计

QEA中使用适应度来衡量种群中个体的优劣，个体的适应度值通过适应度函数来计算，适应度函数通常由问题的目标函数转化而得到。分析组卷约束条件可知，试卷总分是刚性约束，在每一次组卷过程都必须完全满足，而试卷完成时间、试卷难度、试卷区分度是柔性约束，在组卷时应尽量接近用户指定的期望值，因此组卷的目标函数只需考虑柔性约束。适应度函数的设计过程如下：

step1，根据（2）、（3）、（4）式的约束条件，采用与用户期望值的误差百分比作为单个指标的目标函数：

fpaperTime=（6）

fpaperHard= （7）

fpaperDis=（8）

其中，time、hard、dis分别为对应指标的期望值。

step2，为每个指标分配权重并将其组合为组卷目标函数：

minf=w1fpaperTime+w2fpaperHard+w3fpaperDis （9）

其中，w1、w2、w3分别为对应指标的权重。

Step3，采用指数比例变换方法将目标函数转换成适应度函数：

F=exp（-ρf） （10）

其中，ρ为放大系数。

5.染色体更新

染色体更新的作用是实现种群的进化，通常使用（11）式所示的量子旋转门来更新量子态种群中的个体，通过（12）式所示的将量子旋转门作用于染色体的量子位，使量子位朝着目标方向偏转。

U（θ）=cos（θ） -sin（θ）

sin（θ） cos（θ）（11）

其中，θ为旋转角度。

αit+1

βit+1=U（θi）αti

βti=cos（θi） -sin（θi）

sin（θi） cos（θi）αti

βti（12）

其中，[αti，βti]T为更新染色体第i个量子位的概率幅，[αit+1，βit+1]T为更新后染色体第i个量子位的概率幅。θi=s（αiβi）·Δθi，Δθi、s（αiβi）分别表示旋转角的大小和方向，可以通过查表获得。

6.染色体交叉

染色体交叉的作用是增加种群的多样性，防止算法陷入早熟收敛。染色体交叉的方法很多，本文根据所设计的染色体结构特点，以各题型分界处为断点，进行全干扰交叉。

7.搜索停止设定

算法在解空间搜索到一定程度后，应该能够停止搜索，输出最优个体。本文以到达最大进化代数或获得最优个体为搜索停止条件。最大进化代数可事先设定，最优个体的判定方法为：连续5代进化中最优个体适应度值的变化小于给定的极小阀值δ。

四、实验验证

1.实验对象与环境

我们以前期研究所开发的《面向对象程序设计》课程试题库为操作对象，对本文提出的智能组卷算法进行验证，并与文[4]算法进行比较。实验在一台Intel（R） Pentium（R） 4 CPU 2.60GHZ、1.00GB内存、Microsoft Windows XP Professional SP2操作系统的单机上进行，在Eclipse Standard环境中使用Java语言完成算法代码。

2.实验参数

实验中，试卷参数设置为：试卷总分设定值为100，试卷完成时间期望值为120，试卷难度期望值为0.6，试卷区分度期望值为0.5；本文算法参数设置为：种群大小为50，搜索停止阀值δ为0.01， 最大进化代数T为300，组卷指标权重系数w1、w2、w3分别为0.4、0.3、0.3，适应度函数的指数比例放大系数ρ为10；文[4]算法参数设置为：种群大小为80，交叉概率、变异概率按文[4]中自适应设置，最大进化代数T为300。

3.实验结果与分析

分别运行本文算法和文[4]算法进行组卷测试，以运行时间、进化代数、组卷成功率为指标来比较算法的性能，实验进行组卷50次，运行结果如表1所示。

由于量子进化算法和遗传算法都能对解空间进行全局搜索，并且在搜索过程中逐步向包含最优解的方向调整搜索空间，从而易于找到最优解，因此在实验结果中可以看出两种算法的组卷成功率都比较高。通过表1数据对两种算法进行比较，可以得出：本文算法的组卷效率明显高于文[4]算法，组卷成功率也略好，表明本文算法的寻优性能优于文[4]算法。

五、结束语

自动、高效的组卷过程和满足用户需求的组卷结果是教育信息化背景下对网络化考试系统组卷功能的要求，本文研究了网络化考试系统中的组卷问题，将组卷转化为多目标约束组合优化问题进行求解，提出了一种智能化的组卷方法，并使用《面向对象程序设计》课程试题库对方法的有效性进行了实验验证。

参考文献：

[1]雍丹，赵丹维.开放教育网络化考试的影响因素及对策探讨[J].中国教育信息化，2012（15）：33-35.

[2]代保新.基于智能组卷的在线考试系统设计与实现[D].长春：吉林大学，2014.

[3]肖理庆，徐晓菊.改进遗传算法智能组卷研究[J].计算机工程与设计，2012，33（10）：3970-3974.

[4]许永达.基于改进遗传算法的智能组卷研究[J].计算机与数字工程，2013，41（2）：176-178.

[5]Han K H， Kim J H. Quantum-inspired evolutionary algorithm for a class of combinatorial optimization [J]. IEEE Trans on Evolutionary Computation，2002（6）：580-593.

基于试题库的智能组卷技术探索 篇3

智能组卷是运用智能搜索和优化技术作为组卷策略, 使系统按照需求从试题库中自动选择试题, 以完成试卷内容的设计, 使试卷可以最大限度地符合教学考核要求, 真实地反映教学水平和有效地测定学习效果。本文就智能组卷技术的核心过程进行探讨。

1 系统功能分析

智能组卷系统是根据用户输入的组卷要求, 计算机自动从试题库中抽取试题, 组成一份符合要求的试卷。所谓“符合要求”, 是以课程的设计目的为前提, 使试卷能够真实地反映出学生的水平, 即难度适中, 章节知识点分布适中, 区分度适中, 能够真实地反映学生掌握知识的情况。以此为目的, 本文将从题库预处理、组卷和试卷参数分析3个过程 (见图1) , 对系统的设计实现展开讨论。

2 核心技术实现

题库的预处理包括“课程纲要处理”和“题库参数处理”2个环节。课程纲要信息的创建是题库信息导入和试卷分析组卷的前提。题库参数记录具体题目的题干、答案、题型、难度、知识点等关键参数。

(1) 课程纲要:记录的信息有课程的“课程基本信息”和“知识点信息”。

“课程信息表”记录课程的基本信息, “章节信息表”记录课程各个章节的信息。

“知识点信息”记录了每一个知识点的基本信息及“掌握程度”的参数值 (见表1) , 该参数值由纲要编辑人输入和定义, 作为试卷生成的重要参考指标。

(2) 试题参数:是试题的抽取、排列、分析的重要指标。系统除了对试题的题干和答案进行描述外, 还要对各个关键属性进行量化的描述。具体关键参数设置如下: (1) 题型参数:以枚举型定义题型, 包括选择、填空、简答题、绘图题等题型。 (2) 章节参数:以INT型存储试题标记所属章节。 (3) 知识点参数:考虑大部分试题包含多个考点, 系统为每道试题定义多个知识点参数。第一个是核心知识点信息, 作为抽题的关键指标。其他参数的存在, 是为了避免选题时出现超纲现象。 (4) 难度参数:系统为每道试题定义了难度参数, 用1~5表示, 1为最简单, 5为难度最高, 由输入题目用户自行定义。 (5) 频度参数:记录了每道试题的被选历史参数。此处定义初始参数值为1, 每调用一次, 参数乘以0.9, 以此类推, 根据备选历史参数的值的大小分析试题的使用率。一旦试卷中包含参数过低或者过高的题目, 需要用户自己分析。参数值过低, 表示该题选用率较高, 同时说明该题价值较高, 有较好的区分度, 或者说明该知识点可选择题目太少, 需要丰富题库。参数值过高, 表示该题选用率较低, 说明试题难以确定是否准确有效, 或者是新录入的试题, 需要用户进一步验证试题的区分度。

3 组卷

一份科学合理的试卷, 需要满足以下几点要求:

(1) 题量、题型合理。

(2) 难度适中, 主观题和客观题配置得当。

(3) 章节知识点、分值分布均匀, 并有适当的区分度。

为满足以上要求, 本文将组卷过程分成2个部分:章节分值设定和组卷。

3.1 章节分值设定

由试卷制作人设计章节分值分布, 选中知识点, 并设计试卷题型及分值 (见图2-4) 。

3.2 组卷算法

本文探讨一种“贪心算法”, 解决试题的合理抽取问题。“贪心算法”是指, 在对问题求解时, 总是作出在当前看来是最好的选择。也就是说, 不从整体最优上加以考虑, 所作出的仅是在某种意义上的局部最优解。本文中的“贪心算法”是首先根据现有最高分值的章节, 选择最高掌握等级的知识点, 再选择题目的填满最高的分值题。搜索余下的最高分值章节, 搜索余下的知识点和剩余的题库, 继续填写余下的题目中分值最高的题目, 以此类推。核心思路如下, Create_paper函数记录了一次抽题的算法:

为避免随机抽题的不确定性, 本文尝试每次组卷生成5~10套参考试卷, 存储在内存中, 便于后期的分析和选择。

4 试卷参数分析

在选题时, 虽然试卷的试题本身的参考价值较大, 但以此为主要的选择方式, 一方面很难作为量化标准, 另一方面在分析时阅读工作量过大。为了量化试题以便于分析选择, 试题的生成需要统计难度、试题频度等参数作为选题参考。

难度:已知每道试题难度参数处于1~5之间, 则试卷的难度参数dp为各试题的难度参数k与试题分值d乘积之和, 如下所示:

其中n表示试题的总数, ki表示第i道题的难度参数, di表示第i道题的分值。则试卷难度必然介于100~500之间, 用户可以根据具体需要选择合适的试卷。

频度:已知每道试题难度参数处于1~0之间, 则试卷的难度参数fp为各试题的难度参数fr与试题分值d乘积之和, 如下所示:

则试卷频度必然介于100~0之间, 用户可以根据试卷需要和每题的频度列表, 选择对个别试题的替换。

5 结语

智能组卷系统可以提高组卷效率, 并在一定程度上保证试卷的难度、区分度、信度、效度和覆盖度, 有较高的适用率。然而系统仍存在很多不足:试题库中试题的多样性难以保证, 例如包含公式、图表的试题在存储管理方面存在困难;试题库中的题量要求较高;需要在运行期间维护和管理试题库信息, 避免信息错误和知识点失效等问题。

摘要：试题库系统是计算机辅助教学的研究方向之一。以试题库为基础的智能组卷系统, 可以更好地保证试卷的难度、区分度、信度、效度和覆盖度。文章通过对试题库的设计、组卷算法、试卷分析3个关键环节的分析, 对智能组卷的可行性进行探讨。

关键词：试题库,组卷,试题参数

参考文献

[1]逯洋, 李媛媛.考试系统中自动生成试卷技术的探索[J].吉林省教育学院学报, 2010 (11) :151-152.

[2]王琼瑶.智能化组卷系统的研究与实现[D].南京:南京理工大学, 2010.

[3]孙黎君, 顾翔.一种试卷自动生成系统的研究与实现[J].福建电脑, 2007 (12) :19-20.

七组卷及材料报送要求 篇4

单位对经公示确定人员的上报材料，按以下要求组卷：

（一）申报材料内容及装订顺序

1、提交毕业证、任职资格证、教师资格证、计算机合格证、继续教育证、创新能力培训合格证原件；

2、申报晋升《专业技术职务任职资格评审表》（附表11），高级一式三份，中、初级一式二份（使用A4版、正反面打印，逐页粘贴），评审表第10页粘贴职称计算机考试成绩通知单复印件或计算机成绩二维码打印件，成绩通知单原件放入原件袋；因年龄免试的粘贴身份证复印件，因本专业学历免试的粘贴学历复印件；复印件或计算机成绩二维码打印件要有单位签字盖章；

3、《申报评审××系列××专业技术职务任职资格情况一览表》（附表2，A4纸正反面打印、粘贴小二寸近照），高、中级均须填写，高职一式四份、中职一式三份，其中一份在单位公示，其余装袋供省、市职改办存档和高、中级评委会使用，与评审表相应内容必须一致；

4、《申报晋升专业技术职务任职资格人员竞争答辩情况登记表》（附表6）一份（夹在评审表第一页）；

5、专业技术职务任职资格评审材料装订册一本,粘贴《******（单位）专业技术职务任职资格评审材料》（附表3）作为封面。材料顺序如下：

（1）装订册目录（附表5）。

（2）《申报材料真实性承诺书》（附表1）。

（3）《申报晋升人员量化评分推荐排名表》（附表8）。（4）《申报晋升人员量化赋分表》（附表7）。

（5）现任专业技术职务的《专业技术职务任职资格评审表》、《专业技术职务资格认定表》（职称过渡表粘后）或《资格考试合格人员登记表》原件（申报高职装订复印件）。

（6）单位局域网申报推荐公示首页和本人页页面的打印截图或照片。没有局域网的单位，可以将单位公示栏内容照片，装订入材料册。显示公示内容应尽量全，尤其是高中职岗位和推荐情况表、推荐排名表、申报资格一览表等。

（7）学历、资历。学历学位证书复印件（使用后取学历的前一学历也要提交、按学历由高到低排序）；教育部学历证书电子注册备案表；现任专业技术职务任职资格证书复印件；专业考试合格证书复印件；从业资格证书（教师资格证等）复印件。

（8）职称计算机应用能力考试成绩单复印件或计算机成绩二维码打印件，因年龄免试的身份证复印件、因本专业学历免试的毕业证复印件，以及单位盖章的计算机合格网上查询证明。

（9）专业技术工作经历（能力）。任现职以来年度考核情况一览表（附表9）；任现职以来中职近4年、高职近5年的考核表原件（中小学与中专、政工职务等系列间转评后晋升职称，须多提交1年考核表，后取学历须多提交2年考核表），以及自任现职至近4年（中职）、5年（高职）之前所有考核为优秀的考核表原件，所提交考核表均按年度顺序排列（申报高职装订复印件）；继续教育证书复印件；任现职以来专业技术工作总结（一般不少于2000字）；《创新能力培训合格证》 复印件；中小学系列的课时量表（附表13）；班主任工作经历证明（附表14）；校本研修报告；学校出具培养青年教师情况说明（高职），并附青年教师获奖证书及其它相关材料。

（10）业绩成果。

荣誉奖励证书原件(按名称逐一填入目录。申报高职装订复印件)及表彰文件复印件。按市要求，对县级政府以上表彰的可以如数装订；对县级系统主管部门以下表彰的，除优秀教师、班主任、先进班级、名师等外每年最多装订1个证书。

业务奖励证书原件(按名称逐一填入目录。申报高职装订复印件)，“市、县级以上专业奖励”可如数装订，县教育局以下其它如获奖论文、教案等证书每个年份最多装订1个。

装订优质课证书的提交一份该优质课的教案，装订在所有业务类证书之后。多个优质课证书只装订一份教案。

教科研课题提供申报书、结题报告与结题证书原件（申报高职装订复印件），效益证明原件。

（11）任现职以来有代表性的论文、论著（属于合著的应提供本人完成字数或完成工作量的证明材料）、教学案例、教案原件，以及论文网上查询页。使用优质课教案代替论文的（高职），教案前订优质课证书。申报高职装订复印件。

（12）中小学《课堂教学能力测评结果公示表》，市公示后由县局统一装订入卷。

3（13）申报中小学一级教师提交本人近四年任教中某一学期完整教案本。若教案较厚，也可单独成册，评审卷目录中应有体现。

（二）申报材料要求

1、为确保申报材料的真实性，奖励证书背面右下角须有县局相关股室负责人签字、盖章。未经签字、盖章的证书不得入卷。

2、申报中职，除毕业证、任职资格证、教师资格证、继续教育证、计算机成绩单、创新能力培训合格证书可装订复印件（A4纸）外，其余证件要装订原件。奖励证书原件要去掉封皮只装订证书芯，证书芯纸张较小的，贴在空白A4纸中央。

申报高职人员，上报评审卷材料为复印件。评审工作结束后，评审卷材料不再退回。

3、申报材料中所有复印件，必须由所在单位对照原件认真审核。审核无误后，由所在单位经办人、负责人签字并盖公章。

4、除答辩表及各表签字处（手写或加章）外，各表内容应打印生成。《专业技术职务任职资格评审表》使用A4版、正反面打印、逐页粘贴制成，其他申报材料一律用A4纸打印。

5、各类奖励证书的装订顺序，优秀教师、班主任、骨干教师、名师、已完成的科研课题、优质课等较重要证书应适当靠前，同类证书先相对集中，再按级别高低、时间先后排序。

6、申报高、中职填表时，现有资格均填写过渡后名称（原平套资格取得时间填较早时间）。

7、期刊装订只留封面、封底、目录和个人论文所在页，论著书籍也按此原则，复印封面、封底、目录，加盖公章，并提交原件。以优质课教案代替刊物所发论文的，在教案等材料首页右上角空白处，注“县级优质课教案”等字样，外加方框并加盖公章，教案前加优质课证书。

8、任现职以来工作总结不要写套话，要写自己从事专业技术工作的真实业绩和成果，否则评委可能从中发现漏洞与不足。

9、继续教育证书，复印含照片、姓名页一张，其他页每两年复印一张（申报高职近五年、中职近四年、正反面复印）。

10、《推荐排名表》按不同设岗单位，中学、小学、在编、聘用人员分别填写、排序，同类人员中每份卷内排序表的人数、次序必须一致。

11、装订入卷的总结、教案、教学案例、公示栏照片等要正反打印，考核表、原评审表等复印件按原样正反复印，尽量减小卷的厚度。

12、装订时要注意剪裁适当，整齐规范美观。证书的朝向要一致，装订线应靠横幅证书标题上方。三个装订针孔等距约８公分，白线绳扣系在卷的背面。不得出现漏装、倒装或一种材料重复装订现象。装订成册后在每页的右下角标页码（原职称评审表原件、考核表原件、发表的论文等可在相应位置用铅笔逐页写号）。《装订册目录》（附表5）必须打印生成，注明材料所在页码。

13、申报材料每人限装一袋，材料袋一律使用结实耐用的牛皮纸档案袋，有线绳可系。填写《专业技术职务任职资格评审材料》（附表3），贴在申报材料袋封面上，在封面右下角注“人事代理”（聘用制人 员）、“少先队辅导员”；小学、幼儿园教师申报高职的，材料袋封面“单位（盖章）”处填学校名称后，加括号标注“县城所在地学校”（县直小学及幼儿园）、“镇政府所在地学校”或“村小学”，标注内容与信息库备注栏内容一致。

原件装订成册（顺序与复印件一致，证件去掉封皮、展开）、另装一袋，并在袋的封面粘贴打印的目录（大小为A4纸的一半、纵向），标题为 “原件袋”三字，内容包括单位（滦县*****）、姓名、证件名称等。申报高职原件装订要求：毕业证、教师资格证、职称资格证、继续教育证、创新能力证等用夹子夹好单放，其他原件除发表的论文论著外，均用线绳装订。证书的朝向一致，装订线靠横幅证书标题上方。证书较小的用A4纸粘贴后装订。

14、申报软件使用问题

要按软件使用说明及要求准确录入信息，信息录入后须经本人核对无误，且内容应与所报卷内材料一致。“申报专业”从“教学”菜单内查找；“晋升方式”为正常或转评；“工作单位”输入本单位代码；“证件类型”为身份证，号码必须填写准确；“单位性质”选“其它教学”；计算机免试人员成绩栏输入“免试”，不能录“合格”;“最高学历”输入所用学历；备注中注“人事代理”、“少先队辅导员”等情况，小学、幼儿园教师申报高职的，同时标注“县城所在地学校”、“镇政府所在地学校”或“村小学”等。该软件可从人事股邮箱下载。

由于省未及时更新职称申报软件，中小学教师各级别人员仍按原来系列、资格名称录入，中小学教师晋升高级教师，“现有资格”一项，中 学录入“中学一级教师”、小学录入“小学高级教师”。单位代码仍使用原单位代码；各镇中小学原分多个设岗单位的，全镇中学或小学暂分别使用其中一个设岗单位（一般用镇中心校驻地所在单位）代码，并在备注中写明所在学校名称；如雷庄镇中学、小学暂分别使用原雷庄学区中心校中学、小学的代码。

15、各单位在报卷时，另提交以下材料：

（1）《高中级专业技术职务资格审查情况报告表》（附表4）、《申报晋升人员量化评分推荐排名表》（附表8，订卷一份外另交）各一份。

（2）用河北省职称申报评审管理软件输入信息后导出、按样表格式调整打印生成的Excel格式申报人员名单一份（附表15），要求按中学在编、聘用、小学在编、聘用的顺序排列在一张表中。

（3）用职称申报评审管理软件导出的名为“XXX单位申报X级职称XX人”的申报人员数据库（“*.ps”文件）。

（4）评审费按往年标准上交。

组卷技术 篇5

1 题库题目字段设置

一份试卷能不能满足考试要求,主要看它是不是依据教学大纲以及授课计划来组卷。要生成一份高质量的试卷,必须能精确控制题型、章节、难度、区分度、大纲要求、分值、题数等方面的指标。文献[3-6]报道了各种组卷方法,但是在实际考试组卷过程中,仅依靠这些指标并不能生成一套理想的试卷,原因是多方面的,根本原因是这些组卷策略都是以随机抽题为基本算法来实现,易受章节题目分布、题型分布、知识点的分布等影响,更为严重的是在这些组卷策略中根本无法避免在一份试卷中相同知识点的题目多次出现,而在实际教学中,相同知识点的题目会以多种题型方式出现在题库中。为此,在蚌埠医学院试题库系统设计中,我们重点架构了题库题目属性指标,引入了题目标识符概念[7],避免了生成试卷时,同一份试卷中有相同知识点的多个题目出现,同时也精简了一些无法定量描述的指标,在Mssql2000数据库系统中的字段属性见表1。

题目题型:设置了名词解释、单选、多选、填空、多选、简答、综合7类;

题目难度设置:设置了较难、适中、较易三种,此项指标是根据以往考试情况的分析总结而得出的;

题目大纲设置:设置了掌握、熟悉、了解三类,以教学大纲要求为依据;

标准答案设置:对应题目答案或解题思路,若为客观题,将为自动判卷提供判据;若为主观题,将为教师在线改卷时提供参考答案。

知识点标识符设置:这是自动组卷中重要指标,相同知识点的题目采用同一标识符,而不管其题型、章节、难度等指标属性,是用来区分知识点的;

标准分值:每一题的分值,为自动组卷时的默任值。

2 自动组卷人机交互界面及系统流程图

从教学考试实际出发,我们设计了自动组卷人机交互客户端界面,如图1所示。在组卷时,组卷人员按照教学要求,选择章节、题型、难度、大纲要求、题数与分值等组卷条件,然后提供给服务器,服务器端脚本程序按照要求在数据库中查询出满足条件的题目,然后回送给客户端,完成组卷,系统组卷流程如图2所示,这里略去详细代码。

3 结束语

通过这种预设条件完成的自动组卷,一方面可精确控制题型、章节、难度、大纲要求等分布情况;另一方面也缩小了数据库查询范围。更为重要的是在一份试卷中将不会出现相同知识点的多个题目,达到实用要求,经过试用,取得了较好的效果。若能再添加更多的试题指标,如区分度、信度、效度、题目使用频次等指标,将会实现更精确的组卷策略,这是有待完善的地方。

参考文献

[1]闫实,于海涛,付佳,等.在线考试网络题库的组卷算法[J].农业网络信息,2010(12):91-92.

[2]刘家文,吴国花.考试系统试题库及组卷方案的设计[J].电脑知识与技术,2008(20):312-314.

[3]贺文莲.试题库随机组卷系统的研究与探讨[J].电脑知识与技术,2008(08):1387-1389.

[4]李志奎,姚争儿.基于WEB的考试系统存在的问题和对策研究[J].电脑知识与技术,2010(7):752-753.

[5]黄英.试题库系统中随机抽题算法的设计与实现[J].现代计算机,2010(3):199-200.

[6]田军,孟祥娟.基于ASP.NET的网上考试系统设计与实现[J].电脑与信息技术,2012(1):37-39.

组卷技术 篇6

随着现代远程教育的飞速发展,要求网络在线考试系统具备智能组卷功能,即在考试大纲的规定与用户指定的要求下在有效的时间内生成一定数量的有差别的等效试卷,其中的核心问题是题库的计算机智能组卷。使用传统算法解决智能组卷显得力不从心,而遗传算法能以较大概率在有限时间内搜索到全局最优解或近似最优解,但其本身存在着易早熟收敛、遗传算子无方向性和收敛速度慢等不足,需要在具体的应用中引入问题域的启发式知识做适当的改进。

2. 建立组卷问题的数学模型

组卷问题实质上是一个多目标和多约束的组合优化问题,通常可根据某效用函数将多个目标依照各自权重组合成单一目标来优化处理以期找到问题的近似最优解。

2.1 问题描述

组卷的目标是生成多份有差别的能准确考核学生对知识的掌握情况的高质量等效试卷,基于组卷的实际需要与问题的复杂性,精选试题的属性定义试卷;在组卷策略中,采用的试题相关属性定义如下:

(1)题目编号:试题的唯一标识,使用整数数据类型;(2)题型编号:主要包括单项选择题、多项选择题、填空题、判断题、简答题、综合题等题型,使用整数数据类型;(3)题分:试题的分值,使用实数数据类型;(4)知识点编号:试题所考核的知识点,与科目的章节有关,使用整数数据类型;(5)难度:试题的困难程度,取值范围:难(0.8-1.0),较难(0.6-0.8),一般(0.4-0.6),较易(0.2-0.4),易(0-0.2)[2],使用实数数据类型;(6)考核要求编号:试题在教学内容上的要求层次,一般分为:了解、理解、掌握、熟练掌握与综合,使用整数数据类型;(7)估时:完成该试题所需的时间,以分钟为单位,使用整数数据类型;(8)区分度:试题对学生学习水平的鉴别能力,取值范围:好(0.4-1),较好(0.3~0.4),一般(0.2~0.3),差(0.2~-1),使用实数数据类型;(9)选用次数:该题曾被选中的次数,表示使用频度,使用整数数据类型。

假设生成的一份试卷的试题数目为n,试卷则由以下矩阵S决定,其中每道试题上述的9个属性决定矩阵S某一行元素的值[3]:

这就是求解组卷问题的目标状态矩阵。

2.2 目标函数

组卷问题实质上一个多目标多约束的组合优化问题,上述矩阵S的列元素的分布分别体现了以上9种用户指定的试卷要求,假定这些要求(约束)与用户指定的要求的误差为fi,fi可等于0或者较小值,为了不至于各误差互相抵消,fi都取绝对值[4],每个约束的重要性各不相同,用户可根据组卷实际需要自定义其权重wi;本文采用多目标加权法将每个目标函数值fi乘以相应的权重wi,以其加权和作为问题的目标函数f,用单目标优化法求最优解:

其中:fi为第i个约束与用户要求的误差的绝对值,考虑到题型内的题数固定,f1=0;wi为用户对第i个约束条件指定的权重系数。组卷时候用户可以根据考试的需要对不同约束条件赋予相应的权重系数,使整卷误差f最小的试卷即是所求解,可见,组卷问题可转化为满足多约束条件下的最小化问题。

3. 智能组卷的改进式遗传算法设计与应用

由于经典遗传算法在解决智能组卷问题时存在收敛速度慢、易出现“早熟”现象、盲目搜索与全局寻优能力弱等先天缺陷,致使出卷质量差,难以满足题库多变的需要,为此,本文提出了基于整数编码与动态自适应技术遗传算法,利用组卷问题的特征对经典遗传算法的多个关键组成部分进行改进,引入问题域的启发式知识,采用动态自适应技术,以提高改进遗传算法的搜索效率、减少“早熟”现象、加强全局寻优能力,算法流程如图1所示。

设计时,主要考虑以下几个方面:

3.1 染色体编码方案的改进

经过分析发现经典遗传算法中的二进制编码方案在求解组卷问题时候已不大适用:染色体(个体)的二进制位串太长、计算量大、编码与解码过程复杂。为此根据组卷问题的特征,采用分段式整数编码方案。设某一染色体:H(a1a2…ai…an),其中ai为非负整数的题目编号,n为试卷题目数量,在染色体H中相同题型的题目编号放在一起形成一段,在本文的组卷策略中,试卷里某种题型的题数由用户指定后固定不变(见约束1),映射到染色体每段的长度也固定,可用一个整数数组A[n]存放染色体H,如在一份试卷中用户指定单选题数量为20,则“单选题”段长度固定为20,数组A0到A19存放单选题的题目编号(假定单选题放在染色体始端),其它题型段以相同规则依次存放到染色体H。分段式整数编码方案以题目编号作为基因组成染色体,不存在解码问题,加快了算法的速度,此外采用分段式组织基因,有利于算法的遗传操作。

3.2 群体规模的改进

遗传算法的进化过程有两个关键点:群体多样性和选择性压力,显然,这两个因素都受群体规模的影响[5]。如果群体规模太小,遗传算法可能收敛得太快;如果太大,则运算时间成本太高。经典遗传算法使用不变的群体规模,存在一定的不合理性,大量实验表明:在进化过程的不同阶段,可能存在“最优”不同群体规模。本文提出一种群体规模动态自适应方案,在群体的迭代过程中,通过侦测当前群体的适应值的“稀疏”程度来动态调节群体规模;用适应值的样本标准差F与群体平均适应值fa之比r作为“稀疏”系数来表示群体适应值的“稀疏”程度,即r由下面公式确定:

稀疏系数r=F/fa(2)

其中P群体为规模,fa为群体评价适应值,fi为群体个体适应值。

根据“稀疏”系数r动态调节群体规模P:

当r∈[a,b],P保持不变;当r∈[0,a),P=P+P*r;当r∈[b,∞),P=P-P*r。

其中80≤P≤140,a,b取经验值:a=0.15,b=0.45,而关于群体规模变化部分P*r的选取策略将在选择运算中详述。由本文组卷模型的实验数据表明,群体规模P初始值取100为宜,而在进化过程当中限制P在区间[80,140]内变动较为合适。

3.3 群体初始化

根据用户输入的试卷参数,从试题库中随机抽题放到染色体相应的题型段中,直到随机生成P个染色体为止。

3.4 确定适应度函数

在遗传算法中,以适应度函数值大小来评价染色体的优劣,一般而言,适应度函数是由目标函数经过尺度变换而形成的。由上述的目标函数f可知,本文的组卷策略实质是求目标函数f的最小化问题,经分析将目标函数f经过指数变换法成为适应度函数f’=e-af。其中系数a决定了选择的强制性,其值越小,选择的强度就越趋向于那些具有最大适应度的个体[1];根据本文组卷实际需要,本文a取值0.03。

3.5 遗传算子的改进

(1)动态自适应的交叉概率与变异概率

交叉概率pc与变异概率pm的选用是影响遗传算法行为和性能的两大关键参数,对算法的收敛性影响很大,pc越大,新个体产生的速度越快,对群体的多样性有利,但也存在高适应值的较优个体的结构很快被破坏的风险;而pc过小,会使搜索过程缓慢,以至停滞不前。同一对变异概率pm,如果过小,就不易产生新个体结;如果pm,过大,那么遗传算法就变成了纯粹的随机搜索算法[1]。经典遗传算法使用固定不变的交叉概率与变异概率,显然有待改善,为此本文采用交叉概率与变异概率自适应策略,pc与pm能够随个体的适应度自动调节:当适应值低于平均适应度值时,对它采用较大的pc与pm,以淘汰性能不够好的染色体;反之,采用较小的pc与pm,以保留性能优良的染色体。这对群体进化的后期很有利,而对进化初期不利:群体中的初期“最优”个体难以发生改变;为此需进一步改进:使群体中的初期“最优”个体的pc与pm都不为0,以保证它们不会处于近似停滞不前的状态。交叉概率pc与变异概率pm的与个体适应值函数关系如图2所示:

综上所述,交叉概率pc与变异概率pm的计算公式如下所示:

其中,fm为群体中最大的适应值,fa为每一代群体的平均适应度值,f’为要配对交叉的个体中较大者的适应度值,f为要变异的个体的适应度值。根据经验值,各参数取值为:pc1=0.9,pc2=0.6,pm1=0.1,pm2=0.001。

(2)交叉运算

经典遗传算法采用单点交叉的方式,在两个染色体间交换相同长度的DNA片断,基于上述的染色体编码方案,本文采用多点交叉再修正方式:首先对规模为P(下同)的群体中的每个染色体H(长度为m,下同),产生一个在区间[0,1]的随机数r,如果r小于交叉概率pc,则选中此染色体H,预计有P*pc个染色体被选中,如果P*pc为奇数,则随机移走一个被选中的染色体,保持P*pc为偶数以便配对交叉;在选中的染色体中随机选取配对,在配对的染色体中随机产生m*pc个不同的交叉位置,然后按下面方式交叉(假定随机产生了3个位置:i,j,k):

产生的两个子个体C1、C2,为避免在相同题型内存在重复抽题的现象,即题号相同,有必要修正此两个子个体:检查每个题型段,如果出现题号重复情况,则从题库内随机选取同题型不同题号的试题替换重复的试题。

(3)变异运算

本文的变异运算采用类似于二进制编码遗传算法中的基本位变异方式。群体中每个染色体的每个基因(即题号)有均等的变异机会,整个群体有m*P个基因,预计平均每代有m*P*pm次变异,可对群体中的每一位产生一个在区间[0,1]内的随机数r,如果r小于变异概率pm,则变异此位:从题库内随机选取同题型不同题号的试题替换原试题。使用与交叉运算同样的方法修正变异后的子染色体,以避免同一染色体内出现重复抽题的现象。

3.6 选择运算

为了保持群体的多样性,提高算法的鲁棒性,避免群体出现“早熟”现象,在确定群体规模P后,采用跨世代精英选择策略与无重复串的稳态繁殖技术[1]来选择个体的方案,具体步骤如下:

(1)混合父子两代群体生成备选池,并按适应值的降序排序;

(2)采用无重复串的问题繁殖技术,在备选池中选取靠前的P个相异个体组成新的群体,如果选取的个体数目小于P,则再从题库中随机抽取试题组成若干个体,补充到新的群体中,使群体规模达到P。

3.7 算法结束条件

算法结束采用下面3种标准:(1)适应函数值f满足用户要求后结束;(2)算法运行到一定的时间后,进化效果停滞不前可结束;(3)算法运行到一固定的次数后结束。

4. 实验结果与分析

根据上述改进式遗传算法的思想采用基于web的ASP.NET编程技术开发了网络考试系统,并针对电大计算机课程《数据库基础与应用》的题库进行计算机自动组卷实验,结果验证了本文提出的改进式动态自适应遗传算法的可行性与有效性,其性能与经典遗传算法性能相比有明显改善。

5. 结束语

计算机智能组卷问题是一个多目标多约束的组合优化问题,本文通过对组卷问题的分析研究,改进经典遗传算法多个关键部分:采用整数编码组织染色体,采用指数尺度变换目标函数为适应度函数的方法,引入动态群体规模和自适应交叉与变异概率技术,采用跨世代精英选择策略与无重复串的稳态繁殖技术的个体选择方案等等。这些改进措施提高了算法寻优速度,有力避免经典遗传算法易出现的“早熟”现象,较好地解决了计算机自动组卷问题。

参考文献

[1]王小平,曹立明.遗传算法---理论、应用与软件实现[M].西安:西安交通大学出版社,2002.

[2]陆亿红,柳红.基于整数编码和自适应遗传算法的自动组卷[J].计算机工程,2005,31(23):232—233.

[3]全惠云,范国闯,赵霆雷.基于遗传算法的试题库智能组卷系统研究[J].武汉大学学报(自然科学版),1999,45(5):758—760.

[4]华如海,王俊普.基于约束满足的智能组卷方法的研究与实现[J].计算机应用研究,2000,11:20—22.

智能组卷系统的设计 篇7

一、系统需求分析

从系统的经济需求、可用性需求、功能需求、性能需求系等几个方面,进行了系统的需求分析。下面重点探讨的是系统的功能需求。

通过对调查数据进行分析,确定了《嘉兴南洋学院智能组卷系统(计算机文化基础)》的功能包括组卷管理、试卷管理、试题管理、用户管理、系统管理。

组卷管理。该系统的试卷,可以手工组卷,也可以智能组卷。手工组卷由用户根据考试要求,在试题库中查询试题,手工选择符合要求的试题,组成最终的试卷。智能组卷则要求用户先输入组成试卷的各项参数,如试卷难度、考试题型、考察知识点等,由系统根据组卷策略,从试题库中抽取试题,组成符合需求的试卷。

试卷管理。在试卷管理功能中,能够对生成的试卷进行管理,如预览试卷、微调试卷、删除试卷、查询试卷等。无论是使用手工组卷,还是使用智能组卷,都可以对生成的试卷进行预览。如果符合考试要求,则生成最终使用的试卷。如果生成的试卷不符合要求,可以对试卷进行微调,或者删除试卷,重新生成新的试卷。用户也可以输入科目、考试时间、班级等关键字,查询已经生成的试卷。

试题管理。试卷的生成,是由系统从试题库中抽取试题,自动生成的。试题管理功能可以管理试题库中的试题。使用该功能,可以向试题库中添加试题、删除试题库中试题、修改试题库中试题以及查询试题库中试题。在操作时要注意保证试题库的安全性和可靠性。

系统管理。为了保证系统能够稳定、安全地运行,离不开系统管理功能。该功能主要完成初始化试题库、设置访问权限、扩充试题库、备份与恢复等操作。

二、系统设计

系统虽然能够以手工组卷与智能组卷两种方式进行组卷,但还是以智能组卷方式为主。对于智能组卷系统来说,是否能够生成符合要求的试卷,主要取决于组卷策略的设计。好的组卷策略,能够高效地进行智能组卷。目前国内使用的智能组卷曾略主要有遗传算法、回溯试探算法和随机抽取算法这三种。

随机抽取算法最简单,最容易实现,尤其是抽取单道试题速度比较快。对于抽取多道试题,完成一个组卷过程而言,其速度是极其慢的,不适合在线考试。使用随机抽取算法抽取的题目过于随意,组卷的成功率也很低。所以,随机抽取算法并不是一种好的智能组卷策略。

回溯试探算法作为一种有条件的深度优先的算法,其组卷成功率是非常高的。但是,这种算法结构非常复杂,占用的存储空间比较大,组卷占用的时间比较长。

遗传算法是一种比较好的智能组卷算法。该算法能够模拟遗传机制,进行自然选择与随机优化,从而在解空间中搜索出最优解。遗传算法随机生成初始种群,而不需要过多的先验条件。随后从一个群体开始搜索,而非从一个点开始搜索。在搜索过程中,变异操作可以使算法很好地收敛到较优解上。由此可见,遗传算法具有智能搜索能力,且具有很好的收敛性,能够满足基于网络的在线考试系统的需求。

三、数据库设计

智能组卷系统中,试题库是整个系统的基础。数据库的设计必须合理,具有比较少的数据冗余,而且拥有良好的伸缩性,使得数据库比较容易扩充,以及方便数据库的维护。因此,在该系统中,数据库的设计也起着举足轻重的作用。智能组卷系统涉及到的数据比较多,为了避免大量的数据冗余,不能把所有数据放到同一个数据表中。在该系统中,将关系密切的数据放在同一个数据表中。经过认真的分析以及精心的设计,整个智能组卷系统的数据库包括用户表、课程表、知识点表、题型表、组卷参数表、试卷表、答案表等几个重要的数据表。

经过以上分析,最终确定《嘉兴南洋学院智能组卷系统(计算机文化基础)》采用My SQL数据库系统创建数据库,智能组卷的策略采用能够满足在线考试系统的遗传算法。最终实现了系统的组卷管理、试卷管理、试题管理、用户管理、系统管理等功能,满足了该课程的实际需求。

摘要：随着计算机网络技术的发展,基于网络的在线考试成为现实。设计开发《嘉兴南洋学院智能组卷系统(计算机文化基础)》,能够将教师从繁琐的任务中解脱出来,考试结果也更加公平、客观、准确,能够体现出学生对课程的实际掌握情况,更符合教学要求。遗传算法具有较好的收敛性,能够高效地实现智能组卷,符合在线考试系统的要求。

关键词：在线考试,智能组卷,遗传算法

参考文献

[1]张兵,胡建华.计算机考试系统的研究现状及基于C/S结构的计算机考试系统的实现[J].硅谷,2009(5).

运用遗传算法进行智能组卷 篇8

智能组卷是一个典型的多条件约束优化问题, 组卷时通常考虑的约束有试卷分数、试卷题型、试卷难度系数、能力层次、教学要求、区分度等约束。因此, 组卷中的一道试题应由n项指标决定, 要生成一份试卷, 就应决定一个m×n的矩阵。假设从题库中抽取n道试题, 每道试题由五个属性 (题分a1, 题型a2, 所需时间a3, 难度a4, 知识点a5) 决定, 则可生成这样的矩阵:

以上问题求解中的目标状态矩阵为例, 目标矩阵应满足如下约束条件:

1. 试卷总分:一般由用户给定, 设试卷总分为M, M满足公式 (1) :

2. 题型分数:

组卷过程中的题型主要包括单选题, 多选题, 填空题, 断判题, 简答题等, 设T为第m种题型要求的分数, T满足公式 (2) , 当试题题型编号ai2属于第m种题型时, tm为1, 否则为0;

3. 平均难度:

平均难度一般由用户给出, 本文取容易、较容易、中等、较难、难5个难度级别, 难度系数, 设D为平均难度, 则D满足公式 (3) :

4. 知识点分数:

设S为第m个一级知识点的要求分数, S满足公式4.4, 当知识点ai5属于第m知识点时, sm为1, 否则为0;

5. 答题时间:

设T为答题时间, 则T满足公式 (5) :

可以看出, 组卷问题是一个多目标的最优求解问题。在组卷过程中, 并不是约束条件越多就越好, 过多的约束条件反而会增加组卷难度并降低组卷效率, 因此在系统试题库的初期阶段选取了以上五个约束条件, 随着系统的不断完善与用户量的增加, 可以再考虑其它约束条件。

(二) 组卷算法设计

自动组卷是根据用户给定的约束条件搜索试题库中与特征参数相匹配的试题, 从而抽取最优的试题组合。目前常用的组卷方法有随机抽取组卷算法、回溯试探组卷算法、遗传组卷算法。随机选取法是根据组卷状态空间的控制参数, 由计算机提供的随机函数随机的从试题库中抽取一道试题进行组卷, 之后不断重复此过程, 直到组卷完毕, 或者无法从试题库中抽取满足参数的试题为止。这种算法结构简单, 但具有很大的随机性和不确定性, 易于陷入局部最优解和求解速度慢的情况;回溯试探组卷法是将随机选取法产生的每一状态类型纪录下来, 当搜索失败时释放上次纪录的状态类型, 然后再依据一定的规律变换一种新的状态类型进行试探, 通过不断的回溯试探直到试卷生成完毕或退回出发点为止。这种算法对于题量较少的试题库组卷成功率较高, 但却不能很好地在全局范围内搜索, 同时也存在组卷时间很长, 程序结构相对比较复杂的特点。

从以上分析可以看出, 随机抽取组卷算法和回溯试探组卷算法并不能很好地实现组卷要求, 遗传算法是一种新发展起来的并行优化算法, 它很适合解决自动组卷问题。

1. 遗传算法原理

遗传算法起源于60年代对自然和人工自适应系统的研究, 最早由美国密执安大学的Holland教授提出, 遗传算法把问题的解表示成“染色体”, 在算法中以二进制编码表示, 在执行遗传算法之前, 先给出一群“染色体”的假设解, 再将这些假设解置于问题的“环境”中, 通过评价函数从中选择出较适应环境的“染色体”进行复制, 再通过交叉, 变异过程产生更适应环境的新一代“染体”群。如此反复, 经过一代又一代地进化, 最后收敛到最适应环境的一个“染色体”, 它就是问题的最优解, 遗传算法基本原理图如图1所示。

2. 遗传算法基本操作

遗传算法有三个基本操作:选择、交叉、变异。这些操作又有不同的方法来实现

(1) 选择

又称为再生操作, 可以加强群体中个体的适应性, 它的作用是根据每个个体的优劣程度 (如适应度函数值) 来决定其是被留下还是被淘汰。一般来说, 适应度高的个体存在的机会较大, 而适应度低的个体存在的机会较小。

常用的选择算子比例选择方法, 它首先根据个体的适应度值与当前种群中所有个体的适应度值总和的比值, 计算出每个个体的相对适应度, 该值反映了个体的适应度值占整个群体个体适应度值总和的比例, 值越大, 个体被选择复制到下一代的可能性就越大。

目前遗传算法中最经典的选择方法是轮盘赌选择法, 它是是根据比例选择方法来设计的, 其基本思想是:每个个体被选中的概率与其适应度大小成正比。

(2) 交叉

遗传算法中由于交叉算子具有全局搜索能力, 因而作为主要的操作算子。交叉算子是在基因交换的基础上加入基因对之间的算术运算而构造出来的, 能够使优良个体的特性在一定程度上保持。常用的交叉算子有单点交叉、二点交叉、多点交叉、均匀交叉等等。单点交叉是最简单的交叉, 它首先对染色体群中的个体进行随机配对, 在配对个体中随机设定交叉处, 再配对个体彼此交换部分信息。对于实数编码的遗传算法, 算术交叉操作算子多采用传统的中间重组的方法。

例如有个体S1=100100, S2=110111, 选择它们的左边4位进行交叉操作, 则有S1=110100, S2=100111

(3) 变异

在遗传算法的应用中, 变异操作可以维持遗传算法中群体的多样性。由于选择和交叉操作基本上已经完成了大部分的搜索功能, 所以变异操作主要用来增加找到接近最优解的能力, 它的存在对避免遗传算法的搜索过程陷入局部最优解和保证算法的全局收敛性至关重要。

主要的变异算子有基本变异算子、均匀变异、正态变异、自适应变异。变异操作是按位进行的, 即把某一位的内容进行变异, 如在二进制串的每一位中, 原先为1时, 产生变异就是把它变成0, 反之亦然。

如有个体S=101010。对其的第1, 3位置的基因进行变异, 则有S=000010。

执行变异算子操作可维持种群的多样性, 使算法更好地在全局范围内搜索, 防止“早熟”现象发生。在执行完交叉操作后, 由于题型中的每一题号己确定, 所以产生的随机数不会超过该题型的题号范围, 如果该随机数己被个体选中过, 则应重新产生随机数, 直到产生的题号与该个体包含的题号不相同。

(三) 遗传算法在组卷中的应用

基本遗传算法可定义为一个8元组:SGA= (C, E, P0, M, Φ, Γ, Ψ, T) 其中C为个体的编码方法;E为个体适应度函数;P0为初始群体;M为群体大小;Φ为选择算子;Γ为交叉算子;Ψ为变异算子;T为算法终止条件。

1. 染色体编码

用遗传算法求解问题, 首先要将问题的解空间映射成一组代码串。一般采用二进制编码方案, 该方案中用1表示被选中的题, 用0表示未被选中的题, 这种编码简单明了, 但是这样的二进制位串较长, 在进行交叉和变异遗传算子操作时, 各种题型的题目数量不好控制, 而且随着试题库题量的增多, 使得染色体长度不断增加、复杂化, 降低了算法的运行速度。因此可将二进制编码方案改成十进制分段编码方案, 每一份试卷对应一个由题号, 每种题型的题号放在一起, 按题型分段, 在随后的遗传算子操作时也按段进行, 保证了每种题型的题目总数不变。

如果试题库中含有200道选择题、500道填空题、200道判断题, 则它的编码方式如表所示:

2. 初始化群体

初始化群体指选择一个串或个体的集合作为问题假设解的集合, 试卷初始种群根据题型比例、总分的要求随机产生, 群规模的大小可以决定组卷速度, 当种群规模较大时组卷收敛速度较慢, 但易搜索到全局最优解, 而种群规模较小时组卷收敛速度快, 却不易搜索到全局最优解, 因而一般取种群规模为30~160, 并且初始种群在解空间中应尽量分散。

另外, 为了比较初始个体与最优个体的适应度值, 即试卷的质量, 在初始种群产生后需计算每个个体的适应度值, 然后将该值显示出来。

3. 确定适应度函数

适应度函数是用来评判试卷群体中个体的优劣程序的指标, 它要求应能反映待求解问题的特征。遗传算法利用种群中每个个体的适应度值进行搜索。一般情况下, 适应度函数是由目标函数转换而成的, 适应度值越大的个体越好。实际应用中, 通过设定整卷指标F来综合反映生成试卷的5个指标与用户要求的误差, 由于它们的重要程度不同, 所以整卷的指标F就是5个指标的加权和, 同时为了避免各个误差相互抵消, 这5个指标与用户要求的误差都取绝对值, 可以表示为:

其中fi表示第i个指标与用户要求的误差的绝对值, wi表示第i个指标的权值, 组卷就是从题库中抽取试题, 使得整卷指标F最小。

4. 遗传算子的确定

选择算子是从群体中按某一概率成对选择个体, 某个体bi被选择的概率P与其适应度值成正比。

设目标函数为f, f (bi) 称为个体bi的适应度, P为选中bi为下一代个体的次数。可知, 适应度较高的个体, 繁殖下一代的数目较多, 适应度较小的个体, 繁殖下一代的数目较少, 甚至被淘汰。

交叉算子将被选中的两个个体的基因按概率Pc进行交叉, 生成两个新的个体, 交叉概率Pc如选取过大, 可能使算法变成随机搜索, 如果过小会使组卷收敛速度变慢, 一般取值在0.25~0.75之间。

变异算子是按变异概率Pm对执行变异串的对应位求反, Pm如选取过大, 同样可能使算法变成随机搜索, 而Pm过小时不易产生新的个体, 可能使算法早熟收敛, 陷入局部最优, Pm值一般取0.01~0.2。

5. 算法的终止条件

遗传算法终止条件不同于其他传统算法终止条件, 原因在于它没有利用目标函数的梯度等信息, 无法确定演化过程中个体解空间的位置, 因而无法用传统的方法来判定算法收敛与否来终止算法。常用的终止条件有三个:当搜索到最优解时;当运行次数达到最大的演化代时;当最新最大适应度值与上代的最大适应度值没有明显改进时。

在实际组卷系统中, 采取固定最大遗传代数MAX, 最大遗传代数MAX由题库中题目的个数与模型中约束条件的个数共同决定, 当算法进行MAX代遗传后停止。

(四) 结束语

大量的研究和实践表明, 遗传算法在解决复杂的带约束的优化问题时具有良好的性能。但是, 智能组卷的遗传算法的设计与实现也比较复杂, 还需进一步研究实践。

参考文献

[1]毛秉毅.基于遗传算法的智能组卷系统数据库结构的研究[J].计算机工程与应用, 2003 (6) :230-232.

[2]李海兵.智能组卷系统的研究与实现[J], 中国优秀硕士学位论文全文数据库, 2008 (5) .

[3]GOLDBERG D E.Genetic algorithm in search, optimization and machine learning[J].Adison-Wesley, 1989 (2) :97-99.

[4]BERTONI A, DORIGO M.Implicit parallelism in genetic algorithms[J].Artificial Intelligence, 1993, 61:307-314.

基于EDPSO算法实现智能组卷 篇9

1 分布估计的离散粒子群优化算法 (EDPSO)

1.1 基本的PSO算法

粒子群优化 (Particle Swarm Optimization-PSO) 是一种基于群体智能的进化计算技术, 是1995年Eberhart和kennedy博士提出的, 其思想来源于对鸟群、鱼群等群集行为的模拟[2]。PSO源于对鸟群捕食的行为研究, 设想这样一个场景:一群鸟在随机搜索食物。在这个区域里只有一块食物。所有的鸟都不知道食物在那里。但是他们知道当前的位置离食物还有多远。那么找到食物的最优策略是什么呢。最简单有效的就是搜寻目前离食物最近的鸟的周围区域。它通过追随当前搜索到的最优值来寻找全局最优, PSO从这种模型中得到启示并用于解决优化问题。PSO中, 每个优化问题的解都是搜索空间中的一只鸟。我们称之为“粒子”。粒子i在N维空间里的位置表示为矢量Xi=[x1, x2, …, xn]所有的粒子都有一个由被优化的函数决定的适应值, 每个粒子还有一个速度Vi=[v1, v2, …, vn], 决定他们飞翔的方向和距离。然后粒子们就追随当前的最优粒子在解空间中搜索。PSO初始化为一群随机粒子 (随机解) 。然后通过叠代找到最优解。在每一次叠代中, 粒子通过跟踪两个“极值”来更新自己。第一个就是粒子本身所找到的最优解。这个解叫做个体极值pid。另一个极值是整个种群目前找到的最优解。这个极值是全局极值pgd。粒子根据这两个最优值来更新自己的速度和位置:

k是迭代次数, vundefined是粒子的速度, xundefined是当前粒子的位置。rand () 是介于 (0, 1) 之间的随机数。c1, c2是学习因子。通常c1=c2=2。

上述PSO主要适用于求解连续优化问题。Kennedy和Eberbart也提出了一个离散版本的PSO (DPSO) [3], DPSO把标准PSO的第2个方程替换为:

其中undefined为Sigmoid函数。

1.2 分布估计算法

分布估计算法的基本思想是在每一次迭代中, 依据当前优质解信息的概率分布模型来产生新解。具有概率分析的理论基础[4,5]。EDAs的基本框架可描述如下:

第一步:t=0, 随机产生初始种群Xbase (t) ;

第二步:选择, 从当前种群Xbase (t) 中根据某种选择机制选择若干粒子构成父代种群Xparent (t) ;

第三步:建模, 采用某种概率模型评估Xparent (t) 构建一个概率分布模型p (t) ;

第四步:抽样, 依据概率p (t) 分布模型抽样产生新解Xoffspring (t) ;

第五步:判断是否满足终止条件, 若满足则转到第六步;否则t=t+1, 转到第二步;

第六步:种群Xbase (t+1) 为所求解。

EDAs的核心部分是选择、建模和抽样, 它首先随机生成初始种群, 然后根据某种机制选择拥有较好目标函数值的若干个体组成父代种群, 再建立一个能反映父代种群的概率分布模型, 根据概率分布模型抽样产生新种群。EDAs的实质是抽取优质解的整体信息, 然后评估它们的分布, 再利用这种分布产生新种群。

1.3 分布估计的离散粒子群优化算法

在标准PSO的 (E) 中, ω, pid和pgd三项可以解释为随机——局部搜索项、个体历史最优信息项和全局最优项[6]。在这里选择所有个体的历史最优信息, 建立一个反映优质解分布的概率模型, 这个概率模型标识解空间中最具潜力解的区域分布信息。对于新的种群, 随机从概率模型和全局最优信息项中获取解信息, 相应的随机——局部搜索项功能, 通过变异或者通用的局部搜索算法实现。

EDAs中采用一阶统计量的UMD (Univariate marginal distribution) , 单变量边缘分布概率模型来建模[5], 评估整个解空间中优质解的分布情况。

完全按文献[7]的设计, 在EDPSO中, 第t次迭代时粒子i的位置xid (t) ∈{0, 1}。首先统计个体历史极值的每一维出现1的个体数量, 要概率模型计算出一个实值概率向量, 表示为P= (p1, p2, …, pd, …, pD) , Pd表示粒子的第d维取值为1的概率。然后, 这个概率向量P引导粒子在0-1的解空间进行。在产生下一代种群时, 以大概率β从概率向量抽样产生新解, 以小概率1-β直接复制种群全局最优解作为新解。即个体粒子的部分维值由概率向量来决定, 部分维值直接来源于群体最优个体。

EDPSO产生新个体粒子的机制是:

概率向量用下列方程 (1) 进行初始化:

在每一次迭代中, 按照PBIL (Population Based Incremental Learning, 基于人口增量学习的进化算法) 的概率更新规则更新概率向量P:

其中λ∈[0, 1]是学习率, 式中右边的pd代表上一代概率向量信息, undefined是在当代优质解估计出的新的概率信息。为了避免算法的早熟, 在抽样产生的新解上以一定的变异概率α实施按位变异来保持种群的多样性:

2 基于EDPSO的组卷方案

智能组卷是根据用户输入的组卷要求, 搜索试题库中与特征参数相匹配的试题, 生成满足用户要求的试卷。自动组卷系统理论基础涉及试卷评价指标与组卷要求、数学模型、智能组卷算法、试题库中试题属性及编码方法。本文用于测试的题库结构和组卷目标模型采用文献[1]的描述方案。

2.1 算法实现过程设计

采用文献[1]的编码方案, 按题型进行分段编码, 以缩小解的搜索空间。

第一步:初始化种群, 按组卷目标中各种题型的分值要求, 对每个独立代码段采用随机抽题的方法, 并保存所有题的个体历史极值和全局最优[7]。

第二步:用 (1) 式初始化概率向量P, 即标识题库中最具潜力解的区域分布信息。

第三步:根据文献[7]中产生新个体粒子的机制, 以大概率β从概率微量抽样产生新解, 以小概率1-β直接复制种群全局最优解作为新解。

第四步:按 (3) 式进行变异, 产生新的种群, 即新的题库。

第五步:评价新库中所有题的适应度。

第六步:比较适应度值更新当前的全体历史极值和全局最优值。

第七步:使用PBIL的概率更新规则更新概率向量P, 即 (2) 式。

第八步:同化检验处理。

第九步:判断是否满足终止条件, 若满足则结束进行过程, 完成;否则转到第三步继续迭代抽题的过程。

2.2 适应度函数

利用试题的历史信息对试题进行筛选, 历史信息控制函数[8]作为适应度函数:

f (x) =F/ (γA·λg (B) ) , 其中F表示试题的抽取标志、A表示抽取次数、B表示最近选用时间日期, g (B) 为时间转换函数, 它是B与当前组卷时间的差, γ, λ为A, B的权重系数, 反映A, B对组卷的影响程度。

2.3 避免或降低同化率

在文献[9]的组题算法实现过程中, 先将各级难度系数的试题从试题库中抽出, 并分别建立临时试题库, 然后从中抽掉知识点与其他题型重复的那些试题, 再从临时库中抽取给定的题量, 每抽一题, 删掉临时库中知识点相同的试题, 然后反复抽取试题, 直至组卷完成[9]。

这个方法可以有效避免或降低同化率 (知识点重复) 问题, 同时也可减少余下粒子的搜索范围, 提高收敛速度。所以文本也借鉴文献[9]的这种建立临时库、边抽边删的思想, 在算法的实现过程的第八步上比较检验同化的处理过程, 以避免知识点的重复。在处理同化检验过程中要考虑题库的健壮程度, 避免缺题现象, 有效控制鲁棒性。

3 组卷实验

本文以铁路《车辆检车员鉴定系统》为例, 对本文所提出的系统方案分三个阶段进行了实验:第一阶段在原始题不变, 编码方案及参数不进行完善改造的情况应用EDPSO组卷;第二阶段对题库先按专家系统和文献[9]提出的方法改进后应用EDPSO组卷;第三阶段在第二阶段基础上, 再按文献[10]对组卷目标进行满足目标检查, 然后应用EDPSO。题库规模600道题, 其中单选260题, 多选题80题, 填空100题, 判断120题, 问答题40题, 难度5级。每一阶段所用的各项参数一致:种群规模60 (试卷题量) 、每一阶段抽取试卷10套, 最大迭代次数50、题型要求及分数标准默认, 其他参数按惯例;EDPSO用到的参数:β控制产生新粒子的方式, 为了让算法具有更好的学习能力, 取β=0.9;λ学习率均衡算法的全局探索能力和局部开采能力, 为了让算法具有较好的搜索性能, 设λ=0.7;α变异率是粒子发生变异的概率, 变异的目的是为了防止算法陷入局部极小值, 变异太大会变成随机搜索, 取α=0.001。

4 结束语

实验结果表明, 将分布估计的离散粒子群算法应用于智能组卷, 可通过分布概率的调整, 较好地达到目标要求, 在组卷效率上能达到满意的效果。

参考文献

[1]Xiaoying SUN.Study on algorithm of intelligent test paper[C].2008Intermational conference on multimedia and information technology (MMIT 2008) .Published by IEEE computer society, 2008:86-89.

[2]Kennedy J, Eberhart R C.Particle Swam Optimization[C].Procee-dings of IEEE International Conference on Neural Networks.Pisca-taway, NJ:IEEE Press, 1995:1942-1948.

[3]Kennedy J, Eberhart R C.A discrete binary version of the particleswarm slgorithm[C].Proceedings of the World Multiconference on Sys-temics, Cybemetics and Informatics.Bscataway.NJ, 1997:4104-4109.

[4]Baluja S.Population-based incremental learning:A method for inte-gratin genetic search based function optimization and competieive lear-ning[J].School of Comput.Sci, Carnegie Mellon Univ, Pittsburgh, PA, Tech Rep CMU-SC-94-163, 1994.

[5]M uehlenbein H.The equation for response to selection and its use forprediction[J].Evolutionary Computation, 1997, 5 (3) :303-346.

[6]周驰, 高亮, 高海兵.基于PSO的转换流水车间调度算法[J].电子学报, 2006, 34 (11) :2008-2011.

[7]周雅兰, 王甲海, 印鉴.一种基于分布估计的离散粒子群优化算法[J].电子学报, 2008, 36 (6) .

[8]郝彦, 陈丽燕.基于题库信息的智能组卷算法[J].浙江海洋学院学报:自然科学版, 2006, 25 (2) .

[9]林雪明, 张钧良, 蒋伟.基于知识占的试题库组卷算法的建立[J].微机发展, 2001 (2) .