遗传算法在线上考试系统中的应用

谭开丽

DOI：10.16660/j.cnki.1674-098X.2107-5640-8032

摘  要：随着互联网技术的发展，在线考试逐渐进入了人们的视野，线上考试能够突破时间和地域的局限性，同时一定程度上也能提高考生考试和教师阅卷的效率，所以使用率也越来越高，受到了众多教育者的喜爱。该系统的主要功能模块是智能组合试卷，针对智能组卷问题，在系统中应用了遗传算法，该应用让使用者操作便捷，系统的性能更加稳定。

关键词：在线考试  遗传算法  智能组卷  互联网技术

中图分类号：TP311.52 文献标识码：A 文章编号：1674-098X（2021）06（b）-0072-03

Application of genetic algorithm in on-line examination system

TAN Kaili

（Shenyang Polytechnic University， Shenyang， Liaoning Province， 110159  China）

Abstract： With the development of Internet technology， online examination has gradually entered people's vision. Online examination can break through the limitations of time and region， and to some extent， it can also improve the efficiency of candidates' examination and teachers' marking. Therefore， the utilization rate is getting higher and higher， and it has been favored by many educators. The main function module of the system is the intelligent combination paper， aiming at the problem of the intelligent composition paper， the genetic algorithm is applied in the system， the application makes the user operate conveniently， the system performance is more stable.

Key Words： Online examination; Genetic algorithm; Smart group volume; Internet technology

近几年，借助互联网的优势以及疫情的不确定性，很多高校和机构都选择在线考试，像驾照、职业资格证、高校的心理测试等都是在线考试的典型案例。它有效的避免了人与人之间的互相接触，可以阻断疫情的传播，实现了无接触考试。使用机器进行阅卷，也可以节约人工成本，教师也可以在电脑端完成主观题的阅卷。在线考试极大地方便了人们的工作和学习，具有很强的发展趋势[1]。

1  基于遗传算法的在线考试系统

1.1 在线考试系统的体系结构

在线考试系统可以完成试卷的组合、考生在线考試和阅卷。在线考试系统分为前台管理和后台管理2个大的功能模块。其中，前台管理的权限给考生和阅卷人，通过登录系统可以进行学习，达标作业、考试，阅卷人可以进行手工评卷。后台管理的权限分配给出题人，出题人可以导入试题，组合试卷以及考试的一些设置。该系统主要功能架构图如图1所示。

1.2 遗传算法概述

遗传算法（Genetic Algorithm， GA）是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法[2]。遗传算法的应用较为广泛，例如，人工智能、机器学习、组合优化、图形图像处理等，所以遗传算法具有很大的发展前景和研究价值。遗传算法的主要执行过程如图2所示。

1.3 遗传算法在线上考试系统的应用

用程序来模拟自然界的物种进化过程是遗传算法普遍的实现方式。在智能组卷的模块中，想要找到最符合约束条件的试卷，可以把每个个体通过编码表示为染色体，根据试卷的约束条件设计适应度值，再经过选择、交叉、变异操作产生新的种群，使种群向更好的解来进化[2]。遗传算法与智能组卷的映射关系如表1所示。

2  遗传算法在智能组卷中的数学模型

2.1 编码方式和初始种群

在创建题库的时候，题库中有不同的题型，例如，单选题、判断题、问答题、计算题等。在智能组卷中，用实数段的方式将试卷中的题号按照题型分组进行编码，使用试题的数量来表示个体编码的长度。每套试卷按照以下方式进行编码，题库中的所有试卷的集合就组成了初始种群[3]。个体编码方式如表2所示。

2.2 适应度函数

适应度函数影响试卷的性能，以此来判断试卷的优劣。影响试卷性能的属性有很多，如：试题的难度、试题的分数、试题通过的分数、题型、题号顺序等，每个属性对试题的约束程度是不同的，所占的权重也是不同的，在此系统中用试题难度和不同题型的分数占试题总分的比例作为函数的自变量[3]。

一个知识点包含很多题目，可以先求出该知识点包含的所有题目的平均难度，平均难度的计算公式为：

（1）

其中，表示覆盖该知识点试题的平均难度，表示每个题的难度，i=1，2，3…N。，N为题目的个数。

期望难度EP等于加上或者减去K值，为方便计算这里K值取0.2。整个题库中所有题目的平均难度计算公式为：

（2）

不同题型的分数占试题总分的比例是否合理的约束条件公式为：

（3）

其中，C表示不同题型的分数占试题总分的比例，S为试题的总分，表示试卷中的题型。

所以适应度函数的计算公式为[4]：

（4）

其中ti表示权重，我们给t1赋值为0.6，t2赋值为0.4。大家可以看出，Fit越小，适应度越高。约束条件还可以根据自己的需要再加，权重也要重新分配[5]。

2.3 选择

平均每个个体被选中的概率本系统采用的选择算子计算公式为：

（5）

3  实验测试与分析

该系统通过eclipse平台进行设计和实现，并通过试题分析的形式对本文的算法有效性进行验证[6]。分析报告从4个方面反映了智能组卷功能的合理性，不同题型的分值构成比例、考试成绩统计结果、分析结果以及分段分布直方图。成绩分析图如图3所示。A1題型占比52.8%，A3题型占比18.9%，B题型占比28.3%，总人数24人，参考人数19，除去未参考人数，90～100分之间的比例最多，说明试卷难度偏低，三种题型知识点的占比合理。

4  结语

本文首先对线上考试系统进行分析和研究，并对遗传算法在本系统的应用进行了简单介绍。后又在此基础上详细介绍了遗传算法在智能组卷应用中的数学模型。并通过eclipse平台对该算法的合理性进行验证。使用遗传算法进行智能组合试卷，提高了系统的性能，让试卷更加科学合理。但是智能组卷的速度有待提高，这将是下一步的研究内容。

参考文献

[1] 邢瑞.基于神经图模型的试题推荐在线考试系统设计与研究[D].吉林：吉林大学，2020.

[2] 杨清林.基于遗传算法的智能组卷考试系统的设计与实现[D].济南：山东师范大学，2020.

[3] 杨玮琪.基于自动组卷的在线学习平台的设计与实现[D].北京：北京交通大学，2019.

[4] 刘雅莉.一种改进遗传算法的自动组卷系统优化研究[J].微型电脑应用，2020，36（8）：28-30，40.

[5] 王倩，李风军.改进的自适应遗传算法及应用[J].重庆师范大学学报：自然科学版，2021，38（2）：14-19.

[6] 杨晓吟.大型在线考试系统负载均衡算法的研究与实践[J].软件，2020，41（6）：27-31.