国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

基于蟻群算法的智能測(cè)評(píng)系統(tǒng)開發(fā)

2019-06-11 09:54蘇楠
電子技術(shù)與軟件工程 2019年7期
關(guān)鍵詞:區(qū)分度信息熵算子

文/蘇楠

1 國(guó)內(nèi)外智能測(cè)評(píng)系統(tǒng)的研究分析

國(guó)外研究現(xiàn)狀:西方教育對(duì)考試環(huán)節(jié)十分重視,測(cè)評(píng)系統(tǒng)的開發(fā)起源于國(guó)外,在90年代初,就制定了相關(guān)的測(cè)評(píng)規(guī)則與辦法,在測(cè)評(píng)系統(tǒng)開發(fā)領(lǐng)域中處于領(lǐng)先地位。在應(yīng)用領(lǐng)域,國(guó)外的很多部門與機(jī)構(gòu)都對(duì)測(cè)評(píng)系統(tǒng)給予關(guān)注,采用了在線測(cè)評(píng)的這種測(cè)試方式。被人們所熟知的有出國(guó)留學(xué)必須進(jìn)行的語言水平測(cè)試(例如雅思)就是通過在線測(cè)試的方式進(jìn)行的,計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)架構(gòu)師和思科認(rèn)證也是通過設(shè)置相應(yīng)考點(diǎn),進(jìn)行在線測(cè)評(píng)完成的。這些都對(duì)測(cè)評(píng)系統(tǒng)的發(fā)展起到了促進(jìn)作用。在智能算法的測(cè)評(píng)系統(tǒng)開發(fā)過程中,國(guó)外也只經(jīng)歷了不到二十年的發(fā)展時(shí)間,還存在著相應(yīng)的發(fā)展空間。

國(guó)內(nèi)發(fā)展現(xiàn)狀:國(guó)內(nèi)的在線測(cè)評(píng)系統(tǒng),主要應(yīng)用于教育行業(yè),尤其是在高等院校之中。高等院校受信息化技術(shù)影響,打造自身的網(wǎng)絡(luò)環(huán)境,并且實(shí)現(xiàn)了網(wǎng)絡(luò)平臺(tái)的教務(wù)工作管理和網(wǎng)絡(luò)平臺(tái)測(cè)試系統(tǒng)。高校每年都要進(jìn)行多門課程的考核,在線測(cè)評(píng)系統(tǒng)能夠滿足大多數(shù)課程的考核需求,也能節(jié)約資源開銷。所以受到廣泛應(yīng)用。但是在其它行業(yè)中,測(cè)評(píng)系統(tǒng)應(yīng)用很少,在招聘中在素質(zhì)選拔技能選拔中,通過測(cè)評(píng)系統(tǒng)來完成的,更是寥寥無幾。從應(yīng)用領(lǐng)域來說有待加強(qiáng)。從實(shí)現(xiàn)水平來講,很多高校的測(cè)評(píng)系統(tǒng)只能滿足簡(jiǎn)單的客觀化試題考試,沒有實(shí)現(xiàn)硬件擴(kuò)展也很少使用算法來體現(xiàn)自動(dòng)組卷的價(jià)值。

本文嘗試使用的蟻群算法和遺傳算法融合的方式,通過對(duì)試卷難度的控制,實(shí)現(xiàn)試卷的價(jià)值。同時(shí)利用建立區(qū)分度公式,來嘗試實(shí)現(xiàn)優(yōu)秀以及中等和偏弱學(xué)生的學(xué)習(xí)情況區(qū)分。而兩種算法融合方法的目的,是利用兩種算法各自的優(yōu)點(diǎn),提升組卷速度提升成功率。因?yàn)橄伻核惴ㄔ诔跗诘穆窂竭x擇中,缺乏有效的選擇方式,選擇速度慢,(后文詳細(xì)介紹)而利用遺傳算法可以提升路徑選擇速度。通過兩種算法的融合,提升組卷質(zhì)量,實(shí)現(xiàn)組卷目標(biāo)。

2 蟻群算法與遺傳算法融合思想闡述

2.1 算法在智能測(cè)評(píng)系統(tǒng)中的作用

本文算法在智能測(cè)評(píng)系統(tǒng)中主要針對(duì)試卷的自動(dòng)生成產(chǎn)生作用,從淺入深的作用依次為:第一點(diǎn),滿足試卷的最基本約束條件,也就是符合針對(duì)試卷而設(shè)計(jì)的總分、試題類型、分?jǐn)?shù)數(shù)值、試題數(shù)量等等,最基本的設(shè)置要求。第二點(diǎn),保證試題的難度覆蓋區(qū)域,使得試題難度更加具有價(jià)值,避免過于簡(jiǎn)單或者難度過大的題目集中的出現(xiàn)。第三點(diǎn),增強(qiáng)試卷的區(qū)分度,在保證題目難度偏移不集中現(xiàn)象出現(xiàn)基礎(chǔ)上,體現(xiàn)試題的區(qū)分度,讓優(yōu)秀、中等、較差的學(xué)生通過智能測(cè)試,找到差距,教師對(duì)學(xué)生的學(xué)習(xí)狀態(tài)能夠很好的區(qū)分。第四點(diǎn),保證試卷生成的成功率。

2.2 蟻群算法簡(jiǎn)介

2.2.1 蟻群算法基本思想

蟻群算法思想借鑒于生物學(xué),人們發(fā)現(xiàn)螞蟻在尋覓食物并搬運(yùn)的過程中,總能找到相應(yīng)的優(yōu)選路徑,并且很少出現(xiàn)搬運(yùn)擁塞的現(xiàn)象。經(jīng)過研究發(fā)現(xiàn),這是螞蟻可以分泌一種信息熵的緣故,這種特定的信息熵,具有特殊的氣味能夠被螞蟻所識(shí)別,同時(shí)這種信息熵會(huì)伴隨時(shí)間進(jìn)行揮發(fā)。

如圖1:起點(diǎn)為A,M,N代表不同選擇的路徑集合,即為選擇M處會(huì)經(jīng)過的所有路徑和從N處會(huì)經(jīng)過的所有路徑。設(shè)置時(shí)間t,則M處通過時(shí)間為t1,N處通過為t2,我們會(huì)發(fā)現(xiàn)t1,t2中較小者會(huì)逐漸被選中。初始狀態(tài)根據(jù)概率分析,假設(shè)兩邊路徑集合通過的數(shù)量相同,但經(jīng)過足夠長(zhǎng)時(shí)間單位tC后,時(shí)間短的路徑集合通過的螞蟻數(shù)量不斷增多。一方面時(shí)間短,說明路徑短,多次循環(huán)通過的數(shù)量會(huì)形成倍數(shù)量級(jí)。另一方面,通過的螞蟻數(shù)量多,信息熵分泌多,揮發(fā)時(shí)間短會(huì)造成濃度的提升,從而成為優(yōu)選解。

圖1

2.2.2 蟻群算法優(yōu)缺點(diǎn)

從算法說明處可以分析出算法具有以下優(yōu)點(diǎn):第一點(diǎn),從計(jì)算機(jī)算法實(shí)現(xiàn)角度來分析,蟻群算法優(yōu)選解的計(jì)算是一種分布式算法,從前文圖例說明原理也可以看出。因此利于大規(guī)模運(yùn)算的實(shí)現(xiàn)。第二點(diǎn),收斂速度快,正反饋機(jī)制:蟻群算法從信息熵的濃度來進(jìn)行辨別,濃度高,被選擇概率高,同時(shí)選擇概率高又不斷增強(qiáng)濃度,是一種正向的反饋機(jī)制。正反饋機(jī)制的特點(diǎn)就是收斂速度快。第三點(diǎn),魯棒性能突出,這在蟻群算法在多個(gè)領(lǐng)域都得到應(yīng)用就可以看出,模型適用性強(qiáng),便于修改與應(yīng)用。第四點(diǎn),是以集合形式出現(xiàn),利于求出優(yōu)選集合,便于實(shí)現(xiàn)全局化算法。

缺點(diǎn):從算法思想闡述我們也可以看出,算法要嘗試實(shí)現(xiàn)的話,在算法初期,信息熵濃度的積累需要較長(zhǎng)時(shí)間,應(yīng)用于算法中也就是初期的算法搜索時(shí)間長(zhǎng),算法時(shí)間復(fù)雜度高。同時(shí)也容易出現(xiàn)路徑選擇,問題優(yōu)解針對(duì)個(gè)體難以區(qū)分,或者算法收斂過快,造成算法無法繼續(xù)。處于停止?fàn)顟B(tài)。

從思想實(shí)例出發(fā),說明可能存在的問題,假設(shè)圖1中對(duì)于路徑的選擇,信息熵選擇方法重要權(quán)值為X,新路徑啟發(fā)重要權(quán)值為Y。也就是說,當(dāng)路徑選擇或者最優(yōu)解中,X數(shù)值很高,則信息熵濃度為最重要。反之若Y數(shù)值高,則新路徑選擇優(yōu)先。我們考慮臨界狀態(tài)。如果Y數(shù)值高而X數(shù)值是0,那么就代表無論信息熵濃度多高,某路徑經(jīng)過多少螞蟻,這個(gè)解都會(huì)被放棄,而去尋求新路徑中,距離最近的解,這就等同于貪婪算法的實(shí)現(xiàn)。反之,如果X數(shù)值高,新路徑Y(jié)數(shù)值為0,那么就是一個(gè)完全的信息熵路徑選擇,高速的正反饋,極快的收斂,容易形成局部的錯(cuò)解,不適用于全局優(yōu)化的求解過程。

2.3 算法融合的分析

兩種算法進(jìn)行融合的目的明顯,是兩用兩種算法各自的優(yōu)點(diǎn),實(shí)現(xiàn)降低試卷生成的時(shí)間復(fù)雜度,縮短試卷生成時(shí)間,并提升精度。蟻群算法的缺點(diǎn)是初期的信息熵的搜索時(shí)間長(zhǎng),而通過遺傳算法隨機(jī)性,縮短初期的積累時(shí)間,獲得一個(gè)相對(duì)的前期優(yōu)解,再使用蟻群算法,發(fā)揮分布計(jì)算和正反饋機(jī)制的特點(diǎn)提升精度。

兩種算法都具有一定的融合性,那么融合位置的選擇較為重要,根據(jù)算法融合發(fā)揮的作用,可以用以下方法實(shí)現(xiàn)融合位置的計(jì)算。首先具體設(shè)置算法中的迭代次數(shù)臨界值(最大與最?。龠M(jìn)行子代群體的最小進(jìn)化率的計(jì)算,并設(shè)置最小進(jìn)化率。如果在算法應(yīng)用過程中,發(fā)現(xiàn)實(shí)際進(jìn)化率大于我們的最小進(jìn)化率設(shè)置數(shù)值,則遺傳算法效率依然為較快,繼續(xù)進(jìn)行迭代計(jì)算,如果出現(xiàn)多次的一直連續(xù)的小于設(shè)置值現(xiàn)象,則遺傳算法作用完成,切入蟻群算法,利用正反饋機(jī)制提升精度,進(jìn)一步進(jìn)行計(jì)算。

3 算法融合智能測(cè)評(píng)系統(tǒng)試卷指標(biāo)

篇幅有限,這里進(jìn)行重要試卷指標(biāo)說明,并簡(jiǎn)單介紹算法中的一些計(jì)算模型。

試卷難度指標(biāo):

從難度指標(biāo)公式不難看出,這是每到試題的難度權(quán)值與分?jǐn)?shù)的乘積,再除以分?jǐn)?shù)和。其中,di為難度,si為分值,最終求得試卷的難度系數(shù)。

試卷區(qū)分度:試卷的區(qū)分度,體現(xiàn)試題的價(jià)值,通過學(xué)生對(duì)試卷的得分概率來體現(xiàn),區(qū)分度用T代表:T=Hp-Lp,也就是高分成績(jī)獲得數(shù)量與低分成績(jī)獲得數(shù)量的得分率差值,一般情況下,區(qū)分度數(shù)值較大代表試卷區(qū)分度高,質(zhì)量佳。

試卷信度:也就是通過算法生成的試卷的質(zhì)量可信度,這是對(duì)算法生成的試卷能否穩(wěn)定的組卷成功,試卷能夠滿足考試要求,試卷質(zhì)量的一個(gè)總體評(píng)估指標(biāo):

其中r為所求信度,n是具體的題目數(shù)量,P是該題得分率,s2為得分方差

4 算法融合組卷的算法模型與算法設(shè)計(jì)

4.1 蟻群算法數(shù)學(xué)模型

在蟻群算法模型中,P就是路徑選擇的相對(duì)概率,S就是引入的信息熵。從公式意義看出,S信息熵的數(shù)值決定了選擇新路徑的概率,也就是當(dāng)數(shù)值大的時(shí)刻,那么下一個(gè)路徑被選擇的概率很大,反之,就很小。當(dāng)螞蟻選擇的最優(yōu)路徑趨向相同,同時(shí)信息熵達(dá)到一個(gè)很小的臨界數(shù)值的時(shí)候,也就說明了算法完成,解被求出。

4.2 遺傳算法與蟻群算法融合流程描述

初始化過程:確定試卷的基本約束條件以及簡(jiǎn)單參數(shù)以及試題模型

采用遺傳算法對(duì)試題進(jìn)行第一步優(yōu)解,并不斷是否達(dá)到融合臨界點(diǎn)。(融合臨界點(diǎn)確定方法前文有明確介紹),當(dāng)達(dá)到臨界點(diǎn)的時(shí)候,退出遺傳算法。

采用蟻群算法,并把遺傳算法的初步優(yōu)解應(yīng)用在初始信息分布中,解決初期信息熵搜素時(shí)間長(zhǎng)的問題。

采用確定的蟻群算法模型,進(jìn)行相應(yīng)的數(shù)學(xué)運(yùn)算

最終輸出:成功試卷。

4.3 算法設(shè)計(jì)過程

4.3.1 遺傳算法設(shè)計(jì)

編碼設(shè)計(jì):采用二進(jìn)制編碼模式,產(chǎn)生編碼矩陣,對(duì)染色體進(jìn)行編碼0代表未曾選中,1代表選中

選擇算子、交叉算子與變異算子:可以說這三個(gè)算子的設(shè)計(jì)過程就是一個(gè)遺傳算法的簡(jiǎn)單過程。選擇算子的含義就是對(duì)染色體進(jìn)行挑選,選出適合算法的優(yōu)秀個(gè)體。目前流行的算法毫無疑問是輪盤賭算法。這里不多做說明。交叉算子,通過染色體隨機(jī)交叉的方式,通過數(shù)學(xué)方法產(chǎn)生下一代的算子,也就是繁衍優(yōu)秀下一代的方式。而算子交叉的方法很多,交叉算子的數(shù)值在0.5左右區(qū)間為適宜。變異算子,顧名思義,有遺傳就有變異,只有變異才可能發(fā)現(xiàn)更多的優(yōu)秀下一代群體。那么針對(duì)二進(jìn)制的染色體編碼方式,通過某些位置的邏輯反操作,可以實(shí)現(xiàn)變異。

參數(shù)考慮:也就是遺傳算法中各個(gè)參數(shù)的設(shè)置合理性。首先群體的數(shù)量,要根據(jù)題庫內(nèi)試題數(shù)量而定。迭代次數(shù)要適中,過大會(huì)產(chǎn)生大量消耗,過小難以產(chǎn)生真正的初期優(yōu)解。這里可以設(shè)置120次。同時(shí)設(shè)置交叉概率與變異概率。交叉概率建議為0.55。

4.3.2 蟻群算法設(shè)計(jì)

第一步,參數(shù)初始化。

第二步,將螞蟻分配到不同的路徑當(dāng)中,產(chǎn)生列表。

第三步,進(jìn)行螞蟻選擇下一路徑的概率計(jì)算,不同螞蟻對(duì)路徑的選擇不能重復(fù)。

第四步,群體走完路徑后,重新回到起點(diǎn),通過蟻群算法數(shù)學(xué)模型進(jìn)行信息熵公式計(jì)算。

第五步,再次進(jìn)行第三步和第四步。

第六步,當(dāng)符合信息熵條件終止條件后,獲得優(yōu)解。

猜你喜歡
區(qū)分度信息熵算子
基于信息熵可信度的測(cè)試點(diǎn)選擇方法研究
擬微分算子在Hp(ω)上的有界性
各向異性次Laplace算子和擬p-次Laplace算子的Picone恒等式及其應(yīng)用
淺談試卷分析常用的幾個(gè)參數(shù)及其應(yīng)用
一類Markov模算子半群與相應(yīng)的算子值Dirichlet型刻畫
基于信息熵的實(shí)驗(yàn)教學(xué)量化研究
一種基于信息熵的雷達(dá)動(dòng)態(tài)自適應(yīng)選擇跟蹤方法
Roper-Suffridge延拓算子與Loewner鏈
淺觀一道題的“區(qū)分度”
基于信息熵的IITFN多屬性決策方法