遗传算法在智能组卷系统中的应用研究

为更好地解决遗传算法在智能组卷过程中出现的早收敛问题,以及组卷质量和组卷速度呈负相关的问题,提出一种基于分段整数编码、多点交叉的遗传算法.通过大量实验,有针对性地对该算法中的编码结构、选择算子、交叉算子和变异算子进行优化设计;对相关控制参数进行合理调整,实验结果表明,该算法不仅有效地提高了组卷质量和组卷速度,而且具有很好的收敛性.     

基于遗传算法的自动组卷算法的研究

本文针对自动组卷问题是多目标优化问题,提出了基于遗传算法的自动组卷算法,并根据自动组卷和用户的需要对遗传算法进行了改进,并通过实验验证了基于遗传算法的自动组卷算法的性能。     

基于自适应遗传算法的自动组卷策略研究

随着计算机辅助教学和网络的迅速发展,在线考试将逐步替代传统的考试方式而被广泛应用.利用计算机完成自动组卷也将替代原有的人工出卷方式,成为在线考试系统的核心功能之一.本文在量化组卷需求的基础上,提出了一种基于遗传算法的自动组卷策略,将试卷抽象为染色体,每道题抽象为染色体中的一个基因,不断抽取出相应的试题组成多份试卷,最终根据用户设置的组卷参数,选择与用户期望值最接近的一份试卷,本文选取试题号作为单个基因编号对染色体进行编码,避免了解码和多余空间搜索的时间消耗,实验表明基于遗传算法的自动组卷结果较符合出卷要求.     

遗传算法在自动组卷中的应用

遗传算法的应用范围较广,其在教育行业中的一个典型应用即是用于考试系统中的自动组卷。该文主要介绍了使用遗传算法进行自动组卷的主要流程,包括数据模型建立、试卷编码、目标函数确立、选择算子等几个环节。     

基于遗传算法的试题库自动组卷问题的研究

给出了利用遗传算法求解试题库自动组卷问题的新方法，讨论了运用遗传算法求解在一定约束条件下的多目标参数优化问题，提出了功能块的概念，并采用了新的编码方式、交叉算子和变异算子。实验结果表明，改进的遗传算法相对于其他算法更能有效的解决自动组卷问题，具有较好的使用性能和实用性。     

在线教育的智能组卷算法研究

智能组卷是在线教育的重要组成部分,通过对在线教育智能组卷过程中的各种性能指标和约束条件进行分析,建立一个合适的智能组卷数学模型。基于智能组卷多目标优化的特点,选择遗传算法来实现智能组卷,并基于智能组卷的特点,对基于遗传算法中的试卷个体的编码、遗传算子和适应度函数进行了研究。     

遗传算法在自动组卷中的应用

遗传算法的应用范围较广,其在教育行业中的一个典型应用即是用于考试系统中的自动组卷。该文主要介绍了使用遗传算法进行自动纽卷的主要流程,包括数据模型建立、试卷编码、目标函数确立、选择算子等几个环节。     

基于遗传算法的试题组卷策略

在分析组卷策略的基础上,运用遗传算法,得到了一个更好的试题自动组卷算法.     

考试系统中组卷策略探究

针对考试系统中组卷策略的探讨,常用的算法有三种,随机选取法、回溯法、基于遗传算法的自动组卷算法。对比了其各方面的合理性和实用性等后,选择遗传算法着重进行了探讨和研究。     

改进遗传算法在题库系统中的应用

本文结合遗传算法的原理和思想,分析了传统遗传算法在求解题库组卷问题中存在的缺点和不足。并采用了新的编码方式、交叉算子和变异算子对其进行优化。验证得到若题库所含的题目数适中,分布合理,所组卷的试卷质量较好的满足各个控制指标的分布要求。     

遗传算法在自动组卷系统中的应用

介绍了自动组卷算法的数学模型和主体思想，提出了一种基于遗传算法的试题抽取方案，重点阐述了组卷问题的染色体编码方法、适应度函数和遗传算法的设计与实现．实验表明，所设计的组卷方法性能好、效率高。是一种实用、有效的组卷方法．     

改进的遗传算法在智能组卷中的应用研究

该文提出分段二进制编码,对遗传算法的选择过程进行改进,并采用独立题型题库存放的方法来求解组卷问题.实验结果表明,新方法的组卷成功率和收敛速度都得到明显提高,较好的克服了早熟收敛现象,组卷质量明显提高.     

基于遗传算法的自适应题库系统的研究

在比较传统组卷算法优缺点的基础上,着重对遗传算法进行了可行性论述,通过将实数编码的遗传算法应用于自动组卷,全面增强了自适应题库系统实用可操作性.     

基于遗传算法的智能组卷研究

分析了智能组卷约束条件,建立了智能组卷系统的数学模型,并给出了改进的遗传算法求解智能组卷问题的新方法.实验结果表明所提出的新组卷算法相对于其他算法更能有效地解决自动组卷问题,组卷成功率高,组卷速度快,具有较好的性能和实用性.     

基于遗传算法的组卷研究

为了克服遗传算法在自动组卷中容易"早熟收敛"的现象,引入局部爬山方法以及动态参数自适应调整方法进行改进,给出了算法流程图.利用改进的算法对淄博职业学院《大学英语》题库进行自动组卷实验,实验证明,改进后的算法较好地解决了原有算法的缺陷.     

改进遗传算法在自动组卷系统中的应用

为了避免遗传算法在自动组卷中收敛速度慢、容易陷入局部最优值、早熟收敛等缺陷,提出了基于实数编码的遗传算法的改进算法。该算法采用分段的单点交叉操作,对个体而言,实现的是多点交叉操作,最后将该方法应用于某自动组卷系统中,以实验证明该方法的可行性和有效性。     

基于改进自适应遗传算法的组卷研究

针对遗传算法容易出现早熟和收敛速度慢的问题,根据群体适应值分布的变化特点,启发性地提出了一种新的基于小生境技术的自适应遗传算法（ANGA）。根据群体中各个个体的适应值分布情况加以启发,引入了一个自适应的常数Cmin,通过白适应调整Cmin以适时改变群体适应值的分布,优化了各个个体被选择的概率。详细介绍了ANGA应用于组卷问题的步骤。涵盖了其中的各项关键技术：组卷策略、编码方案、适应值函数的确定、选择交叉变异箅子的实现。并以目前的计算机等级考试三级信息管理技术的组卷为例,采用ANGA算法进行了仿真计算。仿真结果表明,ANGA算法能够成功地应用于自动组卷。算法能够以100％的概率在较短的时问内完成组卷,组卷效率高、成功率高;且算法对初值不敏感．具有较好的鲁棒性。     

改进遗传算法在智能组卷中的应用

智能组卷是一个多约束目标的组合优化问题,针对传统算法在组卷方面存在的不足,提出了一种改进遗传算法.此算法不仅克服了未成熟收敛,而且速度和性能都有显著提高.实验结果表明,改进遗传算法提高了组卷效率.     

自动组卷算法的研究

分析国内外大量献的基础上,基于遗传算法,针对考试系统的自动出题问题,在采用重叠种群的遗传算法基础上,提出了两种编码方案,即二进制编码方法和矩阵编码方法,并把这两种编码方法应用于自动组卷。     

基于Moodle平台的组卷模块设计与实现

针对Moodle原生测试模块学生不能自主测试、组卷不够智能化、成绩反馈不全面等问题,给出一种基于遗传算法的自动组卷方案.设计遗传算法的染色体编码方案以及算法的选择算子、交叉算子和变异算子.对Moodle进行二次开发,使用PHP语言实现了自动组卷模块,扩展了Moodle平台测试模块的功能.