论文部分内容阅读
目前,大多智能组卷系统都或多或少的存在着组卷速度慢或成功率低等缺陷,整体水平较低。在智能组卷系统中,如何组建一份满足条件的试卷,其关键问题在于智能组卷算法的设计。因此,分析、研究和改进智能组卷算法有助于提高教学质量。传统的组卷算法通常是基于随机抽取算法或者基于项目反应理论等,但是这些算法普遍存在组卷成功率低、时间消耗大等不足。本文在细菌觅食优化算法和果蝇优化算法的基础上,结合云模型的思想,提出了改进的细菌觅食优化算法和果蝇优化算法,并用于优化智能组卷算法。实验结果表明了这两种智能组卷算法的有效性。其主要研究内容如下:(1)分析了常用的智能组卷算法,概括了这些算法的优点和不足,着重比较了基于遗传算法和基于群智能优化的智能组卷算法的相同点和不同点。总结出了细菌觅食优化算法和果蝇优化算法优化智能组卷算法的可行性。(2)提出了基于云模型的细菌觅食优化算法。在标准细菌觅食优化算法的理论上,首先给出了细菌灵敏度概念,运用了X条件云模型来调整细菌灵敏度,控制游动步长。然后利用正向正态云模型,修正非线性自适应的迁移概率,进行了迁移操作,将该算法用于优化智能组卷算法,与遗传算法进行实验比较分析,结果表明:该算法的收敛速度与优化质量均优于遗传算法,为减少组卷时间和提高组卷成功率提供了可能性。(3)提出了基于正态云模型的自适应果蝇优化算法。在标准果蝇优化算法的理论上,首先给出了敏感因子的概念,运用自适应策略动态调整敏感因子,从而修正了搜索步长,进行了位置更新操作;其次,在正态云模型的基础上,利用了正态云模型描述味道浓度参数的随机性与模糊性,调整了味道浓度参数,进行了嗅觉搜索操作;将该算法用于优化智能组卷算法,与其他果蝇优化算法进行了实验比较分析,证明了该算法在组卷效率及寻优精度上均有所提高。本研究丰富并完善了基于群智能优化的智能组卷算法,为智能组卷提供了一定的理论基础。