基于遗传微粒群算法的组卷策略应用研究

论文摘要

随着计算机技术和数据库技术的不断发展,网络考试系统成为近年来研究的热点。其中,自动组卷模块是考试系统的核心,其算法的好坏直接决定了整个考试系统的优劣。然而,针对当前组卷系统存在的问题：试题组合简单,难度、区分度等指标分布不合理以及不具有反馈功能等,寻求一种合理、有效的组卷策略具有重要的实用价值和现实意义。本文分别研究了智能组卷系统、遗传算法和微粒群算法及其在组卷中的应用情况,分析目前组卷系统和组卷算法的不足,提出将遗传算法和微粒群算法结合起来作为组卷策略的抽题算法。通过分析试题库各项指标的作用及几个重要指标间的关系,建立了组卷问题的数学模型和目标函数；通过研究遗传算法和微粒群算法的特点,从优势互补的角度将两种算法进行融合,融合后的算法仍以遗传操作为主,利用微粒群算法初始化群体,提出利用微粒群算法的个体极值和全局极值动态平衡群体进化的全局搜索和局部优化。针对组卷问题和混合算法的特点,详细叙述了遗传微粒群算法应用在组卷中的具体步骤,包括编码方式、适应度函数的确定,遗传操作等；通过从学生成绩统计、试题质量和试卷质量三个方面对试卷进行分析,以反馈组卷的效果。最后,本文对组卷系统进行了需求分析,对系统整体结构和主要功能模块及数据库进行了详细的设计,并且完成了对组卷系统的开发。结合试卷分析和实验对比,将混合算法应用在组卷中有效解决了知识点、难度分布等不合理的问题,组出的试卷满足科学性和合理性,具有较高的效率和较好的实用性。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 课题的研究背景和意义
• 1.2 国内外研究现状
• 1.2.1 组卷策略的研究现状
• 1.2.2 遗传算法的研究现状
• 1.2.3 微粒群算法的研究现状
• 1.3 问题的提出
• 1.4 本文主要研究内容
• 第2章 组卷策略理论体系及数学模型的建立
• 2.1 组卷策略的基本原则
• 2.2 试卷质量的评价指标
• 2.2.1 试卷的难度与区分度
• 2.2.2 试卷的信度与效度
• 2.3 试题库的指标体系
• 2.4 组卷模式
• 2.5 试卷的目标函数
• 2.6 本章小结
• 第3章 遗传算法和微粒群算法的融合
• 3.1 PSO算法概述
• 3.1.1 基本PSO原理
• 3.1.2 基本PSO算法流程
• 3.1.3 微粒群算法的特点
• 3.2 遗传算法概述
• 3.2.1 遗传算法的基本原理
• 3.2.2 遗传算法的基本流程
• 3.2.3 遗传算法的特点
• 3.3 遗传算法和微粒群算法的融合
• 3.3.1 遗传算法与微粒群算法的异同
• 3.3.2 遗传微粒群算法的基本思想
• 3.3.3 遗传微粒群算法的基本步骤
• 3.4 本章小结
• 第4章 遗传微粒群算法在组卷中的应用
• 4.1 试题库的建立
• 4.2 组卷算法流程
• 4.3 遗传微粒群算法应用在组卷中的具体步骤
• 4.3.1 组卷编码方法的确定
• 4.3.2 适应度函数的确定
• 4.3.3 产生初始种群的改进方法
• 4.3.4 自适应的比例选择策略
• 4.3.5 交叉算子的改进
• 4.3.6 变异算子的改进
• 4.3.7 最优保留策略
• 4.3.8 动态平衡全局搜索与局部搜索
• 4.3.9 算法终止条件
• 4.4 本章小结
• 第5章 试卷分析
• 5.1 试卷分析的组成
• 5.2 试卷分析的方法
• 5.2.1 学生成绩统计分析
• 5.2.2 试题质量分析
• 5.2.3 试卷质量分析
• 5.3 本章小结
• 第6章 组卷系统的分析、设计与实现
• 6.1 系统的需求分析
• 6.2 系统设计
• 6.2.1 系统的体系结构
• 6.2.2 系统功能模块设计
• 6.2.3 数据库设计
• 6.3 系统主要模块功能的实现
• 6.3.1 用户信息管理模块
• 6.3.2 题库管理模块
• 6.3.3 教师组卷模块
• 6.3.4 考试模块设计
• 6.3.5 试卷分析模块
• 6.4 实验结果与分析
• 6.4.1 组卷要求与参数设定
• 6.4.2 组卷结果
• 6.4.3 组卷算法分析
• 6.5 本章小结
• 第7章 总结与展望
• 参考文献
• 致谢