文档下载 文档下载导航
设为首页 | 加入收藏
搜索 请输入内容:  
 导航当前位置: 文档下载 > 所有分类 > 自然科学 > 数学 > 自动组卷策略中遗传算法的优化
侵权投诉

自动组卷策略中遗传算法的优化

自动组卷技术是计算机网络化考试系统中一项必不可少的重要技术,自动组卷技术实现的关键是组卷算法的选择与实现,它将直接影响到组卷的质量。通过建立组卷算法的数学模型,结合遗传算法理论,给出了一种优化的遗传算法的自动组卷策略。

SFW R EEOM N N EI 0I A E V LPET DDS N D A G 老师设定,每道题估计用时与试题的分值和难度成正比。

软件开发与设计 初始种群进行合并,这样生成的总的初始种群就包含了来自 不同子空间的个体。在组卷时可根据题型比例、题量、总分的要求随机产生,使得初始种群的生成要满足题型、题量和 总分的要求,为每种题型随机生成的试题数量和用户设定的题型数量相等,这样生成的初始种群就满足了试卷的题型要求,有利于遗传算法的收敛和提高求解速度。 3适应度函数的优化[ . 3 1 1

()试卷的题型分布约束条件: T(rbe p): c i 4 P polm t e i y a 4 (中 c表示选择常量,取值为 0 (=P或 1(≠P ),试其 i a M a T) M卷中包含的试题类型有单选、多选、判断和填空等,题型及数量应与出卷老师设定的一致。 ()试卷的难

度分布约束条件:A (vrg cr)= 5 S aeaeso e aa S=d,试卷的难度表示试卷期望得分,由出题老师依据不同测试目的的考试选定不同的难度系数。 ()试卷的区分度约束条件:P (rbe is n= 6 D polm dv i ) io

适应度函数是遗传算法中的重点,根据组卷多重约束条件将试题指标按照一定的规则映射成函数,用来体现遗传算法中优胜劣汰的评价标准,通过适应度函数的好坏判断解的好坏,从而判断染色体的优劣和进化的方向。适应度函数需

e i其中 c表示选择常量,取值为 0 (i D i a 6(; a=P )或 1 (i 6 a≠ 6 P ),区分度是衡量试题质量很重要的指标,一般一份试卷 D)中会由几个题目来显著分开被测试者实际水平能力,合理的试卷区分度最终将使试卷考试分数符合正态分布,区分度一般分为较难、难、中等和容易 4个等级,能有效地区分学生

对试卷的约束条件进行综合考虑,而优化的适应度函数只考 虑试题的难度和区分度约束,这样就加快了遗传算法的收敛速度。设不同题型、不同难度、不同区分度的试题数目分别为:n( )。 n( ), n(d,而实际抽取不同题型、不同 p、 t a、 s p ),难度、不同区分度的试题数目分别为:n p、n (s、n,(t )i, a)i, (a,则 p )。 (,(t— (t ) (,(s一 (s n p) n p)。、 n a) n a) (, )、 n

对知识掌握的程度。 、

3优化的遗传算法分析 遗传算法是一种把自然界有机体的优胜劣汰的自然选择、

(d一 p ) p )。 n(d )分别表示第 i项组卷因素中不同题型、不同 难度、不同区分度对组卷约束程度的相对误差,对不同的约束条件可给定不同的允许误差 f.1 0 5。当只用考虑试题的 00— . ) 0难度和区分度约束条件,第 i项组卷因素中不同题型的相对误

适者生存的进化机制与同一群体中个体与个体间的随机信息交换机制相结合的搜索算法,此算法应用于自能组卷中,虽然解决了寻找最优试卷的问题,但是由于受复杂的编码方式、较差的初始化群体和落后的选择算子等因素影响,组卷效率并不高, 会产生早期的盲目搜索、过早收敛、收敛于局部最优解、局部搜索能力不强等弊病,这是由遗传算

法本身的缺陷造成的。 针对自动组卷的具体情况,主要从编码方式、初始种群、

差 (,(t— p)。 0 n p)i n(t )=,这样就加快了搜索到合理解的速 度,此时优化的适应度函数 f( p )为: 蝌

f()=, o l,( )i n ( )I kdn p), n P 1 k+k a— a . p,(d一 [ n s s+ I

(d ll,其中 k p )i】+、k、kd皓 p为用户设定的各种不同试卷中试题类型约束、试题难度约束、试题区分度约束在整个试卷中的误差权值系数,一般有 k+ =。适用度函数 f() k+ l p 较好地反映了求解组卷问题的特征,f()的值在 O和 1之 P

适应度函数和遗传算子 4个方面进行优化,使其能够很好满

足各项组卷需求,提高遗传算法的组卷效率。 31编码方式的优化 .

间,当试卷个体对各项组卷约束条件的相对误差越小时,f P () 的值就越大,试卷质量就越高,实际抽取的题目各项指标就 越接近于与用户设定的题目各项指标。 34遗传算子的优化 .

采用分片自然数编码策略,将试题按照试题类型分为不同 的题型,针对同一题型中的题目就不用再考虑题型问题,这就 减少了组卷数学模型中的一个维度变量,为每种题型建立一个

库文件,并为每种题型各自独立编码,一组自然数编码代表一种题型的组卷方案,这样就克服了传统遗传算法编码方式采用 O、l二进制编码搜索空间过大和编码长度过长的缺点,省去了 个体的编码解码时间,提高了求解速度。如选择题题库表示为

3 .选择算子的优化 .1 4采用基于小生境技术的选择操作。在生物学上,小生境

是指特定环境中的一种组合功能。将每一代个体划分为若干 类,每个类中的个体按照适应度排序,当新产生的子代个体

O】( 1后三位表示试题题型,可以表示 8种题型),同时将 试题的其他属性也表示在编码中。该方式将同一试题类型、同 一

的适应度超过其父代个体的适应度时,所产生的子代个体才能代替其父代个体而遗传到下一代种群中,否则父代个体仍保留在下一代种群中。这是一种允许父代参加竞争的复制方 式,保证了搜索达到的最佳个体不会被各种遗传操作所破坏,

试题难度和区分度的试题统一编码,这将大大减少编码位

数,更重要的是,该编码包含了试题的基本信息,便于初始化群体的选取和适应度函数和遗传算子的改进。 32初始种群的优化 .

保留了上代群体的优良特性,有利于保持群体的多样性,提高了算法的效率,避免了连续的几代种群中的最优染色体没 有任何进化或者各染色体之间过于近似的“早熟”现象。 34 .. 2交叉算子的优化

初始种群对遗传算法的计算结果和计算效率有重要影响, 算法要实现全局最优,初始种群要尽量在解空间中均与分布。 为加快遗传算法的收敛和减少迭代次数,不采用传统遗传算法完全随机的方法生成初始种群,这种随机性可能导致初始 种群在解空间分布不均匀。而是将解空问分割成若干个子空问,对每个子空间进行初始种群选择,最后将每个子空间的

交叉操作在遗传算法中起局部搜索的作用,它是遗传算法的核心遗传操作。采用自适应单点交叉算子操作,交叉操作并不对所有个体都发生,是由交叉概率 P c的值来确定,P c 的选取直接影响算法的收敛性。对随机选择的两个染色体,

一

5 1—

自动组卷策略中遗传算法的优化

上一页第2页

你可能喜欢

  • 量子遗传算法
  • 小生境遗传算法
  • 神经网络遗传算法
  • 锅炉遗传算法
  • 双种群遗传算法
  • matlab遗传算法工具箱
  • 算法研究

热门文档

相关文档

站点地图 | 文档上传 | 侵权投诉 | 手机版
本站所有资源均来自互联网,本站只负责收集和整理,均不承担任何法律责任,如有侵权等其它行为请联系我们.
文档下载 Copyright 2013 doc.guandang.net All Rights Reserved.  -  email