研究算法仿生智能算法在自动组卷对策中运用

论文导读：范围。本算法可达到一次运行抽取多套试题的效果，把该算法应用在B/S结构的在线考试系统中将大大减轻服务器的负担，减少客户的等待时间。1.2粒子群优化算法粒子群优化算法是由Kennedy博士与Eberhart博士于1995年受人工生命研究结果启发，在模拟鸟群觅食过程中的迁移和群集行为时提出的一种基于群体智能的进化计算机技术
摘要：随着计算机辅助教学的发展，自动组卷策略已成为目前研究的热点与难点。自动组卷策略是自动组卷系统的核心，目前流行的智能算法如：遗传算法、蚁群算法、鱼群算法及微粒群算法广泛被应用于自动组卷系统中来解决组卷策略。
关键词：自动组卷；策略；智能算法
1009-3044（2013）26-5976-02
在现代教育领域中，考试不仅可以综合评价学生的学习情况，还可对教师的教学质量公平有效地衡量，其中考卷质量至关重要。传统的教师手工出卷方式，在命题角度和评分标准方面已经越来越不能适应现代教学评价的需要，存在着较大差异。随着计算机辅助教学的不断发展，其对教育教学的变革与发展有着巨大的影响，考试逐步呈现向自动化趋势发展。智能组卷系统可以节省教师的大量时间并提高工作效率，也可以减少考试中主观因素的干扰，客观反映出教学的真实效果。
智能组卷就是根据教学大纲从试题库中抽取试题，生成在题型、章节、知识点、区分度及试题难度等方面符合要求的一套或多套试卷。组卷策略是自动组卷系统的关键技术，对组卷策略的方法研究是目前该领域的研究热点与难点。组卷策略的优劣决定组卷的质量，决定生成的试卷是否能满足实际考试的需要。对组卷策略的研究在确保考试的实用性、方便性、公正性及可靠性具有重要的现实意义。
1 仿生智能算法在自动组卷中的应用现状
智能优化算法是近年来的研究热点，被广泛应用于自动化、系统工程、计算机、管理工程与机械等诸多领域。仿生智能算法是模拟生物进化或仿生自然界动物昆虫觅食筑巢行为的一类新型智能方法。目前主要的仿生智能算法有遗传算法、蚁群算法、微粒群算法、人工鱼群算法及蜂群算法等。

1.1 人工鱼群算法

人工鱼群算法是李晓磊等人于2002年在对动物群体智能行为研究的基础上提出的一种新型仿生优化算法，该算法根据“水域中鱼生存数目最多的地方一般就是本水域中富含营养物质最多的地方”这一特点来模仿鱼群的觅食行为而实现寻优。它主要利用鱼的三大基本行为：觅食、聚群和追为，采用自上而下的寻优模式从构造个体的底层行为开始，通过鱼群中每个个体的局部寻优，达到全局最优值在群体中突显出来的目的。它具有较强的健壮性、优良的分布式计算机控制、易于和其他方法结合等特点。李娟，田胜利等人在Delphi7. 0+SQL SERVER2000环境下，设定鱼群中鱼的数量为100，针对试题库中的1 000多道试题利用人工鱼群算法进行抽取[2 ]。笔者对评价函数F（X）进行修改使抽出的试卷中试题难易度、知识点分布均匀程度、总分等与要求误差在3%以内，满足所允许的误差范围。本算法可达到一次运行抽取多套试题的效果，把该算法应用在B/S结构的在线考试系统中将大大减轻服务器的负担，减少客户的等待时间。

1.2 粒子群优化算法

粒子群优化算法是由Kennedy博士与Eberhart博士于1995年受人工生命研究结果启发，在模拟鸟群觅食过程中的迁移和群集行为时提出的一种基于群体智能的进化计算机技术。最初是处理连续优化问题，目前应用逐渐扩展到许多组合优化问题。相对其它优化算法和演化式计算方法， 粒子群算法最大的特点就是搜索的速度快。阎峰、安晓东等人成功将粒子群算法用于智能组卷系统[3]。笔者在对智能组卷原理深入理解的基础上，给出抽题质量评价的指标，并建立抽题数学模型，最后采用改进的粒子群算法对模型进行优化。实验结果证明，改进的粒子群算法可成功用于智能组卷系统，通过调节速度和位置可较快地获得组卷的优化解，能更好地适应智能抽题策略的要求。

1.3 蚁群算法

1992年Marco Dorigo等人通过模拟蚁群觅食行为提出了一种基于种群的模拟进化方法——蚁群算法。自然界中的蚂蚁在寻找食物时总能找到一条从蚁巢到食物源的最优无碰障碍物路径。蚂蚁行走过程中在路径上根据路径状况释放出一定量的信息素，其他蚂蚁根据前面蚂蚁释放的信息素多少来选择一条要前进的路径。路径上存在的信息素越多，说明这条路径被蚂蚁选择行走的次数越多，表明该条路径的性能越佳，后续蚂蚁选择这条路径行走的概率就越大，从而构成一个信息学习的正反馈。通过蚂蚁之间的协作从而找到一条从食物源到蚁巢的最优路径。蚁群算法已经在组合优化、函数优化、系统辨识、网络路由、机器人路径规划、数据挖掘以及大规模论文导读：
集成电路的综合布线设计等领域获得了广泛的应用，并取得了良好的效果。周维柏、李蓉等人尝试将蚁群算法用于智能组卷系统[4]，蚁群算法所找到的最优解与其他方法相差不大，但花费的时间少，当题库数量大时，蚁群算法所找到的解仍能维持一定水平。

1.4 遗传算法

遗传算法[5]是John H.Holland于1962年根据生物进化的模型提出的一种优化算法。遗传算法作为一种全局优化搜索算法，通过模拟生物繁殖过程中父代基因的重组及变异与“物竞天择、优胜劣汰”自然选择机制的共同作用来解决遇到的复杂问题。通过大量研究及实践证明，遗传算法可有效解决传统搜索算法难以解决的非线性问题。近年来，国内外有诸多学源于：论文例文www.7ctime.com
者将遗传算法应用在智能组卷问题的求解上，并取得了一定的成效。例如，D.B.Fogeol 首次将遗传算法应用于自动组卷。Gordberg M.W 借助于遗传算法的全局寻优特点建立了智能组卷问题的寻优模型。国内学者将遗传算法用于组卷问题的研究起步较晚。戴文华、焦翠珍等人改进传统遗传算法的编码形式，提出十进制编码方式。
传统遗传算法容易发生早熟现象，诸多学者开始研究遗传算法本身，将改进后的遗传算法运用到该问题中，取得了良好的效果。陈志、陈宇等人研究出一种基于启发式遗传算法的组卷策略，对约束条件的误差进行优化，使得遗传算法具有较好的性能，从而保证群体趋近于问题最优解的方向传递，有效地降低开销。周小健、任学惠等人在传统遗传算法自动组卷中运用小生境技术，有效制约群体中相似个体的过多繁殖，维持了群体多样性，抑制了早熟现象的发生，算法具有较好的执行效率。易叶青、王淑佩等人根据群体适应值分布的变化特性，引入一个动态自适应常数，通过动态改变自适应常数的值来适时地调整种群适应度的分布情况，从而对各个个体被选择的概率进行了优化。
2 总结
本文系统地阐述了人工鱼群算法、粒子群算法、蚁群算法与遗传算法等仿生智能算法在自动组卷中的应用。实践证明这些算法可有效解决自动组卷策略问题，随着智能算法的不断发展，自动组卷策略的性能将更加提升，自动组卷策略将逐步向智能化方向发展。
参考文献：
吴水秀.智能试卷生成和自适应考试系统[J].计算机与现代化，1999（1）：36-39.
李娟，田胜利. 基于人工鱼群模型的自动组卷抽题算法研究[J].许昌学院学报，2008（27）：92-97.
[3] 阎峰，安晓东.基于粒子群优化算法的智能抽题策略研究[J].中北大学学报，2008（29）：333-337.
[4] 周维柏，李蓉.基于蚁群算法的组卷策略[J].微计算机应用，2010（6）：14-19.
[5] 张文宇，李栋.物联网智能技术[M].中国铁道出版社，2012.4.