论文部分内容阅读
摘 要：在线无纸化测试是现今流行的测试方式，无纸考试日渐替换了传统模式下的笔试并获取了更广的认同。设计考试配备的网络系统不可缺失组卷步骤，如何组卷关乎测试得出的精准性。组卷系统提升了智能性，采纳改进得出的新式遗传算法以此来自动调配组卷。智能水准更高的组卷应能便于自动调配试题，完善了原有的系统性能。对于此，解析了智能組卷可选的改进遗传算法，结合实情探析了更合适的应用思路。
关键词：改进遗传算法 智能化组卷系统 具体应用
中图分类号：TP2 文献标识码：A 文章编号：1674-098X（2016）03（b）-0013-02
网络考试日渐渗透于多样领域，新式背景下的无纸测试便利了常规的考试。网络考试不可脱离设计步骤内的组卷，选取的组卷方式关系到随机抽调的试卷质量，也关乎网络考试表现出来的智能性水准。操作组卷问题时，先要拟定可查验的必要参数并采纳合适的变换算法。设计并选取最相宜的组卷算法应能整合多样的内外要素，例如妥善设定题型配比、划分多层次的试卷分值、设定最佳的测试时段。组卷算法常见回溯试探及随机抽调的两类方法，组卷应能吻合真实的能力层次[1]。相比来看，改进遗传算法更注重于化解组卷步骤中的智能性难题，获取了凸显的组卷应用实效。
1 根本的算法机理
1.1 遗传算法的内涵
遗传算法含有如下的根本原理：若群体没能获取最佳解，或者没能获取最近似的解，那么不可继续后续的个体进化。在遗传算法中，个体表现出来的本身特性不可超越前一代；与此同时，个体彼此也是很近似的。在这种状态下，算法将很难予以维系且快速终止。借助设定好的算法流程，局部可获取最佳解答，然而全局并不可获取这种最优解答。针对于智能组卷，应能采纳最合适的遗传算法。常规状态下的算法可分成拟定遗传编码、操作选择性的算法、拟定适应度数。经过对比可得：相比于生物遗传学，遗传算法更契合了智能组卷依循的流程。为此，有必要详尽辨析遗传算法内含的多步骤，确保常态的组卷可被落实[2]。
1.2 智能组卷中的算法价值
面对规模较大的常规考试可选更高层次智能性的阅卷及组卷，借助微机以便于组卷。从现存题库中，采纳自动的多步骤筛选了最适宜的若干题型；经过自动生成，得出合格的卷面。现今教学及测试范围内都可选取智能化组卷，新式组卷替换了常用手动的组卷并显现了优势。这是由于，传统步骤内的手动组卷消耗掉的精力时间都是较多的，组卷缺失了便捷性及更高的灵活性并且减低了应有的组卷效率。智能性的微机组卷可协助节省时间，用户即可拥有更多用作备考的充足时间，在根本上提升了平常授课的质量。
计算机辅助下的组卷应能优选遗传算法，这种算法凸显了独有的新优势。遗传算法有着更优的鲁棒性及便捷性，可并行内在的各类算法并用作化解繁杂的多样难题。遗传算法依循了随机搜索，模拟得出自然状态下的遗传机理以便于搜索最适宜的某一解答[3]。在自然界中，这类算法模拟了交叉及变异、物种的选择等，各次的筛选中都应预留有待选取的解答。依照给定的规则，从现存的多种群范围内筛选了最优的个体。运用交叉变异，遗传算法获取了新种群，这样即可寻找期待中的最优解答。
考试系统不可缺失智能组卷，遗传算法辅助状态下的智能组卷被归入必备的部分。在最大范围内，智能组卷缩减了命题总量且杜绝了潜在的人为偏差。若拟定了多样约束要件下的某一复杂条件，则遗传算法凭借于染色体编码、寻找遗传算子、寻找适应度函数这些路径即可快速确保最优的组卷质量。这样做，在根本上提快了日常组卷的速率，组合得出的试卷也可覆盖着更广的知识范围。此外，智能组卷也避免了多次反复同种的知识点，新式算法被确认为有效的。
2 改进得到的新遗传算法
（1）设计得到算法配备的编码。运行状态下的微机可辨析的编码都为二进制，遗传算法也应吻合给定的这种格式。编制二进制特定的编码时，要选取搭配的染色体。借助实数编码，还可选取多样的途径用作编码。新式技术下的编码算法可分成多类，提升了根本的编码速度。针对于智能组卷，恰当编码应能确保更高层次内的智能化。二进制可选简易的编码步骤，变异及交叉性的操作都更为便捷。然而，这种编码运算也将耗费更多存储性的内在空间，缺失了表述时的精准性。遇有约束性的复杂难题，二进制编码也将显现独有的优势[4]。
（2）要明确合适的适用度数。适应度函数被融汇于算法范围内，要选取适应度的函数，这种前提下才可设置关键性的智能组卷手段。代表着适应度的数值应为进化步骤中的函数，这种数值对应着给出来的设置标准。运用这种标准，有序区分了质量不同的个体。若确定了最佳的适应度函数，即可精准辨别优劣不同的多样个体。这样做，也防控了过早淘汰某一个体或较快的扩散，抑制早熟并维持了多样形态的个体种群[5]。
（3）选取某一组卷要素，估算得出它匹配的权值并设定可选的区间。设置估算权值，这种数值代表着综合性的收敛误差。详细来看，可分成如下次序的多部分运算：知识点匹配的分值、章节占有的分值、测试的总难度、各类题型及设置的总分、试卷反映出来的水准及实力、答卷耗费的总时间及运算量。每组因素都匹配于综合性的组卷误差，误差程度等于初期统计得出的平均比值。为强化适应度且便于后续运算，还要增设指数函数配备的底数。
3 智能组卷中的改进算法运用
每种系统都匹配了自带的指标体系，在构建起来的现存体系内汇聚了多样的内在指标。针对各个参数，系统都设定了对应着的角色且表述某一性能。构建各类的指标，都可服务于综合范围内的智能组卷。优化各类的指标，从根本入手创设了最优的智能性组卷体系。改进遗传算法可用作日常的设计考试中，智能化新式的组卷更增添了自动性，这样构建起来的组卷系统才会拥有实用及安全的综合效能[6]。为了确保安全，在智能系统架构内应能绑定地址，增设数据库对应的服务器以便于预留备份。数据都要经由加密，获取综合状态下的最佳系统实效。实际上，设置指标并没能依循给出来的固有模式，详细来看改进后得到的遗传算法可适用于如下的智能组卷。 3.1 设置体系架构
组卷采纳的智能化路径创设了新式的体系架构，可分为功能层、数据层及配备的表示层。从功能视角看，智能系统要吻合多样的自身性能，例如维护试卷、抽调各类的测试题、管理考试系统、统计得出各科目特定的分值。針对于系统设置，改进遗传算法创设了可抽取的试题库并增设了抽调试题的来源。依照登陆状态下的学生分数，随时查看变更的测试信息。等到测试终结，系统还应录入自动性的各科目分数。后续的评分时，阅卷模块留存下来的各科目分值都将显现于屏幕，可供教师查阅。登陆查询系统，学生也可查出精准的测试分数。
3.2 细化的系统层次
改进遗传算法首要设置了精准的系统编码，即染色体编码。若要求解某一难题，先要经过选定的这种步骤。染色体配备了本身的编码，映射可得空间性的代码串而后构建了细化的各试卷部分。各个试卷都匹配了本身特有的染色体，题号关联着基因配备的编码。各类测试题都被归入细化的不同组别，统一放置了同样的题型。在这之后，依照分段归纳得出的染色体序列以便于生成，确保总体范围内的各个题型都含有等同的总数。依照给出来的比值以便于调控后续各步骤。通常来看，试卷要含有主观性的、客观性的两类题目[7]。
在选择操作中，应能优选适宜的某些个体而后进到拟定的选择步骤内。针对于改进算法，通常可选轮盘赌这类步骤。从现存群体范围内，典型的抽取算法应能抽出最合适放置的某些个体。筛选优质的这些个体，复制得出下一代配备的模板。交叉操作是指：依照给定的概率，随机变更染色体内含的某些基因。在这样做之后，应能获取增设的新染色体。交叉概率影响着遗传算法表现出来的真实性能，也影响到波动频率。此外，变异操作应能搜索组卷的全局，更改了某些方位的染色体基因。
3.3 拟定的指标体系
详细来看，智能组卷配备了若干的指标，例如所属章节、抽调的题型、试卷涵盖的知识点。依照划定的不同需要，题型可分成填空及选择、概念类的题目、简答及解析题目、应用性的综合题型。在给定的题库之内，题型及归属的章节彼此是紧密关联的，二者也是对应的。知识点是侧重考核的要点，它反映着大纲给出来的总体要求[8]。
真正命题时，试卷难度关乎选出来的测试对象。此外，针对于授课进展的不同阶段也应配备不同难度的卷面。待测群体面对了多变状态下的考试环境，多样要素都表现出某一影响。确定难度系数应选取客观及科学的新方式，结合积累得出的经验以便于划分多层次的难易程度。
4 结语
遗传算法相比来看拥有更强的本身优势，同时修补了常规算法潜在的各类弊病。改进之后新式的这类算法整合了设计编码、设计变异及交叉的算子、调配函数的适应值等。遗传算法增添了自适应的新特性，仿真测试得出智能组卷最佳的实效。在数据挖掘中，遗传算法更是常用的。大数据状态下，物联网及云计算被融汇于更广的数据挖掘且获取了更优的成效。未来的实践中，智能组卷系统还可推广采纳遗传算法，改进原先的组卷方式以此来适应多样的被测试人员。
参考文献
[1] 李霞婷，宋荣.改进遗传算法在智能化组卷系统中的应用[J].电子技术与软件工程，2014（6）：196.
[2] 白东玲，郭绍永.改进的遗传算法在智能组卷系统中的应用研究[J].计算机与现代化，2013（3）：25-28.
[3] 韩英慧.改进的遗传算法在智能组卷系统的应用[J].长春教育学院学报，2015（11）：59-60.
[4] 孙俊丽.改进遗传算法在组卷系统中的设计与实现[J].信息技术与信息化，2015（8）：112-114.
[5] 宋秋莲.改进型遗传算法在自动组卷系统中的应用研究[J].计算机光盘软件与应用，2013（24）：117-118.
[6] 王秋红，陈明锐.精英交叉遗传算法在组卷系统中的应用[J].电脑知识与技术，2013（35）：8078-8080.
[7] 王姣娜.基于改进遗传算法的组卷系统在电子商务模拟系统中的应用[J].数字技术与应用，2013（12）：118-119.
[8] 王红.改进遗传算法在组卷系统中的应用研究[J].科技传播，2011（9）：221，222.
关键词：改进遗传算法 智能化组卷系统 具体应用
中图分类号：TP2 文献标识码：A 文章编号：1674-098X（2016）03（b）-0013-02
网络考试日渐渗透于多样领域，新式背景下的无纸测试便利了常规的考试。网络考试不可脱离设计步骤内的组卷，选取的组卷方式关系到随机抽调的试卷质量，也关乎网络考试表现出来的智能性水准。操作组卷问题时，先要拟定可查验的必要参数并采纳合适的变换算法。设计并选取最相宜的组卷算法应能整合多样的内外要素，例如妥善设定题型配比、划分多层次的试卷分值、设定最佳的测试时段。组卷算法常见回溯试探及随机抽调的两类方法，组卷应能吻合真实的能力层次[1]。相比来看，改进遗传算法更注重于化解组卷步骤中的智能性难题，获取了凸显的组卷应用实效。
1 根本的算法机理
1.1 遗传算法的内涵
遗传算法含有如下的根本原理：若群体没能获取最佳解，或者没能获取最近似的解，那么不可继续后续的个体进化。在遗传算法中，个体表现出来的本身特性不可超越前一代；与此同时，个体彼此也是很近似的。在这种状态下，算法将很难予以维系且快速终止。借助设定好的算法流程，局部可获取最佳解答，然而全局并不可获取这种最优解答。针对于智能组卷，应能采纳最合适的遗传算法。常规状态下的算法可分成拟定遗传编码、操作选择性的算法、拟定适应度数。经过对比可得：相比于生物遗传学，遗传算法更契合了智能组卷依循的流程。为此，有必要详尽辨析遗传算法内含的多步骤，确保常态的组卷可被落实[2]。
1.2 智能组卷中的算法价值
面对规模较大的常规考试可选更高层次智能性的阅卷及组卷，借助微机以便于组卷。从现存题库中，采纳自动的多步骤筛选了最适宜的若干题型；经过自动生成，得出合格的卷面。现今教学及测试范围内都可选取智能化组卷，新式组卷替换了常用手动的组卷并显现了优势。这是由于，传统步骤内的手动组卷消耗掉的精力时间都是较多的，组卷缺失了便捷性及更高的灵活性并且减低了应有的组卷效率。智能性的微机组卷可协助节省时间，用户即可拥有更多用作备考的充足时间，在根本上提升了平常授课的质量。
计算机辅助下的组卷应能优选遗传算法，这种算法凸显了独有的新优势。遗传算法有着更优的鲁棒性及便捷性，可并行内在的各类算法并用作化解繁杂的多样难题。遗传算法依循了随机搜索，模拟得出自然状态下的遗传机理以便于搜索最适宜的某一解答[3]。在自然界中，这类算法模拟了交叉及变异、物种的选择等，各次的筛选中都应预留有待选取的解答。依照给定的规则，从现存的多种群范围内筛选了最优的个体。运用交叉变异，遗传算法获取了新种群，这样即可寻找期待中的最优解答。
考试系统不可缺失智能组卷，遗传算法辅助状态下的智能组卷被归入必备的部分。在最大范围内，智能组卷缩减了命题总量且杜绝了潜在的人为偏差。若拟定了多样约束要件下的某一复杂条件，则遗传算法凭借于染色体编码、寻找遗传算子、寻找适应度函数这些路径即可快速确保最优的组卷质量。这样做，在根本上提快了日常组卷的速率，组合得出的试卷也可覆盖着更广的知识范围。此外，智能组卷也避免了多次反复同种的知识点，新式算法被确认为有效的。
2 改进得到的新遗传算法
（1）设计得到算法配备的编码。运行状态下的微机可辨析的编码都为二进制，遗传算法也应吻合给定的这种格式。编制二进制特定的编码时，要选取搭配的染色体。借助实数编码，还可选取多样的途径用作编码。新式技术下的编码算法可分成多类，提升了根本的编码速度。针对于智能组卷，恰当编码应能确保更高层次内的智能化。二进制可选简易的编码步骤，变异及交叉性的操作都更为便捷。然而，这种编码运算也将耗费更多存储性的内在空间，缺失了表述时的精准性。遇有约束性的复杂难题，二进制编码也将显现独有的优势[4]。
（2）要明确合适的适用度数。适应度函数被融汇于算法范围内，要选取适应度的函数，这种前提下才可设置关键性的智能组卷手段。代表着适应度的数值应为进化步骤中的函数，这种数值对应着给出来的设置标准。运用这种标准，有序区分了质量不同的个体。若确定了最佳的适应度函数，即可精准辨别优劣不同的多样个体。这样做，也防控了过早淘汰某一个体或较快的扩散，抑制早熟并维持了多样形态的个体种群[5]。
（3）选取某一组卷要素，估算得出它匹配的权值并设定可选的区间。设置估算权值，这种数值代表着综合性的收敛误差。详细来看，可分成如下次序的多部分运算：知识点匹配的分值、章节占有的分值、测试的总难度、各类题型及设置的总分、试卷反映出来的水准及实力、答卷耗费的总时间及运算量。每组因素都匹配于综合性的组卷误差，误差程度等于初期统计得出的平均比值。为强化适应度且便于后续运算，还要增设指数函数配备的底数。
3 智能组卷中的改进算法运用
每种系统都匹配了自带的指标体系，在构建起来的现存体系内汇聚了多样的内在指标。针对各个参数，系统都设定了对应着的角色且表述某一性能。构建各类的指标，都可服务于综合范围内的智能组卷。优化各类的指标，从根本入手创设了最优的智能性组卷体系。改进遗传算法可用作日常的设计考试中，智能化新式的组卷更增添了自动性，这样构建起来的组卷系统才会拥有实用及安全的综合效能[6]。为了确保安全，在智能系统架构内应能绑定地址，增设数据库对应的服务器以便于预留备份。数据都要经由加密，获取综合状态下的最佳系统实效。实际上，设置指标并没能依循给出来的固有模式，详细来看改进后得到的遗传算法可适用于如下的智能组卷。 3.1 设置体系架构
组卷采纳的智能化路径创设了新式的体系架构，可分为功能层、数据层及配备的表示层。从功能视角看，智能系统要吻合多样的自身性能，例如维护试卷、抽调各类的测试题、管理考试系统、统计得出各科目特定的分值。針对于系统设置，改进遗传算法创设了可抽取的试题库并增设了抽调试题的来源。依照登陆状态下的学生分数，随时查看变更的测试信息。等到测试终结，系统还应录入自动性的各科目分数。后续的评分时，阅卷模块留存下来的各科目分值都将显现于屏幕，可供教师查阅。登陆查询系统，学生也可查出精准的测试分数。
3.2 细化的系统层次
改进遗传算法首要设置了精准的系统编码，即染色体编码。若要求解某一难题，先要经过选定的这种步骤。染色体配备了本身的编码，映射可得空间性的代码串而后构建了细化的各试卷部分。各个试卷都匹配了本身特有的染色体，题号关联着基因配备的编码。各类测试题都被归入细化的不同组别，统一放置了同样的题型。在这之后，依照分段归纳得出的染色体序列以便于生成，确保总体范围内的各个题型都含有等同的总数。依照给出来的比值以便于调控后续各步骤。通常来看，试卷要含有主观性的、客观性的两类题目[7]。
在选择操作中，应能优选适宜的某些个体而后进到拟定的选择步骤内。针对于改进算法，通常可选轮盘赌这类步骤。从现存群体范围内，典型的抽取算法应能抽出最合适放置的某些个体。筛选优质的这些个体，复制得出下一代配备的模板。交叉操作是指：依照给定的概率，随机变更染色体内含的某些基因。在这样做之后，应能获取增设的新染色体。交叉概率影响着遗传算法表现出来的真实性能，也影响到波动频率。此外，变异操作应能搜索组卷的全局，更改了某些方位的染色体基因。
3.3 拟定的指标体系
详细来看，智能组卷配备了若干的指标，例如所属章节、抽调的题型、试卷涵盖的知识点。依照划定的不同需要，题型可分成填空及选择、概念类的题目、简答及解析题目、应用性的综合题型。在给定的题库之内，题型及归属的章节彼此是紧密关联的，二者也是对应的。知识点是侧重考核的要点，它反映着大纲给出来的总体要求[8]。
真正命题时，试卷难度关乎选出来的测试对象。此外，针对于授课进展的不同阶段也应配备不同难度的卷面。待测群体面对了多变状态下的考试环境，多样要素都表现出某一影响。确定难度系数应选取客观及科学的新方式，结合积累得出的经验以便于划分多层次的难易程度。
4 结语
遗传算法相比来看拥有更强的本身优势，同时修补了常规算法潜在的各类弊病。改进之后新式的这类算法整合了设计编码、设计变异及交叉的算子、调配函数的适应值等。遗传算法增添了自适应的新特性，仿真测试得出智能组卷最佳的实效。在数据挖掘中，遗传算法更是常用的。大数据状态下，物联网及云计算被融汇于更广的数据挖掘且获取了更优的成效。未来的实践中，智能组卷系统还可推广采纳遗传算法，改进原先的组卷方式以此来适应多样的被测试人员。
参考文献
[1] 李霞婷，宋荣.改进遗传算法在智能化组卷系统中的应用[J].电子技术与软件工程，2014（6）：196.
[2] 白东玲，郭绍永.改进的遗传算法在智能组卷系统中的应用研究[J].计算机与现代化，2013（3）：25-28.
[3] 韩英慧.改进的遗传算法在智能组卷系统的应用[J].长春教育学院学报，2015（11）：59-60.
[4] 孙俊丽.改进遗传算法在组卷系统中的设计与实现[J].信息技术与信息化，2015（8）：112-114.
[5] 宋秋莲.改进型遗传算法在自动组卷系统中的应用研究[J].计算机光盘软件与应用，2013（24）：117-118.
[6] 王秋红，陈明锐.精英交叉遗传算法在组卷系统中的应用[J].电脑知识与技术，2013（35）：8078-8080.
[7] 王姣娜.基于改进遗传算法的组卷系统在电子商务模拟系统中的应用[J].数字技术与应用，2013（12）：118-119.
[8] 王红.改进遗传算法在组卷系统中的应用研究[J].科技传播，2011（9）：221，222.