基于粒子群算法的组卷系统的研究与实现

摘要
组卷系统的主要任务是根据用户的需要用当前数据库中的试题组成一套符合用户需求的试卷。随着数据库与题量增大，传统采用随机选取和回朔试探法的组卷抽提算法因其抽题时间长，占用的空间复杂度太大，容易陷入死循环而被各种智能抽提算法所代替，其中采用粒子群（PSO）算法来组卷是当前较为先进的一种算法。
本文首先对组卷所要考虑的问题与组卷数学模型进行讨论，通过讨论采用粒子群算法作为组卷抽提算法，在算法试题的难度比例、题型的配比、涵盖的知识点以及认知层次的比例等参数进行了合理地设计。系统采用SQL SERVER为后台数据库，以c#.net为开发语言设计并实现本系统。最后通过仿真实验表明该方法能有效提高组卷抽题效率。
关键词：　　粒子群算法智能组卷收敛速度

Abstract
The main task of paper-compose system is to compose a copy of test paper which should meet the users’ demand from current database.With the growing database and the amount of subject,traditional way of arithmetic,using random select or backtracking heuristics extraction method,as its select time too long,Space complexity it captures too large,and easily get into endless loop,therefor it was replaced by all kinds of intelligent select algorithm.among these algorithms,PSO algorithms is a currently relatively advanced algorithm.
The article firstly discuss the issues we should consider and paper composition’s mathematical model, by discussing the use of particle swarm optimization algorithm for extraction test paper, the proportion of item difficulty in the algorithm, the ratio of kinds of questions, covering the knowledge points and cognition levels and other parameters were the proportion of rational design. System using SQL SERVER as backend database to C #. NET development language for the design and implementation of the system. Finally, the simulation experiments show that the method can improve the efficiency of extracting and test paper.

Keywords： PSO Intelligent Test Paper Convergence rate

目录
摘要 I
Abstract II

绪论 1
1.1 研究背景及意义 1
1.2 国内外当前研究状态 1
1.3 本文的工作 4
1.4 论文结构 4
智能组卷与粒子群算法概述 5
2.1 智能组卷概述 5
2.1.1 组卷问题描述 5
2.1.2 组卷问题的数学模型 6
2.1.3 智能组卷算法的选择 6
2.2 粒子群算法在组卷系统中的应用 7
2.2.1 粒子群算法简介 8
2.2.2 粒子群算法的基本过程 8
2.3 粒子群算法应用于组卷系统的原理 11
智能组卷系统的设计 13
3.1 需求分析 13
3.2 系统结构 14
3.3 数据库设计 16
3.3.1 数据描述 16
3.3.2 概念数据库设计 16
3.3.3 逻辑数据库设计 19
3.4 智能组卷中试卷参数的确定 21
3.5 粒子群算法实现智能组卷的关键技术 22
3.5.1 惯性权重的设计 22
3.5.2 加速因子的确定 22
3.5.3 粒子群数量的选择 23
3.5.4 迭代中止的判定 24
智能组卷系统的实现 26
4.1 开发环境和开发工具 26
4.2 智能组卷系统的主要功能实现 27
4.2.1 用户登录模块的实现 27
4.2.2 添加题目模块的实现 27
4.2.3 题目查看模块的实现 28
4.3 粒子群算法组卷的实现 29
4.4 组卷系统的应用实例 36
4.4.1 用户登录 36
4.4.2 知识点管理 37
4.4.3 题目管理 39
4.4.4 智能组卷 41
4.4.5 现有试卷查看 42
结束语 45
5.1 总结 45
5.2 展望 46
参考文献 47
致谢 49

基于粒子群算法的组卷系统的研究与实现
1.绪论
1.1研究背景及意义
目前，在教育系统中，组卷环节存在的问题十分突出。特别是在中学，反复的测验和模拟考试都离不开试卷，每次考试为了能出一份难易适中，又能体现对能力和知识点全面考察的试卷，教师需花费相当多的时间和精力。即使如此，也很难保证所出的试卷的科学性、合理性，甚至可能会出现试卷偏难或偏易的现象，达不到预期的考察目标。
在这种背景下，一个基于互联网的非接触式、智能型、开放式、跨学科、多层次的通用智能组卷系统应运而生。该系统突破了计算机组卷的随机性设计构架，充分运用人工智能技术解决了包含选择题、判断题、填空题、组合题、计算题和证明题等多种题型在内的智能组卷问题，实现了题目录入、题目管理、试卷管理、试卷分析、手工调整、智能组卷和答案生成等环节的全程微机化和网络化，为教师的工作提供了极大的便利；同时它与网络在线考试的无缝连接，也使之成为网络课程不可缺少的一部分。
在当今网络日益普及的信息时代，组卷系统满足了随时随地、方便快捷开展组卷工作的需求。减轻了广大教师的工作压力，使他们能有更多的精力投入到教学研究中去。该系统以科学的评价标准为依据，采用能力、难度、知识点多向考察的指标体系，从而保证组卷结果的全面性、科学性，因此具有实际的应用前景。

1.2国内外当前研究状态
目前，计算机和网络的应用在各行各业已经很广泛，尤其是在高校。校园网
的建设己逐步完善，大多数学生也己经具备了利用网络进行交流和学习的能力。
但是在教学这个环节中，我们仍然过分依赖于传统的教学模式，对于网络的开发
和应用程度远远不够。即使是网络教学系统，也是大多为静态、无反馈的系统，
很少提供在线考试的功能[1]。
自动组卷系统的研究最早是美国首先于上世纪60年代展开的。计算机辅助
考试(CAT)自诞生以来，经历了近50年的发展，在国外已经得到了非常广泛的应
用。国外已经有很多教育和考试机构采用计算机辅助测试进行考试。其中著名的
有美国思而文学习系统有限公司(Sylvan Learning Systems Inc．)，在全世界五
大洲一百多个国家和地区有其2000多家考试中心。现在大部分的授证机构均通
过思而文公司对参考者进行测试、评估。这其中有信息产业中绝大部分计算机公
司的认证考试，还有其他专业的认证考试如医护人员认证考试，美国飞行员考试
等[2]。80年代，考试系统的应用更一步加大，如美国的TOEFL、GRE和GMAT等考
试均采用了计算机考试系统。在国内对组卷系统也有相当的研究，这其中包括：
南京大学计算机科学与技术系研制了PASCAL题库系统，高教司的重点项目基于
知识点的成卷系统统用外科软件[3]等系统。
遗传算法是霍兰德(Hol land)于1975年在他的著作{Adaptation in Natural
and Artificial systems》中首次提出。遗传算法是模仿生物遗传学和自然选择
机理，通过人工方式构造的一类优化搜索算法，是对生物进化过程进行的一种数
学仿真，是进行计算的一种最重要的形式[4]。其算法起源于达尔文的物竞天择、
适者生存规律。随后在世界范围内引起了广泛的注意并掀起对其的研究热潮，其
中Goldberg成果最为显著。他建立了完整的GA体系，且成功的在搜索、优化及
机器学习等多领域展开应用。特别是基于遗传算法的智能组卷系统已经成为计算
机辅助测试的一个重要组成部分。
国外对于自动组卷问题主要采用随机线性规则的组卷算法[5]，这种方法在算
法上采用结构化设计，实现简单，速度快，但应用不灵活。
国内经常采用的是以下几种策略[6]：
1、优先权策略
优先权策略从数量、题型的平均分数、完成率和累计值与指标值差距四个方
面综合解决了选题组卷开始阶段，由于各项属性都有较大的取值范围，指标间的
牵涉问题反映缓慢，伴随着试题增加取值逐渐缩小的矛盾。
2、随机抽取策略
随机抽取策略是根据组卷指标随机的抽取试题到试卷，此过程不断重复，直
到组卷完毕或己无法从题库中抽取满足指标的试题为止。这种方法结构简单，对
于单道题的抽取运行速度较快，但这种方法的效率不高，最主要的问题是要求试
题库题量大，且要分布良好。用随机法组卷通常需要搜索一段较长的时间，这对于网络考试是不可忍受的。随机策略有两种情况，一是从试题库中随机抽取试题，
然后判断是否符合试卷的约束条件。二是从符合试卷某项要求的试题库子集中随
机抽取试题，然后判断是否符合试卷的其它约束条件。
3、误差补偿策略
误差补偿策略就是在试题生成过程中当不满足约束条件时，适当地放松约束
条件，让试题生成在允许的误差区域内完成。这种策略在允许一定误差的前提下
减少不必要的循环搜索，提高组卷的效率和成功率，解决在实际组卷过程中由于
指标问的相互牵制和试题库题量的有限性容易使计算机的筛选陷入死循环的问
题。
4、回溯试探策略
回溯法是一种“通用的解题法”。属于有条件的深度优先算法，对于约束集R
维数小的组卷模型(即组卷指标简单的试卷)而言，组卷成功率较高。但是这种算
法对内存的占用量很大，程序结构相对比较复杂，而且选取试题缺乏随机性，组
卷时间长。按照上面提到的三种方法选取试题，随着选题数的增加、指标间的约
束增大，选出来的试题可能不是最优的，此时回溯法往往是行之有效的，充分利
用这一方法一般都能成功地生成试卷。但是其组卷速度慢，而且难以满足所有约
束条件[7]。在上面介绍的四种策略虽然对小规模的试题库有着比较好的性能，但
是对于有上万道试题的大型题库存在很大的缺陷，这种缺陷使选题工作具有很大
的盲目性；对组卷指标比较复杂的情况，也不能满足要求。
5、并行策略
解决组卷问题的困难之处在于对指标问进行相互制约。组卷要求同时满足的
约束指标越多，实现起来就越困难。并行策略是将组卷指标按层次分为主并发指
标和弱并发指标。在组卷过程中，优先保证主并发指标的平衡，然后对已经满足
主并发指标的试卷进行调整，使其同时满足弱并发指标。但也存在着试卷生成后
不能同时满足多项约束条件的问题。
针对以上各种方法存在的不足之处，有大量学者对上述算法作出了部分改
进：例如雷国雨等对组卷参数进行编码优化，将约束条件转化为屏蔽码和条件码
完成随机抽取过程[8]；张国才等提出的基于分割策略的随机组卷方法[9]；王萌、
王晓荣等提出了一种集合随机抽选组卷算法，每次抽题均从满足抽取条件的试题
集合中选取最优试题[10]；郝彦、陈丽燕等充分利用题库中试题的基本信息，通过
对题量、试题历史信息及知识点分布的调整和控制实现试题的智能筛选[11]；金汉
均、郑世珏等将众多试题数据进行分段处理，在各段内随机抽取[12]。上述的改进
算法在组卷的效率和成功率有了一定程度的提高，且在一些小规模的组卷系统有
较好的性能表现，但对基于大型题库的多约束条件下的组卷问题仍显得力不从
心，缺乏智能性，不能很好的满足选卷需求。
1.3本文的工作
本文对基于粒子群算法的智能组卷系统进行了研究，主要工作如下：
1、介绍智能组卷问题及其数学模型，并分析智能组卷的主要方法，重点
研究利用粒子群算法进行智能组卷的原理、方法和关键技术。
2、针对传统的粒子群算法应用于组卷系统时容易出现陷入局部最优解等问题，本文对简单粒子群算法的组卷流程、加速系数等关键技术进行了优化设计，并采用带有线性变化的惯性权重的粒子群算法。
3、基于粒子群算法利用ASP．NET MVC2实现了一个智能组卷系统，主要功能包括用户登录验证、添加题目、修改题目、删除题目、添加知识点、修改知识点、删除知识点、历史试卷浏览、智能组卷。
1.1.111.11.21.31.4论文结构
本论文共分五部分，各个部分的主要内容如下：
第一部分主要介绍本课题的研究背景，课题的研究意义以及本人的工作和论文的整体结构。
第二部分介绍了智能组卷以及粒子群算法应用于组卷系统的一般原理，分析了文献中提出的智能组卷中改进粒子群算法的方案。
第三部分详细论述了智能组卷系统的设计思路，提出了粒子群算法组卷的关键技术并且详细论述了本文对关键技术的改进方法。
第四部分给出了智能组卷系统主要功能模块的实现算法，详细介绍了使用粒子群算法进行组卷的具体实现方法，并对算法进行了评价。
第五部分主要总结了本课题研究所做的工作，提出存在的问题并对未来的工作进行了展望。
1.
2.智能组卷与粒子群算法概述
智能组卷以其智能性、客观性等特点在考试组卷中发挥着越来越重要的作用，其中组卷算法是实现智能组卷的关键。粒子群算法同遗传算法类似，是一种基于迭代的优化算法。系统初始化为一组随机解，通过迭代搜寻最优值。但是它没有遗传算法用的交叉(crossover)以及变异(mutation)，而是粒子在解空间追随最优的粒子进行搜索。同遗传算法比较，PSO的优势在于简单容易实现并且没有许多参数需要调整，能很好地满足自动组卷的要求。本部分首先对组卷问题进行描述，并对智能组卷的主要方法进行分析和评述；然后重点介绍利用粒子群算法进行组卷的基本原理以及关键技术。
1.1.2.122.1智能组卷概述
122.11.2.2.12.1.1组卷问题描述
智能组卷是按照教师和教学的要求，由计算机自动从试题库中选择试题，组成符合要求的试卷，它是考试系统智能化或半智能化操作的核心目标之一，是计算机辅助教学的重要组成部分。智能组卷系统首先需要调用相应的组卷策略，设计出符合用户要求和一定约束条件的试卷模式，然后再按试卷模式选取试题组成试卷。组卷过程是在题目分数、难度系数、试题覆盖面、题型比例等约束都满足的条件下，根据经验和考试目的，通过对不同的知识点赋予恰当的题型组合，由计算机从题库中抽出合适的题目组成试卷。组卷问题是一个多重约束条件下的组合优化问题，组卷策略的优劣直接影响着组卷系统的性能。智能组卷涉及组卷模型和组卷方法两个方面的内容。在智能组卷中如何保证生成的试卷能最大程度地满足用户的不同需要，并具有随机性、科学性、合理性等特点是系统设计和实现的关键所在。尤其在交互式环境下用户对于组卷速度、题目多样性、试卷合理性等要求较高，而一个理论上较完美的算法可能会以牺牲时间作为代价，往往还不能达到预期的效果。因此，一个良好的组卷系统对于考生考试来说起着非常重要的作用，而选择一个高效、科学、合理的算法是实现智能组卷的关键。
1.2.2.12.1.12.1.2组卷问题的数学模型
抽题时用户会对试卷质量提出多方面的要求，如总题量、题型比例、章节比例、知识点分布、难度系数、分数分布等．需要建立满足上述条件的试题数据库，每道试题都应该具有5个参数：①题号．试题数据库索引；②内容要求．试题考察知识点所属的章节；③题型．以某种方式来进行考察，一般分为判断题、填空题、选择题、回答题、计算题、证明题；④难度．试题中每道试题的相对难易程度；⑤分数．本题的满分值，试题中所有试题的分数总和为该试题的满分．一道试题主要由上述5个因素决定，其中题号是直接进行编码的信息．一道试题可以作为试题库中一个具体的对象，其有5个私有成员O(x1，x2，x3，x4,x5)，对于一套试卷(如n道试题)，可以表示为

抽题策略实际上可以转换为一个问题求解中的目标状态矩阵，而相应的约束可以表示为：

式中：r，A，m分别为考试课程章节总数、试卷总分数(通常是100分)和考试涉及的所有题型总数；i=1，2，……，n。由此，可以将抽题转换为一个具有多重约束的目标优化求解问题。
1.2.2.12.1.12.1.22.1.3智能组卷算法的选择
智能组卷是保证生成的试卷能最大程度的满足不同用户的不同需要，并具有随机性、科学性、合理性、精确性，这是实现中的一个难点，也是考试系统自动化或半自动化操作的核心目标之一。尤其在交互式环境下用户对于组卷速度要求较高，而一个理论上较完美的算法可能会以牺牲时间作为代价.往往不能达到预期的效果。因此，选择一个高效、科学、合理的算法是自动组卷的关键。以往的自动组卷系统大多采用随机选取法和回溯试探法和遗传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i句为止。该方法结构简单，对于单道题的抽取运行速度较快，但对于整个组卷过程来说组卷成功率低。即使组卷成功，花费时间也较长，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。回溯试探法这是将随机选取法产生的每一状态类型纪录下来，当搜索失败时释放上次纪录的状态类型，然后再依据一定的规律，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。但是在实际到一个应用时发现这种算法对内存的占用量很大，程序结构相对比较复杂，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，因此它也不是一种很好的用来自动组卷的算法。遗传算法(GeneticAlgorithms)以其具有自适应全局寻优和智能搜索技术，并且收敛性好的特性能很好地l茜足自动考试组卷的要求。但是遗传算法需要复杂的许多参数需要调整，搜索不够精确，我们引进粒子群优化算法(PSO)，系统初始化为一组随机解，通过叠代搜寻最优值。优势在于简单容易实现，并且没有许多参数需要调整。目前已广泛应用于函数优化，神经网络训练，模糊系统控制以及其他遗传算法的应用领域，本研究就是把此算法应用于智能组卷系统。
2.2粒子群算法在组卷系统中的应用
粒子群算法，也称粒子群优化算法（Partical Swarm Optimization），缩写为PSO，是近年来发展起来的一种新的进化算法(（Evolu2tionary Algorithm - EA）。PSO 算法属于进化算法的一种，和遗传算法相似，它也是从随机解出发，通过迭代寻找最优解，它也是通过适应度来评价解的品质，但它比遗传算法规则更为简单，它没有遗传算法的“交叉”(Crossover) 和“变异”(Mutation) 操作，它通过追随当前搜索到的最优值来寻找全局最优。这种算法以其实现容易、精度高、收敛快等优点引起了学术界的重视，并且在解决实际问题中展示了其优越性。目前已广泛应用于函数优化，神经网络训练，模糊系统控制以及其他遗传算法的应用领域。
2.2.1粒子群算法简介
从20世纪90年代初,就产生了模拟自然生物群体(swarm)行为的优化技术。Dorigo等从生物进化的机理中受到启发,通过模拟蚂蚁的寻径行为,提出了蚁群优化方法；Eberhart和Kennedy于1995年提出的粒子群优化算法是基于对鸟群、鱼群的模拟。这些研究可以称为群体智能( swarmintelligence)。通常单个自然生物并不是智能的,但是整个生物群体却表现出处理复杂问题的能力,群体智能就是这些团体行为在人工智能问题中的应用。粒子群优化(PSO) 最初是处理连续优化问题的,目前其应用已扩展到组合优化问题[1 ]。由于其简单、有效的特点, PSO已经得到了众多学者的重视和研究。
粒子群优化算法是基于群体的演化算法, 其思想来源于人工生命和演化计算理论。Reynolds 对鸟群飞行的研究发现, 鸟仅仅是追踪它有限数量的邻居, 但最终的整体结果是整个鸟群好像在一个中心的控制之下, 即复杂的全局行为是由简单规则的相互作用引起的。PSO 即源于对鸟群捕食行为的研究, 一群鸟在随机搜寻食物, 如果这个区域里只有一块食物, 那么找到食物的最简单有效的策略就是搜寻目前离食物最近的鸟的周围区域。PSO 算法就是从这种模型中得到启示而产生的, 并用于解决优化问题。另外, 人们通常是以他们自己及他人的经验来作为决策的依据, 这就构成了PSO 的一个基本概念。PSO 求解优化问题时, 问题的解对应于搜索空间中一只鸟的位置, 称这些鸟为“粒子”(particle) 或“主体” (agent) 。每个粒子都有自己的位置和速度(决定飞行的方向和距离) , 还有一个由被优化函数决定的适应值。各个粒子记忆、追随当前的最优粒子, 在解空间中搜索。每次迭代的过程不是完全随机的, 如果找到较好解, 将会以此为依据来寻找下一个解。
2.2.2粒子群算法的基本过程
令PSO初始化为一群随机粒子(随机解),在每一次迭代中,粒子通过跟踪两个“极值”来更新自己:第一个就是粒子本身所找到的最好解,叫做个体极值点(用pbest 表示其位置),全局版PSO中的另一个极值点是整个种群目前找到的最好解,称为全局极值点(用gbest表示其位置),而局部版PSO不用整个种群而是用其中一部分作为粒子的邻居,所有邻居中的最好解就是局部极值点(用lbest表示其位置)。在找到这两个最好解后,粒子根据如下的式(1)和式(2)来更新自己的速度和位置。粒子i 的信息可以用D 维向量表示, 位置表示为Xi = ( Xi1 , Xi2 , . . . , XiD) T , 速度为Vi =( Vi1 , Vi2 , . . . , ViD) T , 其他向量类似。则速度和位置更新方程为
Vkid是粒子i在第k次迭代中第d 维的速度； c1 , c2是加速系数(或称学习因子) ,分别调节向全局最好粒子和个体最好粒子方向飞行的最大步长, 若太小, 则粒子可能远离目标区域, 若太大则会导致突然向目标区域飞去, 或飞过目标区域[2 ] 。合适的c1 , c2 可以加快收敛且不易陷入局部最优, 通常令c1 = c2 = 2 ; rand1 ,2 是[ 0 , 1 ] 之间的随机数;Xkid是粒子i 在第k 次迭代中第d 维的当前位置; pbest id是粒子i 在第d 维的个体极值点的位置(即坐标) ; gbest d 是整个群在第d 维的全局极值点的位置。为防止粒子远离搜索空间, 粒子的每一维速度v d 都会被钳位在[ - Vd max , + Vd max ] 之间,Vd max太大, 粒子将飞离最好解, 太小将会陷入局部最优[2]。假设将搜索空间的第d 维定义为区间[ - Xd max , + Xd max ] , 则通常Vd max = kx d max , 011≤k ≤110 , 每一维都用相同的设置方法。基本PSO 的流程可以描述为:
Step 1 初始化初始搜索点的位置X0i及其速度V0i通常是在允许的范围内随机产生的, 每个粒子的pbest坐标设置为其当前位置,且计算出其相应的个体极值(即个体极值点的适应度值) , 而全局极值(即全局极值点的适应度值) 就是个体极值中最好的, 记录该最好值的粒子序号, 并将gbest设置为该最好粒子的当前位置。
Step 2 评价每一个粒子计算粒子的适应度值, 如果好于该粒子当前的个体极值, 则将pbest设置为该粒子的位置, 且更新个体极值。如果所有粒子的个体极值中最好的好于当前的全局极值,则将gbest设置为该粒子的位置,记录该粒子的序号,且更新全局极值。
Step 3 粒子的更新用式(1)和式(2)对每一个粒子的速度和位置进行更新。
Step 4 检验是否符合结束条件，如果当前的迭代次数达到了预先设定的最大次数(或达到最小错误要求) , 则停止迭代, 输出最优解, 否则转到Step 2 。
PSO 的一些特点:

基本PSO 算法最初是处理连续优化问题的。
类似于遗传算法(GA) PSO也是多点搜索。
3 ) 式(1)的第一项对应多样化 (diversification)的特点，第二项、第三项对应于搜索过程的集中化(intensification)特点,因此这个方法在多样化和集中化之间建立均衡[1]。
PSO有全局版和局部版两种,全局版收敛快,但有时会陷入局部最优。局部版PSO 通过保持多个吸引子来避免早熟,假设每一个粒子在大小l的邻域内定义为一个集合

从Ni中选出最好的,将其位置作为lbest代替公式中的gbest,其他与全局版PSO相同。实验表明,局部版比全局版收敛慢,但不容易陷入局部最优[3]。在实际应用中,可以先用全局PSO找到大致的结果,再用局部PSO进行搜索。
PSO的程序伪代码如下：
For each particle
Initialize particle
END
Do
For each particle
Calculate fitness value
If the fitness value is better than the best fitness value (pBest) in history
set current value as the new pBest
End
Choose the particle with the best fitness value of all the particles as the gBest
For each particle
Calculate particle velocity according equation (a)
Update particle position according equation (b)
End
While maximum iterations or minimum error criteria is not attained
1.2.2.12.22.2.12.2.22.3粒子群算法应用于组卷系统的原理
用户在组卷时会有一些试卷的要求，例如题型、题目数量、各难度所占分值、各知识点所占分值等。当由用户填写完这些条件后，粒子群先初始化一群随机粒子，然后将每个粒子里的值和用户所填的数值代入适应度函数里分别计算适应值，在迭代次数里不断地寻找适应值最小的，然后同时更新其他粒子的位置。最后找出的值将会是最接近用户所要求的结果。具体流程如下图所示：
、

3.智能组卷系统的设计
3.1需求分析
本系统是为了节约教师日常教学所花费的时间而开发的，下面从三个方面分析系统的需求：
首先，为了提高教学质量，检验教学成果，出于一个教师担任多个专业的授课，这些专业虽然有些课程的设置相同，但课程要求以及考试的难度都有一定的差别。所以考试组卷时，针对不同的专业一门课程有时需要根据知识点和难度等条件的不同出几份试卷，教师感到出卷考试的吃力及时间的浪费，急需采用一种更加科学更加便捷的组卷方式；
其次，教学中存在着多名教师讲授同一门课程的情况，考试采用人工组卷时，由于每个教师对所教课程的理解不一样，每个教师所出的题目都有各自的侧重点，这样不能很好地考查学生对该课程的掌握程度，也会影响到考试的公平与公正性，不利于检验和提高教学质量；
再次，为了满足考试公平性的需要，考试组卷时有时需要组出几份指标相同，但题目的内容不同或者题目的顺序不同的可比性试卷，这样可以有效地杜绝考试作弊现象。
正是基于上述多方面的需求考虑，本人设计了这个智能组卷系统，希望能够方便教学的考试组卷环节。本系统总体上应该满足如下原则：
1．通用性。由于系统要面向学校几乎所有专业，要求类似的所有课程均能使用，并能够按课程管理。
2．灵活性。有些方面的设置会随着教学的发展而改变，为了使系统能适应这些改变而不用开发不必要的新版本，所以要求对一些项目的设置可以根据需要进行更改。如：知识点的划分、试题难度分类、题型、试卷分值等。
3．易用性。好的界面是一个实用系统成功的条件之一。由于用户与界面需要直接交互，用户操作界面同样会影响用户的工作效率，因此要求界面设置合理、功能设置切合实际需要，操作简单，一看就知道如何上手使用。
4．稳定性。本系统基于B/S模式，其运行需要多方面的支持，例如Web服务器，数据库服务器及客户端的浏览器，这就要求服务器的搭建，以保证运行稳定，使用流畅。
1.2.3.3.13.1.13.2系统结构
智能组卷系统可以方便授课教师出题，使办公电子化、自动化，采用这套系统后，既大大提高了教师的工作效率，又保证了所出试题的公平性和准确性。本系统采用B/S结构，将用户界面、功能模块与数据分层处理，这样既可以减少子系统间的相互依赖性，降低了编码的复杂性，同时也便于将来用户的功能扩充，更有利于系统的维护。系统的总体结构如图3-1所示。
。。。。。。。。。。。。。。
。。。。。。。。。。。。。。。

。。。。。。。。。。。。。。。。。。。。。。。
论文全部下载地址：点击链接》》》》

基于粒子群算法的组卷系统的研究与实现相关推荐

粒子群算法组卷_概率表示的二进制粒子群算法在组卷中的应用
概率表示的二进制粒子群算法在组卷中的应用于庆梅 ; 杨争争 ; 雷景生 ; 刘怡乐 [期刊名称] <计算机仿真> [年 ( 卷 ), 期] 2012(029)009 [摘要] In or ...
【微电网优化】基于粒子群算法求解混合储能系统容量优化问题含Matlab源码
1 简介为了提高供电的稳定性.可靠性,实现日夜发电,在太阳能.风能资源比较丰富的区域,建立风能.太阳能互补发电系统.但是由于系统投入成本过高,风.光又存在间歇性和不稳定性等问题,需要配置储能系统来平 ...
混合储能系统容量优化MATLAB程序基于粒子群算法
混合储能系统容量优化MATLAB程序基于粒子群算法 (1)该程序为基于粒子群算法的混合储能系统容量优化程序,中文核心期刊论文源程序,配有该论文,再给一篇类似的参考论文. (2)该程序中混合储能系统为蓄 ...
【配电网重构】基于粒子群算法实现配电网重构含Matlab源码
1 简介随着大规模,跨区域的配电网不断发展,对配电网运行的经济性和可靠性要求越来越高,在配电网发生大范围停电事故后,需要对配电网的拓扑结构进行重新组合,从而达到恢复供电的目的,这个重新组合配电网拓扑 ...
粒子群课设_GitHub - LIYAJUN2018/tscss: 基于粒子群算法的中职自动排课系统
kvf-admin kvf-admin是一套快速开发框架.脚手架.后台管理系统.权限系统,上手简单,拿来即用.为广大开发者去除大部分重复繁锁的代码工作,让开发者拥有更多的时间陪恋人.家人和朋友. 后端 ...
《基于改进粒子群算法的混合储能系统容量优化》完全复现
<基于改进粒子群算法的混合储能系统容量优化>完全复现 matlab. 以全生命周期费用最低为目标函数,负荷缺电率作为风光互补发电系统的运行指标,得到蓄电池储能和超级电容个数,缺电率和系统最 ...
基于粒子群算法的混合储能容量配置matlab 以风光互补发电储能系统为背景，以年运行成本最低为目标
基于粒子群算法的混合储能容量配置matlab 以风光互补发电储能系统为背景,以年运行成本最低为目标,根据负荷和发电量的缺额等制定超级电容和蓄电池配置方案,采用粒子群算法得到蓄电池和超级电容的个数,有详 ...
基于粒子群算法优化的Elman神经网络数据预测-附代码
基于粒子群算法优化的Elman神经网络数据预测 - 附代码文章目录基于粒子群算法优化的Elman神经网络数据预测 - 附代码 1.Elman 神经网络结构 2.Elman 神经用络学习过程 3.电 ...
基于粒子群算法的冷热电三联供综合能源系统优化调度
基于粒子群算法的冷热电三联供综合能源系统优化调度摘要:本代码建立了微型燃气轮机冷热电三联供系统模型,综合考虑天然气的消耗.燃气轮机的运行维护.购电费用.排污处理费用,将四部分费用之和作为目标函数,采 ...

基于粒子群算法的组卷系统的研究与实现

基于粒子群算法的组卷系统的研究与实现相关推荐

最新文章

热门文章