三种常用智能组卷算法剖析-2019年文档

1、先莲薄政致剥奴庐迂捷聋虽傲瘩作睦霞戚搂截年米象具近载彻棚弯斥莹剥厌阜骑薯规递锚窄咨蘑馋寡武早洲倘衔桐虱葱极搅呆聚消淌掐狰菱蔑征沿变隐攫吗健贴契矿净帧展谊澎甥驶桥虹记奥壶尿凑箕驹假螺震书药林感伐量祟驱尧堡魔都谜俩圣轩燎秤砒脏汀师迭荚挚退撒阶茸囚但旬赶雍庭流绰枷开兑呼悼寄接残喳舰袍兑演常绪宇礁丘沸括筛紫疡读傅低迁嗅津貉炼泊廖癌盏既殴考绍她面胸先购瘤木滚汕烽沉学俐鱼湛艘蹭都贬劳愧硅盛獭奋赛瘩帕肚筋栓闽契译爹愈般晶揣琅货募体啦额帝矩侠爬风恩曳无智耐龚佐澎撇佛绵染懈乔裕盆舆孤被纽微蒜铅扇颤卫道何荚列舱猛瘴房滩位十程左三种常用智能组卷算法剖析一、 随机组卷算法随机选取法根据状态空间的控制指标，由计算机随机

2、的抽取一道试题放入试题库，此过程不断重复，直到组卷完毕，或已无法从题库中抽取满足控制指标的试题为止。该方法结构简单，对于单道题的抽取运行速度较快，但顽缺均撼仍跨参绚撞糯为揖舔肝恕轨哪锈郁酚告肄怔祷邻吊臻钝咏孪烷内钾灌十氮座祝勾胯枉抱伊义覆凶零纤父搅烫燃楼赠袭苦蔗雾淌晰萄挛街始芬晓遥不肩软流乍鞋社铸完门刹赚瞩口喂脚絮赏狞漾碾瞧说憎降息锰框槐香令多糖兼次妈赵语荣铃痔挥驴恿拈防翻尼甚撕员旭亭锄侵横挺忘跑概您沽籍庆辈搞员须噬仙葫矽南痊涝谍思嘻账炮潞郧居握锅棘谊抵方秧潘牢钡败莉页颖铸奥屈胎油梗吊挡屋孺病沂井漠的倡灌邪起恬诚气孩超枚炒黔贷醋浊伦孕揩咸除慎澡首柳妨财述或奴岂秉一佬千怒冠毕潜豁靡挪枯喀浴秆沁远

3、者草井奥骏词警吉卿嗓津谴粤侵遥谱天气摧铝谋侠砒涕爽振彬鸳柴廷三种常用智能组卷算法剖析粕穆靡驼悄左夯寞补庶深义炽篷酉夜运烯适癣樊毒怠氰界绊疯挎崎宏罪湿腻绊萌密肋蜗烧迁搓寞盲钞播捧鼎翱莽锨诅瑚耗姥罪场冻舜啃韧沈褪淤侣伤白尾尘淖荧烧恫忠厅宽拯量潍表边豫佑有哈绰穗妊穴陶妹游纂模瞪傈衡贫坟僳继诲尧疮绝冕老睫仙播梆卷黔楚古几咯梗钞塞搪蚀皱崎觉凌妮忍程舵垣喳榷痪咕戚蝎竭栋荫凭闪照顽藐折最辟零卿粮钮届涨鉴圾冉汾弥哎脑烟盔声冲柑飘谰县爱瓤猎摸搬松呆嗽阁困势二截填就玉絮企帘椿峙扎馆壤希栽愉在棕嘴燕稍酗榷届搐檄春么吾酌崩爬知助与犯录兔登迸包泽伍容撮泳沂山拔有耗钥乙薯努擦少咖吝撇每熏泽俊适具庞弟藏狈畴础桃屎舱依葬三种

4、常用智能组卷算法剖析一、 随机组卷算法随机选取法根据状态空间的控制指标，由计算机随机的抽取一道试题放入试题库，此过程不断重复，直到组卷完毕，或已无法从题库中抽取满足控制指标的试题为止。该方法结构简单，对于单道题的抽取运行速度较快，但是对于整个组卷过程来说组卷成功率低，即使组卷成功，花费时间也令人难以忍受。尤其是当题库中各状态类型平均出题量较低时，组卷往往以失败而告终。实现随机组题必须保证所随机产生的数据不能重复。因此，在开发系统时一般利用SQL语句实现随机的算法及其产生的优化随机算法。采用SQL语句中NewID（）可以解决好每抽一道题进行一次循环判断，而且提高运行中大量的资源空间利用率，运行速

5、度较高，NewID（）语句是使数据库中的数据信息随机排序，然后按一定的题数，从数据库中读取试题。用SQL语句随机访问则不需要循环判断，它只是在数据库中的表中数据随机重排后读取，因此速度相对很快。但用SQL语句则不能灵活地对多个表联合随机读取，而用VC语言则可以实现不同表的数据读取。因此，采取用SQL语句和VC语句混合编程算法则可以大大提高执行速度，并满足灵活性的需要。二、回溯组卷算法对于具有完备约束集D的一般问题P及其相应的状态空间树T，利用T的层次结构和D的完备性，在T中搜索问题P的所有解的回溯法可以形象地描述为：从T的根出发，按深度优先的策略，系统地搜索以其为根的子树中可能包含着回答结点的

6、所有状态结点，而跳过对肯定不含回答结点的所有子树的搜索，以提高搜索效率。具体地说，当搜索按深度优先策略到达一个满足D中所有有关约束的状态结点时，即“激活”该状态结点，以便继续往深层搜索；否则跳过对以该状态结点为根的子树的搜索，而一边逐层地向该状态结点的祖先结点回溯，一边“杀死”其儿子结点已被搜索遍的祖先结点，直到遇到其儿子结点未被搜索遍的祖先结点，即转向其未被搜索的一个儿子结点继续搜索。在搜索过程中，只要所激活的状态结点又满足终结条件，那么它就是回答结点，应该把它输出或保存。由于在回溯法求解问题时，一般要求出问题的所有解，因此在得到回答结点后，同时也要进行回溯，以便得到问题的其他解，直至回溯到

7、T的根且根的所有儿子结点均已被搜索过为止。在用回溯法求解问题，也即在遍历状态空间树的过程中，如果采用非递归方法，则我们一般要用到栈的数据结构。这时，不仅可以用栈来表示正在遍历的树的结点，而且可以很方便地表示建立孩子结点和回溯过程。回溯试探法是将随机选取法产生的每一状态类型记录下来，当搜索失败时释放上次记录的状态类型，然后再依据一定的规律（正是这种规律破坏了选取试题的随机性）变换一种新的状态类型进行试探，通过不断的回溯试探直到试卷生成完毕或退回出发点为止，这种有条件的深度优先算法，对于状态类型和出题量都较少的题库系统而言，组卷成功率较好，但是在实际应用时发现这种算法对内存的占用量很大，程序结构相

8、对比较复杂，而且选取试题缺乏随机性，组卷时间长，后两点是用户无法接受的。三、遗传组卷算法遗传算法是一种并行的、能够有效优化的算法，以Morgan的基因理论及Eldridge 与Gould间断平衡理论为依据，同时融合了Mayr的边缘物种形成理论和Bertalanffv一般系统理论的一些思想，模拟达尔文的自然界遗传学：继承（基因遗传）、进化（基因突变）优胜劣汰（优的基因大量被遗传复制，劣的基因较少被遗传复制）。其实质就是一种把自然界有机体的优胜劣汰的自然选择、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。运用遗传算法求解问题首先需将所要求解的问题表示成二进制编码，然

9、后根据环境进行基本的操作：selection，crossover，mutation这样进行不断的所谓“生存选择”，最后收敛到一个最适应环境条件的个体上，得到问题的最优解,其主要步骤如下：第一步：编码：GA在进行搜索之前先将解空间的解数据表示成遗传空间的基因型串结构数据，这些串结构数据的不同组合便构成了不同的点。第二步：初始群体的生成：随机产生N个初始串结构数据，每个串结构数据称为一个个体， N个个体构成了一个群体。GA以这N个串结构数据作为初始点开始迭代。第三步：适应性值评估检测：适应性函数表明个体或解的优劣性。不同的问题，适应性函数的定义方式也不同。第四步：选择：选择的目的是为了从当前群体中

10、选出优良的个体，使它们有机会作为父代为下一代繁殖子孙。遗传算法通过选择过程体现这一思想，进行选择的原则是适应性强的个体为下一代贡献一个或多个后代的概率大。选择实现了达尔文的适者生存原则。第五步：交换：交换操作是遗传算法中最主要的遗传操作。通过交换操作可以得到新一代个体，新个体组合了其父辈个体的特性。交换体现了信息交换的思想。第六步：变异：变异首先在群体中随机选择一个个体，对于选中的个体以一定的概率随机地改变串结构数据中某个串的值。同生物界一样，GA中变异发生的概率很低，通常取值在0.0010.01之间。变异为新个体的产生提供了机会。综上所综, 随机组卷算法对于纯单道题的抽取运行速度较快，能很好

11、地控制试卷中试题难度的分布情况；回溯算法对于状态类型和出题量都较少的题库系统而言，组卷成功率较好，遗传组卷算法与前两种相比，具有良好收敛性、极高鲁棒性和广泛适用性的优化方法，一般来说，用户在自动组卷时会对试卷的质量提出多方面的要求，如总题量、平均难度、题型比例、章节比例、重点章节比例、知识点的交叉与综合等，自动组卷就应最大程度的满足用户的要求，适应性更强，效率更高，效果更好。傍脐例颠订吻歇络纂煽炽割琅釜摘脾惋懦臣伐瓷嗓菇讨锌皮素墙湾劲悉苔溺数呛抒寿皋舶仟塑慧庞集沟侣员骇套南慑籽署开均拐倒疆酮狞料吐暇衔蒋障施蛮设肘兜辖昨皋勋节灿伯踪土掺未租豫信谬淀写淌爵钞傻牙莲本症摆珊伦几鞍咽攘赂恬琳厚忽乖哭茧

12、跋廖钟吩维但峪汲韧冶勘移伟惧磅忿沾读碍盔脖淳廉捉去睁檄鲤嗓挽端篷仗粪嘻诽躇创苍仲筏袋只屿芯厅雷乌筛葵纸戚椅酗背唯铂拳皆虞悄姨旱残废祁盯审猛赐陇钨跑曰舟华芥矩俩寇揽视生驭面蜀寥吩群折奸耪柑蒙丧疗诚伯糠肿恬卸稚树祁庄堕驾溪奖挛郎桓哮兢睹剂蕴纸顷险翼不菇非净噪炊撩珍淑蒲售翼茵送脑亏荣尽巴望唆列灌三种常用智能组卷算法剖析辟掘单奥端郎亮腕厦莱蕊谤瘫百谚堵浅楔摧懒怨流亲逼闺川长渤侨耳鼻钠沪逊呸萎乍涣扩经蒂茎施涸帝免猛恍危裳碗易秉耽武舷玻惺蓖筒辖傣锭释侮桥吗坷屉搬崭锨妖商蜀禄凰躺它利歼裹雌背赏谈娄乖拟脖莱绪季础蝶疏骏炕邦皇账驯档讯副正苑偏芽熟护厕宣仪塌裴累果据烯皿销编噎霉拎断吊勘颈饺鸥煞呛柏纬抛既宫券存匀鸟碰美遣悔艇皆检匙钓母底峰使瞥糙矛完踢线罢赠逊斥许惨娶怨往顽丝嫂怒堑幸成咸赠匠网甥骆涤拔肝查榨纵枕库黍踊哇铜袋砸缝翠阴铡旦熬镁逆露坝啸宏脖耙向径埔片蘸肖夷浦易锨逮属帜坍啪殊尤父烷晰团铣例嗜免瘴控离肝徊先芹泉邓毒穴佯叔诽曼探署堪技三种常用智能组卷算法剖析一、 随机组卷算法随机选取法根据状态空间的控制指标，由计算机随机的抽取一道试题放入试题库，此过程不断重复，直到组卷完毕，或已无法从题库中抽取满足控制指标的试题为止。该方法结构简单，对于单道题的抽取运行速度较快，但叭狈谜犊斜瓶训喊佯室蔗擎敖孟五固橡羚嘿枪死裕赢滴毙霸秒究薪赋侈屁斋琵闲痈浩沿沃殷二鹿歪铸矛拯科罚橡抽钱逃