基于贪心算法的在线形成性考核系统组卷研究
基于粒子群算法的智能组卷系统研究与实现
上式中的 ａ ｉ ｌ ， ａ ・ ・ ａ ｉ ｎ 分 别 对应 于 第 ｉ 个题 目的各 个 属 性 （ 分数 、题型 、章节 、难度 、区分 度 、能力层次 等 ） ，一个 非 劣解集就 是一份试卷 ．一份试卷对应一个 “ 粒 子” ，多个 “ 粒 子”在解 空间中搜寻最佳位 置 ，搜寻结束 后 ，处 于最佳位 置
用了智 能搜寻 的优势 ，搜索充分 ，速度快 ，结果理想 。
常 用 的 智 能 组 卷 策 略包 括 基 于线 性 规 划 算 法 的 随 机 抽 取
（ ３ ）章节约束
Ｃ ｋ ＝ ｉ ＝ ｌ ｎ Ｃ ３ ａ ｉ ３ （ 公式 ４ ）
公式 ４中的 Ｃ ， 用来表征题 目 ａ 是否 为要求 的章节 ，如果 是则 Ｃ ＝ １ ，反之 Ｃ ＝ ０ 。Ｃ ｋ为试卷 中第 ｋ个章节要 求的分数 ， ｋ取 （ １ ， ２ …ｎ ，ｎ为总章节数 ） 。 （ ４ ）难度 约束
２ 智能 组卷 模型
组卷要 求选用最具 代表性 的 、有难 度层级 的试 题 ，从 而
保证试题的信度和效度 。试题本身有很 多属性 ，如题 目类型 、 难度和曝光度等 。组卷模型必须对试题 属性 有所体现。 同时 ， 受答题 总分 、测试 时间等诸 多条件限制 ，组卷 问题实质上 是
一
公式 ５中的 Ｃ 用来表 征题 目 ａ 。 是否 为要 求的难度 ，如果 是则 Ｃ ＝ １ ，反 之 ｃ ： ０ 。Ｄ 为试 卷 中第 ｋ个难 度级要 求 的分 数 ，ｋ取 （ １ ， ２ …ｎ ，ｎ为难度级的最大值 ） 。
重复抽取的问题 ，因此效率不高。另外 ，回溯试探法需 要较 大 的存储空间 ，算 法复杂 ，计算时间往往超 出可接受的范围。智
遗传算法在考试系统中组卷算法的研究与设计
遗传算法在考试系统中组卷算法的研究与设计刘洋【摘要】在线考试是现阶段计算机辅助教学领研究开发的热点和焦点，组卷算法是在线考试系统的核心，结合遗传算法的优点，设计出1种新的自动智能组卷算法，该算法能克服遗传算法的缺点，并在实验测试中取得比较满意的结果。
%Nowadays the online examination is a hot-spot in the area of computer-aided teaching. The algorithm of composed paper is the core of online examination system. Combined the advantages of genetic algorithm. One design of a new intelligent algorithm is composed paper. This algorithm can overcome the shortcomings of genetic algorithm and achieves satisfactory results in the experiments.【期刊名称】《湖南城市学院学报（自然科学版）》【年(卷),期】2013(000)001【总页数】4页(P82-85)【关键词】考试系统;智能组卷;遗传算法;自动化【作者】刘洋【作者单位】湖南城市学院信息科学与工程学院，湖南益阳 413000【正文语种】中文【中图分类】TP393在线考试是现阶段计算机辅助教学领域研究开发的一个热点和焦点．它是建立在Web上的应用系统，客户端的配置和操作可以比较简单，并且考试不受地域位置的局限[1-2]．一个功能完整的在线考试系统可以使 Web用户在网上学习过后及时检验自身的学习效果，从而发现自己的不足，促使学习效率得到较大的提高．在线考试系统中题目的生成、试卷的提交、成绩的批阅、成绩的查询等功能都可以在网络上自动完成．只要在网上形成一套成熟的、科学的题库就可以实现考试的自动化．这样一来，教师所要做的事情只是精心设计题目、设置评分标准、维护题库，而不需要组织考试，从而大大减轻了教学的负担，提高教师的工作效率．近年来有很多国内外学者对遗传算法在考试系统中的应用进行了大量研究，如：王宇等的“题库系统试卷自动生成算法研究[1]”．沈建强等的“组卷系统的优化与实现[3]”．也有对遗传算法进行的研究[4]．如应继儒等在“试题库随机选题数学模型的构建及实现[5]”，以及刘彬在“遗传算法在试题组卷中的应用”提出了各种算法比较研究[6]，这些方法考虑了如何选取有效的规则，但算法非常复杂，很难解决实际的问题．遗传算法在考试系统应用上的研究目前基本上都是处于研究阶段，不是太复杂就是缺陷太多．如何设计出一种新的遗传算法使在线考试系统一步改进和优化使之符合现代社会的要求，研究意义重大．1 新的遗传算法的设计思想本在线考试系统决定设计1个新的遗传算法作为组卷算法．一般情况下，考生会对试卷在试题量，试题难度比例等方面提出要求，我们在组卷时应在这些方面最大程度地满足用户需求[7]．在组卷前，系统将会为自动组卷过程建立控制指标相应题库状态空间 S(S为一个二维数组)．S的每一行由某一试题控制指标组成，如题号、题型、难度等因素，并且这些属性指标都进行编码表示成二进制0和1形式，而每1列的取值(0或者1)表示题库中的某一指标．试题库中的每1道试题在建库时都输入了相应属性指标．由于二进制编码很长，设题库中有m道题，分别用表示，表示题库中的第i个试题．染色体的编码长度由试题库中的试题量来决定，比如m道题对应的染色体长度就为m位[8]．染色体采用二进制编码方案，比如染色体表示在本次的组卷过程中，试题xi被选中；否则表示没有被抽取．初始群体对 HGTPA算法有重要的影响，要实现全局最优，初始群体在解空间应尽量分散，这样可以减少了组卷目标的多重约束条件，提高组卷的效率．1.1 适应度函数遗传算法在进化过程中主要是根据适应度函数值来进行搜索．适应度表示某一个体对于环境的适应程度，它直接影响到遗传算法的收敛速度以及能否找到最优解[9]．一般来说，适应度函数是目标函数，它的取值总是非负值，其值越大个体越好．组卷就是要从试题库中挑选出符合要求的题目．由于试题模式中每个约束条件间是的相互制约的关系，因此在组卷过程中很难达到理想状态[10-11]．在本算法中，我们设计的适应度函数考虑到各种约束条件，尽量保证求取综合指标的重要性达到最大或综合指标误差达到最小．本文的适应度函数定义为其中i对应 n项参考指标中的第i项，wi是第i项指标(包含答题时间，试题的难度，试题的区分度，试题的分值等)对组卷的重要程度的权重值，iγ表示的是该组试卷中第i项指标对组卷目标的误差．1.2 选择操作我们精英选择操作：首先评估种群中每个个体的适应度值，然后根据适应度的大小进行降序排序．我们将群体中适应度最高的个体不进行配对交叉操作而直接选择到下一代中．采用这种精英选择方法的优点是：在进化过程中某一代的最优解可以不被交叉和便宜操作所破坏．但是，它容易导致早熟，即局部最优个体的遗传基因会急速增加而使进化有可能限于局部解．实验证明，该方法的全局搜索能力不强，在实际应用过程中，习惯于将其余交叉和变异操作配合起来使用，才会产生最佳的效果．另外，还有锦标赛选择，轮盘赌选择，无回放随机选择和随机遍历抽样等选择操作方法．1.3 交叉操作交叉操作是指对两个染色体按某种方式相互交换其部分基因，从而产生两个新个体的过程．它是产生新个体，保持种群多样性的主要方法．常用的交叉操作有多点交叉，均匀交叉，算术交叉等方法．图1分别表示的是单点交叉和两点交叉．本文采用的是单点交叉的方式．图1 单点交叉和两点交叉1.4 变异操作变异操作是维持种群多样性，防止个体早熟收敛的重要途径，它是将个体染色体串中的某些基因位上的值用其他等位基因值替换，从而产生一个新的个体．在遗传运算进化过程中，交叉算子是产生新个体的主要方法，它决定了遗传算法的全局搜索方向和能力，而变异算子只是产生新个体的辅助方法，但是它决定了遗传算法的局部搜索能力．在实际应用过程中，交叉算子与变异算子常常相互配合操作，来实现对搜索空间的全局搜索和局部搜索，从而实现最佳优化的目标．常用的变异操作有二进制变异、均匀变异、非均匀变异和高斯变异等方法．本文采用二进制变异的方法如下：对于二进制串组成的染色体，我们通过变量的翻转方式实现变异操作．对于每个个体，变量值的改变是随机的，我们将下面有20位变量的个体中的第10位发生了翻转．1.5 终止条件设定最大进化代数MaxGen，当算法执行到最大进化代数时，算法自动结束．2 新的遗传算法的设计框架本文设计的HGTPA算法流程如下．(1)根据考卷出题的要求，规划题库状态空间库S中的数据，随机产生初始种群P( t)，并进行二进制编码，同时确定合适的交换概率Pc，变异概率 Pm和最大进化代数MaxGen，进化代数(2)计算初始种群中每个个体的适应度值，并根据适应度值的大小进行降序排序；3 组卷算法的性能比较为验证本文设计的算法有效性，我们将本文设计的新的遗传算法与文献[5]随机选取法，文献[6]遗传算法进行对比实验．在实验中，新算法和遗传算法的交换概率和变异概率的确定很重要．交换概率太小使选题工作进展缓慢，太大则会破坏适应值高的试题模型．同样，变异概率太小就不能产生新的试题模型，太大又会产生过多的试题模型．本实验中，新算法和遗传算法的交叉概率、变异概率、种群规模取值相同分别为0.85，0.01，100．对题库量分别是1 000，1 500，2 000的《计算机系统结构》课程试题进行了组卷，且设定试卷满分为100分．在3种不同题库量状态下，我们将3种组卷算法分别运行50次，并统计出3种不同组卷算法成功找到最优解的概率(%)，最好值、最差值以及运行时间(s)，其结果分别见表1、表2、表3.表1 3种不同组卷算法在题库量为1 000时性能比较组卷算法找到最优解的概率/% 最好值最差值运行时间/s新算法 100 0.96 0.91 9遗传算法 100 0.95 0.9 11随机选取法 92.6 0.86 0.79 7表 2 3种不同组卷算法在题库量为1 500时性能比较组卷算法找到最优解的概率/% 最好值最差值运行时间/s新算法 100 0.97 0.92 12遗传算法 100 0.92 0.87 15随机选取法 88.6 0.92 0.86 8表 3 3种不同组卷算法在题库量为2 000时性能比较组卷算法找到最优解的概率/% 最好值最差值运行时间/s新算法 99.8 0.95 0.91 13遗传算法 92.5 0.91 0.86 16.2随机选取法 85.6 0.84 0.78 8从表1-3中我们不难看出：本文设计的新算法和文献[6]的遗传算法在题库量为1 000和1 500时均能以 100%的概率找到最优解，而随机选取法抽取的试卷获得最优解的概率是最低的，但是它运行的时间是最少的，这主要是因为随机选取法不需要进行大量的并行搜索，简化了搜索的复杂度．在不同题量时，HGTPA算法的最好值和最差值都表现的最好．4 结语本文主要提出1种新遗传自动组卷算法的设计思路和实现方案，最后将本文设计的自动组卷算法与传统的组卷算法应用到在线考试系统中，进行了对比实验，该算法取得了较理想实验结果．(责任编校：库文珍)【相关文献】[1]王宇, 侯爽. 题库系统试卷自动生成算法研究[J]. 哈尔滨工业大学学报, 2003, 35(3): 333-337.[2]丁亚军, 曾三槐. 基于Internet的计算机考试系统研究与实现[J]. 计算技术与自动化, 2010, 19(3): 42-44.[3]沈建强, 张宝明, 邹轩. 组卷系统的优化与实现[J]. 计算机应用, 2010, 23(6): 38-39．[4]应继儒, 胡立新, 龙毅, 等. 试题库随机选题数学模型的构建及实现[J]. 计算机应用, 2010, 14(1): 46-47.[5]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(1l): 20-22．[6]刘彬. 遗传算法在试题组卷中的应用J]. 燕山大学学报, 2002,26(3): 193-195.[7]刘中兵. 开发者突击: JAVA WEB主流框架整合开发(J2EE+STRUTS+HIBERNATE+SPRING)[M]. 北京: 电子工业出版社, 2008.[8]Pullen J．Mark. A software system for cost-effective internet delivery of synchronous distanceeducation[J]. Proceedings of the IASTED International Conference on Computers and Advanced Technology in Education, 2003(4): 482-488．[9]石中盘, 韩卫. 基于概率论和自适应遗传算法的智能抽题算法[J]. 计算机工程, 2002(1): 14l-143．[10]Lu H J, Zhang H M, Ma L H. A new optimization algorithm based on chaos[J]. Journalof Zhejiang University SCIENCE A,2006, 7(4):539-542.[11]金汉均, 郑世珏, 吴明武. 段随机抽选法在智能组卷中的研究与应用[J]. 计算机应用研究, 2003(9): 102-103.。
在线考试系统组卷策略分析
在线考试系统组卷策略分析作者：方大良来源：《电脑知识与技术》2008年第36期摘要：组卷是在线考试系统建设中的重要环节。
组卷是以试题为处理对象，最终形成符合用户要求的试卷。
从试题库中抽取若干试题，生成一套试卷，这一过程中必须遵循一定的规则，这些规则我们称之为组卷策略。
关键词：组卷策略；组卷参数；组卷算法中图分类号：TP311文献标识码：A文章编号：1009-3044(2008)36-2629-02The Analysis and Design of Strategy in Online Test SystemFANG Da-liang1,2(1.College of Computer Science, Chongqing University, Chongqing 400030, China; 2.Zhanjiang Normal University, Zhanjiang524048, China)Abstract: Group paper is the most important link in the item bank system construction.Group paper is take the test question as the processing object, forms finally conforms to the user request examination paper. Produces when the examination paper follows the guiding principle and the algorithm are called the group paper strategy, the group paper strategy essence are the algorithms which defers to assigns, from tries in the item bank to extract the test question composition examination paper.Key words: group paper strategy; group paper strategy parameter; group paper algorithm1 引言试题库设计和组卷是在线考试系统实现的基础，也是实现在线考试系统的重点和难点。
考试系统中的组卷算法
5 考试系统中的组卷算法5．1遗传算法概述5．1．1 遗传算法的基本概念遗传算法(Genetic Algorithm．GA)是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法【27】。
所以，遗传算法吸取了自然界中“适者生存，优胜劣汰’’的进化理论，为解决许多传统的优化方法难以解决的优化问题提供了新的途径。
由于遗传算法的整体搜索策略和优化搜索方法在计算中不依赖于梯度信息或其他辅助知识，而只需要影响搜索方向的目标函数和相应的适应度函数，所以遗传算法提供了一种求解复杂系统问题的通用框架，它不依赖于问题的具体领域，对问题的种类有很强的鲁棒性。
如今，遗传算法不论是在算法设计上还是在基础理论上，均己取得了长足的发展，已成为信息科学、计算机科学、运筹学和应用数学等诸多学科所共同关注的热点研究领域【281。
遗传算法作为一种概率搜索算法，借鉴了生物学中自然选择和遗传机制的高度并行、随机、自适应的性质，它利用某种编码技术作用于被称作染色体的二进制数据串，其基本思想是模拟由这些染色体组成的群体进化过程。
由于遗传算法是由进化论和遗传学理论相结合而产生的直接搜索优化算法【291，因此，在遗传算法中也借鉴了许多生物学中的术语。
(1)个体(Individual)：也称基因型个体，个体是遗传过程中带有遗传特征的实体，也是遗传算法中的所处理基本对象和结构。
(2)基因(Gene)：基因是携带遗传信息的基本单位，用于表示个体的特征。
(3)位串(String)：与遗传学中的染色体的概念相对应，是个体的表现形式。
(3)种群(Population)：一定数量的个体的集合叫做种群。
(5)群体规模(Population Size)：在群体中个体的数量称为群体大小。
(6)适应度(Fitness)：适应度表示某一个体对于生存环境的适应程度，对于生存环境适应程度较高的个体将获得更多的繁殖机会，而对生存环境适应程度较低的物种，其繁殖的机会就会相对减少，甚至逐渐灭绝。
基于随机算法的组卷策略设计
ｄ ａ ｎ ｅ ｅ ｔｅ ａ ｎ ｔ ｎ ｑ ｅ ｔ ｎ ｏ ｆ ｒ ａ ｃ ｒ ｔ ａ ｅ ｓ Ｗ ｈ ｃ ｒ ｖ ｄ ｅ ｍｅｈ ｄ ｎ ｄ ａ ｒｔ ｓ ｒ ｗｉ ｇ ｔ ｓ ｌｃ ｘ ｍｉ ａ ｉ ｕ ｓｉ ｓ ｔ ｏ ｍ ｃ ｕ ａｅ ｐ ｐ ｒ ． ｏ ｏ ｏ ｉｈ ｐ ｏ ｉ ｅ ｎ ｗ ｔ ｏ ｓ ａ ｄ ｉ ｅ ｓ ｆ ｔ ｏ ｅ
教师检查试卷， 对试题进行微调 。 该组卷模式即节省 了人力， 又保证了试卷的精确度， 针对不 同的考试需
求可 以选 择不 同的组 卷模 式 。
卷约束 ， 照组卷约束搜索试题库， 按 生成 试
卷 ， 人 试 卷库 。 存
（） ２数据访 问层
智能 组卷 是按 照既定 的组 卷策 略 ，在 符合 教 学
一 随算的卷略计 机法组策设
Ｄ
ｅ ｉ ｎ ｆ Ｔ ｓ Ｐ ｐ ｒ ｓ Ｆ ｔ ９ ａ ｅ ｎ Ｒ ｎ ｏ ｅ ｇ ｒ ｔ ｍ ｓ ｇ ｏ ｅ ｔ ａ ｅ ｔ ａ ｅ ｙ Ｂ ｓ ｄ ｏ ａ ｄ ｍｉ ｄ Ａｌ ｏ ｉ ｈ ｚ
法 算 机 于 基 随
的
组
卷
程琦峰 刘红婷 杨雪梅 ．
ｌ ｌ ｌ ｌ． 竺Ｉ 苎 业 逻 层 Ｉ Ｉ …Ｉ 兰Ｉ 务 辑 Ｉ
●
—— 一 千
千
千
●
靴 瞄 加 生 日尝 筝 叶 殳
／Ｊ 一Ｈ ＇ ｒ 、 ＾
＋７ 储 壮
Ｊ Ｊ Ｉ Ｊ １Ｈ
亩
、 Ｉ Ｊ似 Ｈ ＨＪ山
日
ｌ
●
Ｄ Ｌｒ ａＱＳｅ ｔ Ｖ ａ ｅｒ Ｓ
０ 引 言
．
１１ 卷模块 架构 ．组
随着计算机辅助教学在高校的广泛应用，在线
基于课程的组卷系统的数据库设计方案
标题：基于课程的组卷系统的数据库设计方案一、引言随着教育信息化的不断发展，教学管理系统成为了教育机构必备的重要工具。
其中，基于课程的组卷系统是教师和教育机构管理者必备的辅助工具之一。
本文将探讨基于课程的组卷系统的数据库设计方案，旨在满足教师和学生对于教学资源和考试题库的管理和查询需求。
二、需求分析1. 教师管理：教师需要能够灵活地管理自己的课程和考试内容。
2. 考试题库管理：管理员需要有权限对考试题库进行管理，包括题目的录入、编辑、删除等操作。
3. 学生考试：学生需要能够参与在线考试，并查看考试成绩、试卷评分等信息。
4. 数据统计和分析：系统需要提供统计和分析功能，以方便教师和管理员对学生学习情况进行评估和分析。
三、数据库设计方案1. 数据库结构设计（1）教师表（teacher）：包括教师ID、尊称、所属学院等字段。
（2）课程表（course）：包括课程ID、课程名称、教师ID、学分等字段。
（3）题目表（question）：包括题目ID、题目内容、答案、正确答案、所属课程ID等字段。
（4）试卷表（paper）：包括试卷ID、试卷名称、题目ID列表、考试时长等字段。
（5）成绩表（score）：包括学生ID、试卷ID、成绩等字段。
2. 数据库关系设计（1）教师与课程：一对多关系，一个教师可以教授多门课程。
（2）课程与题目：一对多关系，一个课程包含多个考试题目。
（3）题目与试卷：多对多关系，一个试卷包含多个题目，一个题目可以属于多个试卷。
（4）学生与成绩：一对多关系，一个学生可以参加多次考试，有多个成绩记录。
3. 数据库性能优化（1）采用合适的数据库引擎，如InnoDB引擎，以支持数据库事务和外键约束。
（2）使用合适的索引，以加快数据库查询和检索的速度。
（3）对数据库进行分表分库设计，以满足系统的扩展性和性能要求。
四、系统架构设计1. 采用B/S架构，通过浏览器访问系统，实现跨评台和跨设备的访问。
2. 前端采用HTML、CSS、JavaScript等技术，实现用户界面的展示和交互。
智能在线考试系统中遗传算法组卷的设计和实现
简单明 了 ，但进 行交换 等遗传操 作时 ，各题型 的题
目数 难 以精 确控 制。 而且 ，当题库 中题 量 很大 时 ，
编 码很长 。我们 采用实数 编码 ，将一份 试卷映 射为
一
用户 满 意 的试 题 。 只不 过 由于 它 随机 选 取 试 题 的
范 围太 大 ，无 法 确 定 目前 条 件 下 哪 些区 域 能 够 抽
构如下 ：
决 复杂 问题 的一 个有 效途径 。
２４ 遗 传算 法的 一般结构 ．
在设计遗传算法时通常按 以下步骤进行 闭： ） １ 编
码方案 ：遗传 算法 求解 问题 ．一般 不是直接 在 问题 的解空 间上 ，而是 利用解 的某种 编码表示 。２ 确 定 ）
适 应 函数 ：适 应 值 是对 解 的质 量 的 一种 度量 。 解
大 吴
犬 英
Ｗ Ｕ ｎ Ｙｉ ｇ
（ 上海政法学院 。上海 ２ １ ０ ） ０ ７ １
摘
要 ： 计算机考试系统研 究主 要是 用来实现学生上机考 试 ，传统的组卷方法采取完 全随机的方式来
抽题对试卷在 能力和 层次上的差异性 、覆 盖面 宽窄等现象难以有效解决 。本 文阐述了遗传算 法组卷在计算机考试系统 中的设 计和实现 ，从试题 的数量及试题库结构两个方面分析 、解 决
取 合 适 的 试题 ，反 而可 能 在 那 些 已经 证 明 是 无 法
抽 取 合 适试 题 的 区域 内反 复 选 题 ，进 行 大 量 的无
个染色体 ，组成 试卷 的各个试 题映射 为基 因 ，基
因的值 直接 用试题 的题号 表示 。这样染 色体 的编 码
效 操 作 进入 死 循 环 ，最 终 导 致 组卷 失 败 。 即使 组
基于遗传算法的智能组卷计算机考试系统研究
（） ２组卷规则 。 智能组卷是题库系统必须具 备的核
心功
度 的满足用 户 的不 同需要 ． 并具 有随机 性 、 学性 、 科 合 理性 尤其在网络交互 式环境下 ． 用户对组卷速度 的要
（） １试题库管理。 题库 的管理 主要是题库文件 的 试
生成 、 编辑与维护 。 包括试题 录入 、 试题分类 、 试题库维
（） ３考生信息管理系统。 该系统负责监视考生基本
信息 ． 包括正在答卷 和已交 卷的学生信 息 。 同时登记 考
生考 试成 绩
护等功能 。具体来说试题 录入应 具备批 量录入和单个
试题 库维护 主要包 括对试 题库 中 的试题 进行添 加 、 删 除、 修改、 浏览 、 重新 整理 、 分类统计等功能 。
合管理过程。与传统 的考试相 比。 它不仅实现对理论 知
识 的考核 ．而且还对 部分操作性很 强的计算机课 程实 现了上机 实际操作 技能的考核 ． 增加 了考试 的全 面性 ； 通过计算 机改卷 ． 准一致 ． 标 最大 限度排除 了人为因素 的作用 ． 从而避 免人为误差及人 情分等 问题 ． 证 了考 保
１ 基于遗传算 法的智能组卷计算机 考试 系统 本考 试系统采 用一种解决计 算机组卷 中约束优化问题
构 成
１１ 考试管理 系统 ．
的方法一 基 于整数分段编码 的改进遗传算 法。通过模
拟实验． 结果表 明该 方法有效解决 了智能组卷 中的约束 优化 问题． 具有很 好的性能和实用性 。
随着计算机技术 和网络技术 的不 断发展 ．各级各 类考试 中越来越 多地采 用 了计算机 考试系统 。计算 机 考试 系统是指通 过计算 机对某课程进 行考核 的一个综
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
摘要：作业和测试的自动组卷是在线形成性考核系统的核心内容。
本文在深入研究贪心算法的基础上，提出了基于贪心算法的自动组卷算法，分析了题库和作业库的约束条件，实现了快速高效的组卷过程。
最后给出具体实例加以论证。
该算法已经成功应用于实际的在线形成性考核系统中。
关键词：贪心算法；在线形成性考核；约束条件；组卷
一、引言目前，常用的自动组卷算法有随机选取算法、回溯试探算法、蛮力法和遗传算法等，这些算法对在线考试系统确实具有一定的应用价值，但这些方法生成的作业卷和测试卷在试卷的科学性和合理性上考虑较少。
在综合研究以上各种算法的优缺点后，保证达到较好时间效率和空间效率的基础上，采用贪心算法为核心和随机选取算法为辅助的组卷算法，应用于在线形成性考核系统在线作业和在线测试中，能够达到较好的组卷效果，并且达到教学辅助效果。
决定组卷效率和作业卷质量的主要因素有两个：一是题库和作业库的结构；二是组卷算法的设计。
二、贪心算法简介贪心算法建议通过一系列步骤来构造问题的解，每一步对目前构造的部分解做一个扩展，直到获得问题的完整解为止。
在每一步中，它要求“贪婪”地选择最佳操作，并希望通过一系列局部的最优选择，能够产生一个全局的最优解。
贪心算法一般可以快速得到满意的解，因为它省去了为找最优解要穷尽所有可能而必须耗费的大量时间。
贪心算法的基本要素。
一是贪心选择性质。
所谓贪心选择性质是指所求问题的整体最优解可以通过一系列局部最优的选择，即贪心选择来达到。
这是贪心算法可行的第一个基本要素。
贪心算法则通常以自顶向下的方式进行，以迭代的方式作出相继的贪心选择，每作一次贪心选择就将所求问题简化为规模更小的子问题。
对于一个具体问题，要确定它是否具有贪心选择性质，必须证明每一步所作的贪心选择最终导致问题的整体最优解。
二是最优子结构性质。
当一个问题的最优解包含其子问题的最优解时，称此问题具有最优子结构性质。
问题的最优子结构性质是该问题可用贪心算法求解的关键特征。
在题库组卷问题中，其最优子结构性质表现为：若a是对于e的题库组卷问题包含试题1的一个最优解，则相容作业卷集合a′= a-{1}是对于e′= {i∈e：si≥f1}的题库组卷问题的一个最优解。
三、基于贪心算法的在线形成性考核系统组卷算法1、在线形成性考核系统结构在线形成性考核是指对学生学习过程的测评，是对学生课程学习的阶段性考核，是加强教学过程管理、检验学习效果的重要措施。
在该系统中，管理员模块主要负责数据导入导出和系统维护，按照学生的课程注册信息绑定学生的班级、课程、辅导教师及恢复误删除成绩；教师模块完成课程形成性考核方案设计，作业题设计，查询考核内容，作业管理，作业批阅，查询批阅结果，删除已批阅但学生要求重做的作业成绩，学生信息管理，查询作业完成情况，到课率录入；学生模块主要功能是查看形考方案、主持教师、辅导教师、导学教师，在线作业，在线测试，作业成绩及反馈查询。
在线形成性考核系统结构如图1所示。
图1 在线形成性考核系统结构2、题库设计首先需要确定的是试题组织的方式。
为了保证达标原则、全面性原则和主要性原则，最好将试题库与具体的知识内容进行关联，也即以课程知识点为核心组织试题库。
然后就要考虑试题本身固有的特性参数，主要有题型、试题内容、答案、难度系数等。
难度系数是试题难易程度的指标，也是试卷生成中的一个重要参数，它可以由教师录入试题时给定，并且在同一门课程中要坚持相同的标准，并且难度标准初始设定时要充分考虑到所要测试学生的程度范围。
难度系数一般用等级来表示, 在五级难度系数中, 一级难度为最低, 五级难度为最高。
题型分为客观题和主观题。
客观题分单项选择题、多项选择选、判断题和填空题，主观题分计算题、简答题和论述题。
3、作业库设计组卷方式可以按需求由主持老师进行客观题和主观题自由组卷。
客观题在学生完成并提交成功后，系统自动阅卷并给出成绩。
主观题在学生完成并提交后，由辅导老师阅
卷并给出成绩。
学生完成作业后如没把握，请不要提交，如提交确认后则不能重做。
学生有成绩后要重做的，可以向辅导老师提出重做申请，辅导老师同意后，删除已取得的成绩即可。
辅导老师删除学生成绩的记录将保留在系统，用于误删除成绩的恢复和保留删除痕迹。
作业卷生成工作完成之后，将其保存入作业库中。
4、组卷的约束条件一是知识点约束。
因为教学中的知识点一般与教材的章节内容对应，所以知识点约束可以看作章节范围约束。
知识点约束还包括各章节在总试卷中所占的分值比例。
二是题型约束。
题型约束是指试卷中包含的试题类型，即以何种类型的试题组卷测试。