基于遗传算法的计算机智能组卷研究外文翻译资料

 2022-11-22 11:11

英语原文共 6 页,剩余内容已隐藏,支付完成后下载完整资料


基于遗传算法的计算机智能组卷研究

Liming Wang

外国语学院,渤海大学,锦州, 121013, 中国

2860333710@qq.com

关键词:组卷;遗传算法;选择;交叉;变异

摘要:试卷的组卷是考试的重要组成部分,如何选择一种高效、科学、合理的方法,可以最大限度地保证试卷满足用户的不同需求,并且具有随机性、科学性、合理性等特点,这是非常关键的。针对传统试卷生成方法的局限性,本文采用遗传算法生成试卷。首先,生成组卷算法的数学模型,然后通过遗传算法的基本原理图解说明,然后研究遗传算法在智能组卷中的应用,并说明智能测试的主要步骤。最后,将遗传操作的智能组卷组成,继续进行个人体质评价、选择、交叉和变异,直至搜索出最优解或满意解。利用遗传算法对智能组卷进行组卷,减轻了教师的工作量,促进了考试管理的科学化和规范化,具有重要的实用价值。

介绍

组卷策略是在线考试的核心实现技术。在现有考试系统中生成试卷的方法分为以下三个类别:1:一个与手工生成试卷相似的类,试题库作为问题集,由老师根据每个问题进行筛选和提取;一个是有组织的;论文设置为一个测试数据库,在生成试卷时随机选择一套或多套试卷进行考试;有一类采用生成试卷的策略,教师根据自己的要求通过计算机自动试卷。生成一套或多套试卷。比较这三种方法,第一种基本上是手工生成试卷;第二种试卷方法在数量有限的情况下,缺乏灵活性,容易重复绘制同一套试卷现象;这两种方法生成试卷难度较大。满足用户的需求。因此,为了保证机器测试的实用性和可靠性,对其进行智能组卷。

大多数智能组卷程序仍然采用传统的算法,随机问答法简单,但具有很长的时间成本,并且经常由于局部满足约束而导致试卷失败。回溯法适用于需求少、问题少的项目,如果项目数大,则状态类型转换的数量将变大,时间和空间复杂度大。因此,选择高效、科学、合理的算法是自动组卷的关键。遗传算法(GA)作为一种智能搜索算法,具有全局优化、并行性、健壮性和简单性等特点,适合于解决组卷问题,因此智能组卷采用GA.

试卷生成算法的数学模型

一般数学模型是真实事物的数学简化。它往往存在于抽象意义上,接近真实事物,但它本质上是不同的。描述一个真实的现象可以有多种方式,如音频、视频、隐喻、谣言等等。为了描述更科学、更合理、更客观、更具有重复性,一般认为是更多的人采用更严格的语言来描述各种现象,这种语言就是数学。用数学语言来描述事物被称为数学模型〔2〕。

数学模型

数学模型是研究和掌握系统运动规律的有力工具,它是分析、设计、预测或预测、控制实际系统的基础。许多不同类型的数学模型,还有各种不同的分类方法〔3〕。

(1)静态和动态模型。静态模型是简单的关系,各系统之间的描述量不是随时间和变化而变化的,一般用代数方程表示。动态模型是指系统的每一个量与规则变化时间之间的数学表达式,通常用微分方程或差分方程来表示。

(2)分布参数和集总参数模型。分布参数模型具有描述系统动态特性的各种偏微分方程,集总参数模型是描述系统动态特性的线性或非线性常微分方程。在许多情况下,通过空间离散化方法的分布参数模型可以简化为集总参数模型,而不太复杂。

(3)连续时间模型和离散时间模型。在该模型中,时间变量是在一定时间间隔的变化模型中称为连续时间模型,由上述类型的微分方程描述的模型是连续时间模型。在处理集总参数模型时,也可以是时变离散化,所得到的模型称为离散时间模型。用微分方程描述离散时间模型。

(4)随机和确定性模型。在随机模型中,以概率分布或统计值的形式给出变量之间的关系,确定确定性模型中变量之间的关系。

(5)参数化和非参数化模型。由代数方程、微分方程、差分方程和传递函数描述的模型是参数模型。建立的参数模型的各个参数的确定在于已知模型的结构。通过理论分析总是推导出参数模型。非参数模型是直接或间接响应于实际系统的实验分析,例如,由实验系统记录的脉冲响应或阶跃响应是非参数模型。

数学模型的构建

一般来说,组织试卷时,通常要确定试卷的完美得分值、项目难度、问题个数、知识点分布和能力水平等指标指标。结合英语考试的实际情况,建立智能组卷数学模型的九个核心属性,将一篇试卷约束成九维向量空间:

问题(问题数、分数、难度因素、能力水平、知识、问题类型、辨别、回答时间、使用频率)。

一个问题是由9个性质决定的,也就是说,从九维向量(A1、A2、A3、A4、A5、A6、A7、A8、A9)特征确定了问题。因此,对于一组n个试题

试卷可以用矩阵表示(n x 9):

矩阵中的每个属性满足以下约束条件:

(1)考卷总分。,p是试卷总分的要求,默认为100分,由试卷工作人员指定。

(2)考卷难度。,P是试卷的总分。

(3)能力等级。,是J-ED能力等级的分数,当,;当,。每个层次包括了解、理解、把握、灵活使用的能力。

(4)知识点。,是由用户需要设置的J-ED知识点的分数。当,;当,。

(5)问题类型。,是由用户需要设置的J-ED知识点的分数。当,;当,。在现阶段,CET4由六个问题类型构成:听力理解、阅读理解、完形填空、纠错、写作和翻译。

(6)区别。,P是试卷的总分。每个测试中获得的考生从高分到低分,分为高低分组,在高低分组得分率的基础上,得到区别,试卷的区别是加权平均的每个试题的区别。

(7)答题时间。,T是论文的答题时间,也就是考试时间,默认为120分钟,由出卷人员指定。

遗传算法的基本原理

遗传算法模拟自然界生物进化机制是一种随机的全局搜索和优化方法,它借鉴了达尔文的自然选择、进化论的优胜劣汰理论和孟德尔的遗传学,GA是基于适应度函数(或目标函数),通过对个体在群体遗传操作中实现种群内重组个体的迭代过程结构,在此过程中,个体群从一代到另一代进行优化,并逐渐逼近最优解,最终,得到最优解〔4〕。还具有固有的并行性、全局优化性和快速收敛性,能够自动获取和积累搜索过程中搜索空间的知识,并自适应地控制搜索过程,以达到最优解[5 ]。遗传算法适合于智能组卷的处理。

GA的基本原理在图1中示出,首先,问题的数据应该被编码,从问题实体的外部特征映射到比特串,这将生成随机初始种群。搜索时,在个体适应度函数值的基础上选择个体,适应度函数值高是优秀个体,选择概率大,反之,价值低,选择概率较小[6 ]。其次,交叉操作随机配对两个染色体交换部分基因,通过突变,染色体基因定位将以一定的概率发生变化,产生下一代个体,形成新的种群。新的人口走出低健身个体,继承和携带正向基因群体的良好基因,因此整体优于前一代,更具弹性。因此,经过几代的进化,E种群平均适应度不断提高,直到问题趋于收敛,满足终止条件,最后一代种群的个体被解码,得到近似最优解。

遗传算法在智能组卷中的应用

对于智能组卷问题,应用GA的主要步骤如下,图2所示的试卷合成流程图:

试卷染色体编码,为了避免GA群体染色体编码的长期下降引起的搜索效率,本文采用自然数编码方案,基于问题类型对编码段、基因号为问号,根据试卷构图的过程对于从问题数据库中选择问题的要求,搜索将终止由染色体组成的选择基因。假设测试数据库主题要被选中的数量为A,从其中选择的问题满足用户需求约束,由B测试题论文、所选问题用哪个数字表示,然后对应于实数串的论文字符串即是数量由B的长度组成,称为染色体,从而形成染色体编码。

(2)种群初始化,随机生成M种群的初始种群,通常通过经验或实验给出初始种群大小。根据试题类型、各题型的数量、总成绩、难度因子等各种因素产生初始群体。在测试数据库中生成一个随机问句编号,在问句的范围内编号对应的问句类型、问号和染色体,对已生成的这类问句进行比较。如果重复,则重新生成,否则离开,并重复问题总数的进程号。然后计算论文总分,如果不等于总分,重新生成。否则,计算难度系数,与难度因子设置相比,如果差值在允许范围内,纸张是有效的。否则文件无效,再生[7 ]。

(3)适应度函数设计。利用适应度函数(评价函数)计算个体的函数值,用于评价个体的优劣指数,确定搜索方向;每个个体计算的适应度越高,适应环境的能力越强。,选择概率较大(8)。在试卷组卷过程中,会影响试卷质量和试卷质量的生成,因此,由于初始人数考虑了试题数量和其他约束条件,所以设计的健身应尽可能简单,因此适应度函数只考虑T。他知识点和难度系数这两个制约因素。然后根据演化代数,确定是否满足终止条件。如果是这样,输出,或继续下一步的遗传操作。

智能组卷的遗传操作

在上述操作之后,遗传操作即选择、交叉和突变。

选择,反映了生物进化的优胜劣汰原则,目的是使目前的人口健身个体遗传能更好地遗传给下一代,增强个体适应下一代的能力。根据选择策略选择多个个体,从种群中复制,选择个体,利用遗传算子作用产生新一代种群。选择策略是遵循原则:个体的适应度越高,被选择的概率越大。

交叉,它是按照一定概率的两个个体(交叉概率PC),从一个比特交换开始。首先,为(0, 1)中的每个个体生成随机数,并且如果数字小于PC,则选择单个交叉,或者不选择。选择的个体是随机配对的,并且根据长度b,随机交叉位置i,i是整数[ 1,B-L]。突变是个体按照一定的概率(突变概率PM)颠倒[9 ]。对于后交叉,每个个体在[0,1]中随机生成一个随机数,如果大于PM,则保留同一染色体的原始字符;否则使用随机选择的论文中的一个项目,得到问题类型及其各自的性质。知识点,然后随机地从试题库中选择一个问题,即相同的问题和相同的知识点,替换个体的变异。

在上述操作之后,生成新的个体。计算个体适合度,找出当前个体在个体健身中的最高和健身个体的最低值。如果在当前人口中最好的个体的适应度甚至高于迄今为止最佳个体的适应度,则将当前最佳个体的人口作为最佳个体的新日期。从目前最差的人群中替换出最好的个体(10)。GA在试卷作文中不断不断地进行个人体质评价、选择、交叉、变异等无穷大,直到终止条件得到满足,并搜索到最优解或满意解。

结论

随着计算机技术在学习领域的广泛应用,计算机辅助测试越来越受到人们的重视。计算机辅助测试的核心内容是智能组卷,本文采用GA进行智能组卷,GA具有自然选择、优胜劣汰和简单遗传操作,使得GA不受其搜索空间限制性环境的影响。约束条件,不需要额外的支持信息,搜索过程不容易陷入局部最优。可以有效地解决智能组卷的问题,与其他方法相比,可以较早地找到满足人口条件的试卷,使试卷的多样性也产生了时效性。不仅减轻了教师的工作量,而且反映了教师的水平,同时有效地检验了学生的学习效果。

参考文献

[1] L. Zhao, 'Research on Intelligent Composing Test Paper Strategy Based on Genetic Algorithm,' Harbin Engineering University, 2013.

[2] Baidu Encyclopedia, 'Mathematical modeling (branch of Mathematics),' http://baike.baidu.com/link?url=AYDFjW8lvESOXHEDtpgCwo2uTFuO_qIMZCRlwlXU70g4 nHT56aZD2BDMlGI4KkDjxtIUdLZU7LOz4iL_40qgviQ9jiXri5tKlCV-csD-asq, 2015-1-24..

[3] Baidu Encyclopedia, 'The mathematical model (Mathematics),' http://baike.baidu.com/link?url=AYDFjW8lvESOXHEDtpgCwo2uTFuO_qIMZCRlwlXU70g4 nHT56aZD2BDMlGI4KkDjxtIUdLZU7LOz4iL_40qgviQ9jiXri5tKlCV-csD-asq, 2015-1-24.

[4] J. Lu, 'The Research of Intelligent Test Paper Auto-generation Based on An Improved Genetic Algorithm,' Central South University, 2007.

[5] H. Ma, 'Research of Intelligent Test Paper Composition System Based on Genetic Algorithm,' Shenyang University of Technology, 2009.

[6] F. X. Sun, 'Design and Realization of Intelligent Test Paper Auto generating System Based on Genetic Algorithm,' Hebei University of Science and Technology, 2013.

[7] D. Y. Xv, 'An Intelligent Generating Examination Paper Method Based on Improved Genetic Algorithm,' Computer and Digital Engineering, vol. 41, no. 2, pp. 176-178, 2013.

[8] L. Pan, 'Application Method Research of Genetic Algorithms in Automatic Generating Test Pa

剩余内容已隐藏,支付完成后下载完整资料


资料编号:[22828],资料为PDF文档或Word文档,PDF文档可免费转换为Word

原文和译文剩余内容已隐藏,您需要先支付 20元 才能查看原文和译文全部内容!立即支付

以上是毕业论文外文翻译,课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。