浅析考试系统中个性化组卷的实现方式

来源:用户上传      作者:

　　摘要：考试的个性化最终体现在组卷的策略上。传统的组卷策略是根据教师预先输入的要求从题库中抽取相应的题目。这种情况下，每个学生拿到的试卷都是一样的，那么，考试的分数以及答题的情况就不能正确地反映出学生掌握知识的情况，也就不能给学生的学习做出正确的指导，考试就失去了它原本的意义。因此，本文从满足学生考试个性化的需求出发，浅析了考试模块中利用了Agent技术实现的考试系统结构，并结合改良的遗传算法，实现个性化组卷的方式。
　　关键词：个性化组卷;Agent;遗传算法
　　中图分类号：TP393 文献标识码：A
　　文章编号：1009-3044（2019）35-0201-03
　　1 Agent技术
　　1.1Agent技术概述
　　分布式计算技术与人工智能技术相结合便产生Agent技术。其中，Agent指的是在分布式计算领域中能持续地、灵活地、自主地活动的计算实体，它具有以下的特征：
　　（1）Agent性：不是代表Agent自身而是代表用户工作，它具有代表他人的能力。
　　（2）自治性：Agent具有某种控制自己的行为以及自身内部状态的能力，即使在没有外部事物或其他Agent直接干预的情况下也可运作。
　　（3）社会性：通过某种语言，Agent之间可交流信息;
　　（4）反应性：Agent可以根据周围环境变化做出及时的响应;
　　（5）能动性：Agent可以接收某些启动信息，行为目标化;
　　（6）智能性：Agent的智能性表现在预定义规则、自学习、智能推理等。
　　1.2Agent技术在因特网上的应用
　　1）信息服务
　　互联网的信息服务产品中使用智能Agent技术，改善了信息服务质量和水平，也解决了信息服务中存在的两个问题“信息过载”“信息迷向”。具体表现在：
　　（1）帮助用户寻找需要的信息或此类信息的代替;
　　（2）根据互联网上的信息资源为用户提出的某方面问题答疑解惑;
　　（3）基于用户需求搜索的信息中筛选出满足条件的部分并以不同形式呈现给用户，如全文摘要标题;
　　（4）给用户呈现在网上的大量原始数据之中整理出来的能反映其中规律的知识。
　　这些方案的实现是因为智能Agent常驻于用户服务器和数据库服务器上。处于用户服务器上的智能Agent会在分析用户的需求之后，联系相关数据库服务器上的智能Agent，通过这些智能Agent去查找信息数据库，然后把查找的结果反馈给用户服务器上的智能Agent。最后，用户会通过用户服务器上的智能Agent看到最终整理检索之后的结果。
　　2）管理网络
　　管理服务器的工作是管理网络。近年来随着网络技术的发展，网络资源、网络域名的迅速增加、网络资源太过分散、客户机与服务器的通信量陡增等因素，导致了仅仅只是管理服务器是没有办法很好地完成网络管理任务。于是，在网络中的每个资源处增加了智能Agent来帮助网络管理，它不用考虑网络资源的位置，监控网上信息流量、自动选择传输路由等。另外，学习功能也是智能Agent所具备的，可通过不断的学习挺高网络管理的水平。
　　3）电子商务
　　不管是Extranet还是Intranet，它们的多智能Agent是可以集成的，许多应用是通过多智能Agent共同合作才实现的。那么，电子商务其实就是多个智能Agent之间在互联网上进行交易的应用。整个买卖过程是通过多个智能Agent的合作下完成的，不需要人與人之间直接交往。简单来描述一下电子商务的过程：卖方智能Agent就是负责呈现推销商品;买方智能Agent就是负责查看、选择、购买商品。在买方智能Agent在线付款以及卖方智能Agent确认金额之后，送货部门就开始给客户送货。
　　4）协同工作
　　企业内大型的信息处理任务都是有各部门人员通过网络写作完成。那么同样，智能Agent技术也可将复杂的任务流程分为各个功能独立的模块，分配给具有相应能力的子智能Agent中进行处理。子智能Agent具有自主性且相互协商，它们可协调完成任务，不管所处理的任务资源是基于什么平台采用什么格式开发的，也不用管资源处在网络的哪个角落。
　　5）网上娱乐以及网上教育
　　虚拟现实可由智能Agent技术构造。智能Agent可构造虚拟人物和虚拟环境，比如就可以构造虚拟教室的环境中有虚拟的教师，虚拟草原上有虚拟的牛羊之类的。这种技术为网上教育提供丰富的教学手段，如考试、作业、答疑等;也增加了网上娱乐的形式与效果，如网上下棋、赛车、打仗等。
　　1.3在Agent技术支持下的考试体系结构
　　在Agent技术支持下的考试体系结构，如图1所示。
　　1）首先，主Agent和组卷Agent在服务器中开始运行，监视用户请求是主Agent的工作，监视组卷请求是组卷Agent的工作;
　　2）学生登录进学习平台，并进入考试模块;
　　3）学生的考试请求被服务器中的主Agent接收并开始响应。学生模型是根据登录学生的账号信息查询到的，接着组卷Agent会收到消息，要求接收学生模型和组卷要求;
　　4）组卷请求被组卷Agent接收之后，学生模型提供的信息被释放，组卷Agent便会根据此信息抽取试题;
　　5）相应的试卷组成之后，生成试卷就被组卷Agent发给了主Agent;
　　6）考试所需信息由考试试卷、说明资料以及系统配置文件资料组成。主Agent把它们打包并加密生成之后载入到IMA（Intelligent Mobile Agent，智能移动代理），并移动到客户机上;
　　7）IMA-进入客户机，界面Agent便开始工作生成界面，考试说明文件以及系统配置文件会告知界面Agent生成包含哪些内容以及样式的考试界面; 　　8）之后便开始考试，由考试过程Agent负责。内置的定时器开始计时，数据记录器开始记录，状态检测器观察考试过程，它们相互配合监视考试的过程。
　　9）考试过程结束之后，试卷评阅Agent开始工作。将数据记录器中记录的学生答案与数据包中的标准答案相互比对来评阅试卷，最后把结果记录到学生模型中;
　　10）评阅工作结束后，成绩回收Agent开始工作。结果回收Agent的任务是从学生模型库中提取并综合相应的成绩和有关的信息，一起打包后放入IMA;
　　11）最后，IMA从客户机移动到服务器上的过程中，有关数据被卸载，并在学生考试成绩信息表中记录结果。
　　由上述考试体系结构的流程说明中可以看出，各种类型的Agent都有自己明确的工作，各司其职的同时又相互协作。相关的Agent会在满足条件的情况下进行工作并构成了一个有机的整体，从而顺利地实现了考试模块的功能。
　　1.4在考试模块中利用Agent技术的优势
　　以往的在线考试系统中存在着一些不足，主要表现在系统的网络传输效率比较低下、安全性功能不强、智能性不高等。但对于基于Agent技术的考试体系结构可完全克服这些不足。由于Agent本身就来源于分布式人工智能（DAI）领域，具有交互性，自主性，反应性，协作性等特征;而且Agent所具有的主动性，可以使系统的界面更加友好，向“所想即所得”方向发展;在多Agent系统中，Agent之间通过Agent通信语言进行交互，有效地降低了系统内各部分之间的依赖性，使系统的稳定性大大增加;利用典型的移动Agent开发平台（IBM Aglet系统）可以设计实现考试模块的功能。
　　2 遗传算法的使用
　　2.1遗传算法的概述
　　遗传算法（Cenetic Algorithm），顾名思义，它是根据自然界中生物进化的规律而演变的一种寻求最优解的搜索算法，它高度并行且具全局性，并且始终遵循着生物界优胜劣汰、适者生存的竞争机制。它的主要特点是不限定求导与函数的连续性，直接操作结构对象;可以很好地在全局范围内寻找最优的解答;在寻优的过程中，搜索空间可被自动获取并被优化，并且在环境变化的情况下自动的被修改等。在机器学习、自适应控制、信号处理和人工生命等领域都会运用到遗传算法的这些性质。它是当今相关智能计算中的关键技术。
　　2.2算法原理及运算过程
　　执行遗传算法类似于模拟生物基因遗传过程。首先，根据规则将“染色体”，进行二进制或其它进制编码。然后在执行遗传算法之前，给出假设一群“染色体”，并将这些假设解放在问题所处的“环境”中，按照生物界优胜劣汰与适者生存的原则，在每一代的演化过程中，会选择适应度大小适合并通过遗传算子的交叉、变异而产生的新的“染色体”的组合，成为问题解的新种群。以此往复，整个过程中后代的种群会比前代更加适应环境，就像自然进化一样的。那么，在末代种群中的出现的最优个体经过解码操作之后，便可以看作是问题的最优解。
　　在遗传操作中，每代种群需要经过选择算子、交叉算子以及变异算子的运算来进行演化，若满足终止条件才能获得最优解，每个过程解释如下：
　　1）选择算子
　　选择算子是从群体中筛选个体，选择优胜的，淘汰劣质的，将优秀的个体传人下一代再次进行演化。
　　2）交叉算子
　　在遗传算法中，交叉算子是其核心作用。在交叉算子運算中，两个父代个体的部分结构被替换重组，新个体便从中产生。
　　3）变异算子
　　变异算子指是把群体中的个体串上某些基因位上的基因值更改。不同的个体的变异有着不同的方式。
　　4）终止条件
　　当演化的新个体的适应度达到给定的值，或者演化的新个体的适应度和新群体适应度不会再上升的时候，或者迭代次数达到了预订好的代数时，算法就会终止。
　　2.3遗传算法的改良设计
　　1）染色体编码及初始群体的设计
　　染色体在编码时为了克服二进制编码带来的例如搜索空间大、编码长度过长等一些问题，改为采用实数编码方案。将一份试卷映射为一个染色体，组成该试卷的每道题的题号作为基因，基因的值直接用试题号表示，每种题型的题号放在一起，按题型分段，在随后的遗传算子操作时也按段进行，保证了每种题型的题目总数不变。这种编码方式避免了非法解的产生并取消了个体的解码时间，提高了求解速度。
　　试卷初始种群不是采用完全随机的方法产生，而是根据总题数、题型比例、总分等要求随机产生，使得初始种群一开始就满足了题数、总分等要求。这样加快遗传算法的收敛并减少迭代次数。
　　2）适应度函数的设计
　　在遗传算法中，以适应值大小来区分群体中个体的优劣。适应度函数反映了染色体与组卷要求之间的差别，是区分优劣个体的一个工具，是指导遗传算法工作的主要信息来源。一般情况下适应值越大的个体越好，适应值越小的个体越差。一个好的适应度函数，可以适当地区分优劣个体，使优秀的个体不至于扩散太快，差的个体不至于很快消失，有利于保持群体的多样性，可以有效地防止群体的早熟。
　　3）遗传算子的设计
　　（1）选择算子。选择算子的作用在于根据个体的优劣程度决定它在下一代是被淘汰还是被复制。通过选择，将使适应度高的个体有较大的生存机会。可以采用轮盘赌方法，它是目前遗传算法中最常用也是最经典的选择方法。
　　（2）交叉算子。在遗传算法中，交叉操作是非常必要的，一方面可以使得优良个体在一定程度上能够保持，另一方面可以探索新的基因空间，从而使群体具有多样性。交换是两个个体按照一定的概率（交换概率为Pc）从某一位开始逐位互换。先在群体中随机地选择两个个体然后在每对个体中随机地选择一个交换点。将以上选出的个体进行两两随机配对，对每一对相互配对的个体采用有条件的“均匀交叉”，即两个配对个体的每一个基因座上的基因都按设定的交叉概率P。进行交换产生两个新个体，条件是这两个新个体仍然是有意义的组合。
　　（3）变异算子。变异是保证群体多样性的一种手段，变异操作是针对单个染色体的操作，根据变异概率Pm有条件的选择一个基因进行变异，由于普通的变异操作可能会使各题型的题目数难以保证，也会使用户指定范围外的题目出现在染色体中，针对这种情况，可以采用有条件的变异算子，即每个个体的每一个基因座上的基因都按设定的变异概率Pm在一定范围内变异，此范围是指：与该基因题型相同，但是知识点与该基因所在的染色体上的其他题的知识点不重复。
　　2.4遗传算法的优势
　　遗传算法的搜索过程不是直接作用在问题的变量上，而是作用在将变量编码后的字符串上，所以遗传算法是一种间接的优化方法而非直接的优化方法;它可以同时搜索解空间内的多个区域，具有内在并行性;遗传算法具有自适应、自组织、自学习等特征。这些良好的特性使得遗传算法不仅具有良好的通用特性，而且能获得较高的效率，故应用广泛。另外，改进的遗传算法执行速度快、效率高，将其用于组卷系统能组成更适应学生实际知识掌握水平的试卷，从而达到组卷的个性化。
　　3 结束语
　　总之，在考试测验模块中，利用了Agent技术配合优化的遗传算法来实现组卷功能，并能根据学生自身的情况生成适合的试卷增加了考试的个性化，从而更深入地体现了课程学习平台的为学生学习服务的设计宗旨。
　　参考文献：
　　[1]易灿.基于移动Agent的智能在线考试系统的设计与实现[J].计算机光盘软件与应用，2013，16（231）：270-271.
　　[2]刘洋.遗传算法在考试系统中组卷算法的研究与设计[J].湖南城市学院学报：自然科学版，2013，22（1）：75-78.
　　【通联编辑：光文玲】
转载注明来源:https://www.xzbu.com/8/view-15123262.htm