遗传算法在在线考试系统中自动组卷的优化设计

Computer Knowledge and Technology 电脑知识与技术本栏目责任编辑：王力计算机教学与教育信息化第7卷第2期(2011年1月)遗传算法在在线考试系统中自动组卷的优化设计

钟宁1,2，刘连浩1

（1.中南大学信息科学与工程学院，湖南长沙410083；2.湖南工业大学现代教育技术中心，湖南株洲412007）

摘要：在分析了遗传算法的优势和运算过程的基础上，利用遗传算法的特点对自动组卷进行了优化设计，并在在线系统开发中得到了验证，使系统更具有灵话性和稳定性，提高了考试系统的自动组卷的效率。

关键词：遗传算法；自动组卷；优化设计

中图分类号：G424.7文献标识码：A 文章编号：1009-3044(2011)02-0397-02

The Genetic Algorithm in On-line Examination System Auto-composing Test Paper of Optimization Design

ZHONG Ning 1,2,LIU Lian-hao 1

(https://www.360docs.net/doc/ff13526664.html,rmation Science and Engineering College,Central South University,Changsha 410083,China;2.Modern Education Technology Center,Hunan University of Technology,Zhuzhou 412007,China)

Abstract:In the analysis of the advantages of genetic algorithm based on the process and operators,the characteristics of genetic algorithm for automatic generation of optimized design,and in the online system developed has been verified,if the system is more spiritual and sta -bility,improve the examination system of the automatic generation efficiency.

Key words:genetic algorithm;automatic generation;optimization

1遗传算法

遗传算法（Genetic Algorithm ）是借鉴生物界的进化规律（适者生存，优胜劣汰遗传机制）演化而来的一种随机化搜索方法。它借用了生物遗传学的观点，通过自然选择、遗传、变异等机制的作用，实现个体适应性的提高，进而得到优选保留。自1962年Holland 教授首次提出了GA 算法的思想，就吸引了大批的研究者，并已经在优化、搜索、机器学习等方面得到了推广应用，奠定坚实的理论基础，成为现代有关智能计算的一项关键技术。遗传算法与传统优化算法相比具有以下优势：

1)遗传算法与传统优化算法的最大区别在于遗传算法不是从单个解开始，而是从问题解集中的串集搜索开始的。传统优化算法是从单个初始值迭代求出最优解的，容易出现最优解为局部最优解的情况。遗传算法从串集开始搜索，覆盖面大，利于搜索出全局最优解。

2)遗传算法基本上不需要用到搜索空间的知识或其它辅助信息，只要用适应度函数值来评估个体，并依此最优值进行遗传操作得出最优解。而且适应度函数不但不需要受连续可微的约束，还可以设定任意的定义域。这一特点使遗传算法的应用范围有了很大的扩展。

3)遗传算法采用的不是确定性规则，而是根据概率的变迁得到的一定范围内最优值来指导它的搜索方向。通过优化比较一定能够得到特定定义域的最优解集。不会出现组卷失败等现象的发生。

4)遗传算法具有自组织、自适应和自学习性。遗传算法利用自身在进化过程获得的信息进行自行组织搜索时，可以使性能优的个体有较高的被选择生存概率，进而获得更能适应环境的基因结构。

2遗传算法的基本运算过程

1）初始化个体：首先设置进化初始计数器i=0，设最大进化数为I ，生成K 个随机个体作为初始群体P(0)。

2）评价个体：对群体P(i)中的各个个体进行适应度计算。并依据得到的适应度值对个体进行初步筛选。

3）选择运算：将选择算子作用于群体。选择出优化的个体遗传到下一代或通过配对交叉产生新的个体再遗传到下一代。

4）交叉运算；将交叉算子作用于群体。这是一个把两个父代个体的部分结构进行替换以便重组出新个体的操作过程。交叉算子在整个遗传算法起核心作用。

5）变异运算：将变异算子作用于群体。即是对群体中的个体串的某些基因组上的基因值作变动。变异操作的目的是挖掘群体中个体基因的多样性，克服局部收敛。群体P(i)经过选择、交叉、变异运算之后得到下一代群体P(i+1)。

6）终止条件判断：若i=I,则以进化过程中所得到的具有最大适应度的个体作为最优解输出，终止计算。

3自动组卷分析

自动组卷就是通过计算机利用用户设定好的组卷条件从已有试题库中抽取符合要求的各类型试题组成试卷的过程。为了试卷的质量，更好地考查学生的知识掌握情况，我们就得要求所生成的试卷中的各个试题都应该满足一定的条件。为了尽可能的让每份收稿日期：2010-11-15

作者简介：钟宁（1977-），男，湖南沅陵人，湖南工业大学讲师，中南大学在职研究生，主要研究方向为软件工程、现代教育技术应用。E-mail:wltx@https://www.360docs.net/doc/ff13526664.html, https://www.360docs.net/doc/ff13526664.html, Tel:+86-551-56909635690964ISSN 1009-3044Computer Knowledge and Technology

电脑知识与技术Vol.7,No.2,January 2011,pp.397-398397

本栏目责任编辑：王力

计算机教学与教育信息化试卷是最优化的，我们在建试题库的时候为每道试题设置了以下属性：

1）试题编号TP ：试题的唯一标识，采用三级（AAC,BEB ）代码标注，分别表示学科、题型、题号；

2）知识点K ：也采用三级（125,356）代码标注，分别表示第几章、第几节、第几个知识点；

3）难度D ：指的是试题本身相对学生掌握情况的难易程度。

计算如公式(1)：

(1)

其中，Di 为第i 道题的难度系数值，Si 为特定考生的第i 道题的平均分数值，Fi 为第i 道题满分分数值。当Di=0时，表示无一人答对，说明该题难度太高；而当Di=1时，则表示每个学生都答对了，说明该题难度太低。难度系数过高或者过低的试题，都不利于检测出学生知识掌握的真实情况。一份难度适宜的试卷平均难度值在0.4~0.6之间，这样的试卷成绩分布才能符合正态分布，考生的成绩也才具有实际的参考价值。

4）区分度Q ：设定试题的区分度是为了使考生的水平能力区别开来。将考生考试总分从高到低排列，然后取前35%为高分组和后35%为低分组，根据公式计算出试题的区分度。如公式(2)：

(2)

其中，Qi 是第i 道题的区分度，Hi 是高分组考生第i 道题的平均得分值，Li 是低分组考生第i 道题的平均得分值，Fi 为第i 题的满分值。Qi=0说明高分组和低分组考生的平均分值一样，不能区别考生能力;Qi>O ，属于正常;但最好大于0.3；Qi

5）时间T ：标注的是特定学生做完成该试题所需要的平均时间，以分钟为单位。

6）分数S ：该试题的满分值。

7）曝光度E ：标注试题出现在前后两份试卷的时间间隔。以该试题的曝光度值来决定是否选用该题。如公式(3)：

(3)

其中，Sa 为某道题最近所出现那份试卷的试卷号；Sb 为此次试卷的出卷号；G 为用户设定的试卷不能出现在前后两试卷号的最小间隔值。当Ei>1时，可选用该试题；当Ei<1时，不能选用该试题；这样就可以避免一道试题在较短时间被多次选用，而另外的试题难以被考查的现象出现。

4遗传算法在在线考试系统中自动组卷的优化设计

早熟收敛问题是遗传算法在具体应用中会常常碰到的，也是影响实践结果中最具决定性的因素。主要原因是不能提高种群当中最优个体的适应度，经过若干次遗传操作后仍找不到全局最优解。选择、交叉和变异算子的使用不当或者控制参数的选择不当等因素都会导致早熟收敛的发生。本质上都是由于群体中有效基因的缺失引起的[1]，或者是由群体中有效基因的浓度减少到一定程度时缩引起的。为了解决上述问题，本文从初始化题目、编码、适应度函数、终止条件四个主要方面对传统的遗传算发进行了改进，提出了改进的遗传算法。

4.1初始化题目

群体并不是完全随机生成的，题目的初始并不是完全随机生成的，而是根据我们所设定的约束条件的重要性强弱，依次划分来确定初始群体，步骤如下

1）根据题库中试题编号这个重要属性，把同一学科的试题归为一个学科大集合；

2）根据用户所要抽取的题型、各类型的总分值，以及所占的总时间数再把学科大集合归为几个子集；

3）按照用户对试卷的难度和区分度期望值的要求，参照不同难度系数所占的比例、曝光度、总时间、总分数等参数来从各种子集中选取适合的试题来组成试卷。

4.2编码

传统的遗传算法一般采用二进制编码方式，需要经过编码、解码过程；在此我们采用一定范围的实数来分别表示试题的各属性值，以此来克服了二进制编码的编码、解码的过程，明显缩短了求解时间，在进化时表现出很好的搜索性能[2]。

4.3确定适应度函数[3]

适应度函数是用来区分各道试题与我们设定要求的符合程度中最重要的指标。适应度函数的计算如公式(4)：

(4)

其中，Ai 对应为第i 个组卷因素相对于设定的约束条件值的误差，Ki 为权值系数。F 越小越好。采用加权误差适应度函数能较好地求解出最适合的试题。

4.4迭代终止条件[5]

我们设新种群中个体适应度判断条件为|F -F0|≤ε，ε为期望的误差精度，F0为期望适应度值。如新种群的规模已达到规定的个数则停止进化，节约组卷时间，提高效率。

（下转第414页）

398

本栏目责任编辑：唐一东人工智能及识别技术（上接第398页）

5总结

优化后的算法在网络在线考试系统中的得到了实现，在保证了考试系统的安全性和可靠性的前提下，提高了考试系统的自动组卷的效率，使系统更具有灵话性和稳定性，更易于维护和扩展。

参考文献：

[1]

熊勇https://www.360docs.net/doc/ff13526664.html, 编程基础与实例[M].北京:人民邮电出版社,2001:5-287.[2]

陈晓东,王宏宇.一种基于改进遗传算法的组卷算法[J].哈尔滨工业大学学报,2005,9(37):1174-1178.[3]

陈瑛琦,雷相波.改进遗传算法组卷系统的研究与实现[J].电脑编程技巧与维护,2009,S1(18):33-35.[4]仇明.基于改进遗传算法的组卷研究[J].湘南学院学报,2009,30(5):76-78.

算定为7个，学习参数均设为0.5，学习精度取为0.01，学习次数设定

为100，目标输出根据市场预测及采访调查设为10亿。对不同的项目，

会有较为准确的决策。由于改进前后的BP 神经网络算法只是在程序

实现上不同，所以在此只给出改进后的BP 神经网络算法的流程图，如

图3所示。

6结束语

人类对自身的不断探索，以及神经网络的发展，使得神经网络计算

机呼之欲出。笔者认为，神经网络计算机发展的趋势是全硬件的实现，虽

然在硬件实现上还有未能解决的问题，但这种趋势是不可阻挡的。随着

电子、光电等器件工艺的发展，我们期待神经网络计算机代替冯诺依曼

型计算机，真正走进我们的生活。

参考文献：[1]朱军勇,贺红燕,张春生.粗糙集-神经网络在构建企业供应链合作伙

伴选择中的应用[J].河南理工大学学报:社会科学版,2007,8(1):33.

[2]肖德云,陈荣达,王宗军.基于模糊集和BP 神经网络的企业投资决策绩效集成评价[J].华中科技大学学报:城市科学版,2005,9(3):25.

[3]吴轲.复杂系统思想对计算机辅助企业投资决策的探讨[J].河南科技,2005,6(3):451.

[4]Mc Elveen R F.Starting high2inertia loads[J].IEEE Trans Ind.App l,2001,37(1):137.

[5]王守觉.神经计算机———

真正的电脑[J].今日电子,1996(6).[6]黄笑鹃,余颖.神经计算机综述[J].计算机与现代化,2003(9):17-18.

[7]鲁华祥,王守觉.半导体人工神经网络的研究与发展[J].电子科技导报,1996(9):10-12.

[8]王守觉,曹文明.半导体神经计算机的硬件实现及其在连续语音识别中的应用[J].电子学报,2006,34(2):267-271.

[9]布克兰德.游戏编程中的人工智能技术[M].北京:清华大学出版社,2006.

[10]Pande P C,Barai W V.Multiplayer percept iron in damage detection of bridge structures[J].Computers&Structures,1995,54(4).

[11]Zhu H,Shima Y.Damage detection in structures modified back propagation neural networks [J].Acta Mechanica Solida Sinica,2002,15

(4).

[12]孙宗光,高赞明,倪一清.基于神经网络的桥梁损伤位置识别[J].工程力学,2004,21(1).

[13]Yacine Oussar,Gerard Dreyfus.Initialization by selection for wavelet network t raining[J].Neural Computing,2000,34(4).

[14]Emre Ertin.Mathematical methods for neural network analysis and design[J].Neural Computing,2000,34(4).

[15]赵子都.非冯_诺依曼型计算机[J].电脑爱好者,1994(6):40-41.

[16]王守觉,鲁华祥,陈向东,等.人工神经网络硬件化途径与神经计算机研究[J].深圳大学学报:理工版,1997,14(1):8-13.

[17]王柏勇,田军,杨灿,等.柔性电子神经网络计算机结构和原理[J].计算机研究与发展,1994,31(3):23-28.

图3BP 神经网络算法流程图

414