技术领域
[0001] 本发明属于考试系统技术领域，特别涉及一种基于动态粒子群的试题优化算法。
相关背景技术
[0002] 近几年，随着大数据和互联网技术的高速发展，人们的学习和考试模式有了较大的改变，在线课程已经成为很多人获取知识和技能的重要途径。MOOK(慕课)是全球最有影响的在线课程模式之一，是由全球多所著名高校发起，并提供了大量优质的在线开发课程。全球的学生可以不出家门就学习到名校的优秀课程，分享到优秀的教育资源。在这种非面授的教育方式中，及时了解每个学生的学习状态和信息就变得尤为重要了。在线考试系统是一种理想的办法，它可以不断地跟踪学生的学习状态，了解他们在开放课学习中遇到的瓶颈。目前，大部分考试系统的开发和维护都是由工程师和教育专家共同协作完成，而且每次工作量巨大，这样的系统很难满足幕课对于考试的要求。由于幕课学习模式的访问量巨大，每天的在线学习量和考试量也是巨大的，如果不能及时对考试系统进行更新和完善，这样的考试系统就无法真实地反映出每个考生的学习状态和学习效果，为此，本发明提出一种基于动态粒子群的试题优化算法。
具体实施方式
[0012] 为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
[0013] 请参阅图1，本发明提供一种技术方案：一种基于动态粒子群的试题优化算法，所述试题优化算法包括算法初始化、优化算法中的评估函数和全局与局部最优值，具体如下：①算法初始化：基于动态粒子群的试题优化算法中，每个粒子代表一组需要优化的参数（也就是试卷中每道试题的参数），这些参数用三维变量表示p=[p111，p112，p113，…，pNSP]，其中参数N表示试卷中试题的类型，S表示不同类型的试题数量，P表示每道试题的不同属性，因此，参数pijk表示第i种题型的第j道试题的第k个属性参数，这些参数的准确性对于组卷质量起到非常重要的作用，是测试结果可行性的重要保证，参数优化的速度信息决定了参数优化的速度，其值会随着优化的深入而不断减少；
②优化算法中的评估函数：基于动态粒子群的试题优化算法中的评估函数用于评估试卷质量，也就是评价试卷中所有试题参数，试题库中第k套试卷用决策变量xk=[x11，x12，…
x13，，xNS]表示，其中xij表示第i种题型中的第j道试题，如果xij=1表示该试题在试卷中，如果xij=0则表示不在试卷中，通过决策变量和参数集就可以评估当前试卷；
试卷评估函数通过难度偏差、区分度偏差、可靠度偏差和时间差别四个方面评价当前试卷，这四个方面分别用符号F1，F2，F3 and F4表示，评估函数的公式表示如（1）所示；
（1）
参数 wi （i=1，2，3，4）分别表示四个属性的重要程度，wi（i=1，2，3，4）的取值范围是0到1之间，且满足公式（2）的限制条件；
（2）
试卷的难度偏差是评估难度和测试难度的绝对差值，其中评估难度是由评估函数计算得出，测试难度是通过试卷结果的分析得出，难度偏差的公示表示如下所示；
（3）
实际难度、区分度和可信度和时间都是通过测试结果的分析得出，这些测试结果是通过不同候选人在不同的时间和地点，通过反复测试不同类型的试题得出；
有效性是评价试卷的重要标准，基于动态粒子群的试题优化算法的评估函数没有把有效性考虑进去，主要是因为考试类型分布、知识范围和能力水平等决定了试卷的有效性，而这些内容已经在组卷过程中所有体现，所以评估函数中没有再考虑有效性这个属性，这样不仅可以避免重复计算，而且可以提升算法的优化速度；
③全局与局部最优值：全局最优和局部最优是粒子群算法中两个重要的元素，它们决定了粒子的优化速度和优化质量，全局最优是粒子群中评估值最高的粒子，一个粒子群只有一个全局最优，局部最优是粒子优化过程中遇到的最优值，每个粒子都会有一个局部最优值；
在基于粒子群的试题优化算法中，全局最优是在难度、区别度和可信度和时间方面绝对值差值最小的粒子，局部最优是每个粒子在优化过程中遇到的最小绝对差值；
传统的粒子群算法中，局部最优是为了强调个体的最优，而不是考虑局部范围内的最优，这种会很容易使最终的优化结果陷入到某个范围内的最优，而不是全局最优，为了这个问题；一种采用基于动态K近邻规则求解局部最优值的新粒子群算法被提出，这种计算局部最优值的新方法是通过计算与当前粒子最优值最接近的K个粒子的平均最优值得到，公式表示如下所示；
（4）
需要说明的是K值并不是一成不变的，K的数量取决于粒子间的差值率，也就是被纳入局部最优值计算的粒子的局部极值与目标粒子的局部极值的差值率需要小于5%，公式表示如下。
[0014] （5）作为本发明的一种优选方式，所述粒子群算法是一种优化算法，粒子群算法在对动物集群活动行为观察基础上，利用群体中的个体对信息的共享使整个群体的运动在问题求解空间中产生从无序到有序的演化过程，从而获得最优解。
[0015] 作为本发明的一种优选方式，所述基于动态粒子群的试题优化算法不仅可以解决组卷评估函数质量低下和考试系统过于依赖教育专家的问题，而且可以保证系统在使用过程中会根据考试情况不断地通过考试结果对相应的试题参数进行调整，避免了试题库的后期维护困难的问题，最终实现考试系统智能化。
[0016] 作为本发明的一种优选方式，所述①算法初始化中的参数的初始化既可以由随机函数完成，其取值范围是0到1之间，也可以由教育专家部分设置。
[0017] 以上显示和描述了本发明的基本原理和主要特征和本发明的优点，对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
[0018] 此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
