【導(dǎo)讀】進(jìn)行試卷管理和測(cè)試，能夠切實(shí)的減輕教師和考生的負(fù)擔(dān)，提高教學(xué)效率。和下一步的開(kāi)發(fā)方向。主要內(nèi)容和研究意義·········································1. 論文的組織結(jié)構(gòu)···············································3. 試卷管理系統(tǒng)研究現(xiàn)狀與發(fā)展趨勢(shì)··········&#18

　　

【正文】 會(huì)很復(fù)雜，而且該方法在空間復(fù)雜度和程序設(shè)計(jì)方面都很復(fù)雜，所選的試題沒(méi)有隨機(jī)性，組卷效率低。 3. 基于專家系統(tǒng)的組卷 算法 專家系統(tǒng)是一種能夠依靠大量的專門(mén)知識(shí)解決特 定領(lǐng)域中復(fù)雜問(wèn)題的計(jì)算機(jī)智能軟件系統(tǒng)。專家系統(tǒng)的特點(diǎn) 之一就是 能夠進(jìn)行符號(hào)操作，用符號(hào)來(lái)表示知識(shí)，它把問(wèn)題概念表示成符號(hào)集合。在組卷系統(tǒng)中的專家系統(tǒng)需要構(gòu)建一個(gè)知識(shí)庫(kù)用來(lái)存放諸如不同的科目、不同的考試性質(zhì)和時(shí)間等組卷知識(shí)信息，此外，還要構(gòu)建一個(gè)推理機(jī) 制 來(lái)根據(jù)一定的推理策略從知識(shí)庫(kù)中選取相關(guān)的知識(shí)，對(duì)用戶提供的信息進(jìn)行推理，直到得出相應(yīng)的結(jié)論為止。組卷時(shí)，用戶輸入組卷參數(shù)， 使用 推理機(jī) 制進(jìn)行推理匹配，從 組卷知識(shí)庫(kù)中獲得試卷模型，并按產(chǎn)生的隨機(jī)數(shù)在同一類試題中選擇試題，最后輸出組卷結(jié)果 [20]。 這種組卷算法需要建 立一個(gè)龐大的知識(shí)庫(kù)，同時(shí)推理機(jī) 制 的設(shè)計(jì)和實(shí)現(xiàn)也很復(fù)雜，難以滿足快速組卷的要求。 4. 啟發(fā)式搜索法 隨機(jī)化啟發(fā)式搜索法 [19]是建立在人工智能和一定的概率模型基礎(chǔ)上的一種有效算法 。在搜索的前幾步中采用隨機(jī)抽題法，當(dāng)搜索進(jìn)入死結(jié)點(diǎn)時(shí)，采用 以下 的方法作啟發(fā)后 再進(jìn)行搜索： 首先將造成死結(jié)點(diǎn)的狀 態(tài)類型記錄下來(lái)，然后回溯走過(guò)的路徑，將與該狀態(tài)有關(guān) (指某分量相同 )的元素全部釋放，將剩下的無(wú)關(guān)元素重新構(gòu)成一 條 路徑，然后根據(jù)啟發(fā)函數(shù)的最小值確定下一個(gè)結(jié)點(diǎn)，啟發(fā)函數(shù)定義為新元素狀態(tài)類型與記錄死結(jié)點(diǎn)元素狀態(tài)類型分量相同的個(gè)數(shù)。 啟發(fā)式 搜索法的組卷成功率高，能夠滿足較復(fù)雜的組卷要求，但是其程序設(shè)計(jì)復(fù)雜，組卷速度慢。 5. 遺傳算法 [2126] 遺傳算法 （ Geic Algorithm） 是 目前在組卷系統(tǒng)設(shè)計(jì)領(lǐng)域受到廣泛關(guān)注和研究的算法，它最早是由美國(guó)密西根大學(xué)的 Holland 教授 在六十年代 提出， 在進(jìn)行了一系列研究后，八十年代由 Goldberg 進(jìn)行歸納總結(jié)，形成了遺傳算法的基本框架，其 具有簡(jiǎn)單通用、收斂速度快、全局尋優(yōu)等特點(diǎn)，且適用于并行處理 ，目前在計(jì)算機(jī)科學(xué)、神經(jīng)網(wǎng)絡(luò)、信號(hào)處理、人工網(wǎng)絡(luò)等領(lǐng)域已經(jīng)得到了廣泛的運(yùn)用。 它是一種模擬自然界的 遺傳和進(jìn)化而形成的一種自適應(yīng)的啟發(fā)式的蒙特卡羅反演算法，它能有指導(dǎo)性的進(jìn)行隨機(jī)化的搜索， 適用 于解決復(fù)雜目標(biāo)的非線性問(wèn)題。遺傳算法處理的是基因型個(gè)體， 一定數(shù)量的個(gè)體組成群體，群體中個(gè)體的數(shù)目為群體規(guī)模 [24]。 遺傳算法中通常 具 有一個(gè)目標(biāo)函數(shù)與生存環(huán)境相對(duì)應(yīng)，由 這個(gè)目標(biāo)函數(shù) 來(lái)確定各個(gè)個(gè)體的適應(yīng)度。在遺傳算法中需要進(jìn)行數(shù)據(jù)轉(zhuǎn)換操作，一個(gè)是表現(xiàn)型到基因型的轉(zhuǎn)換 ， 把問(wèn)題空間的參數(shù)轉(zhuǎn)換成遺傳空間中的 基因型個(gè)體； 另一個(gè)是基因型到表現(xiàn)型的轉(zhuǎn)換，它 將 執(zhí)行相反的操作。 Goldberg 總結(jié)了一套基本遺傳算法 （ Simple Geic Algorithm） ，這套算法只使用選擇算子、 交叉算子和變異算子等三種基本遺傳算子，遺傳過(guò)程簡(jiǎn)單， 這個(gè)算法 也為其他的遺傳算法提供了一個(gè)基本的框架。 遺傳算法的基本 過(guò)程如下： 1) 產(chǎn)生初始群體，隨機(jī)地 （ 通常均勻地 ） 產(chǎn)生 若干 個(gè)個(gè)體，每個(gè)個(gè)體看作是一個(gè) 基因型個(gè)體 ， 這若干 個(gè) 基因型個(gè)體 組成一個(gè)群體 ； 2) 對(duì)群體中每個(gè)個(gè)體計(jì)算它的適應(yīng) 度； 3) 通過(guò)選擇和復(fù)制操作從群體中選出所需要的個(gè)體， 這里通常采用輪盤(pán)賭選擇法即適應(yīng)度比例法，而且通常需要多輪選擇，然后將選出的個(gè)體 放入到交配緩沖池中 ； 4) 對(duì)交配池中的 個(gè)體使用交叉和變異算子 仿照生物學(xué)中雜交的原理， 形成下一代群體中的 N 個(gè)體，并計(jì) 算每個(gè)新個(gè)體的適應(yīng)度，在這里有必要提一下交叉算子和變異算子的重要性：交叉算子一方面能夠使得原來(lái)群體中優(yōu)良個(gè)體的特性在一定程度上得到保持，另一方面，它將使 得算法能夠探索新的基因空間，從而使新群體中的個(gè)體得以保持多樣性[25]； 變異 算子 的使用能夠使遺傳算法具有局部搜索能力，可以維持群體的多樣性 [26]； 5) 如果滿足結(jié)束條件，則停止 ， 否則轉(zhuǎn)到第 3） 步。 但是遺傳算法也有一些不足的地方，如其采用二進(jìn)制編碼，代碼冗長(zhǎng)，而且二進(jìn)制編碼不能 有效的拓展搜索空間，其次，基本遺傳算法在搜索后期會(huì)出現(xiàn)效率低和形成未成熟收斂的情況。 本系統(tǒng)采用的算法 本系統(tǒng)目前是一個(gè)在學(xué)校范圍內(nèi)使用的小型系統(tǒng)，在對(duì)組卷模塊的設(shè)計(jì)與實(shí)現(xiàn)時(shí)考慮了 以 下的因素： 1. 時(shí)間因素，由于系統(tǒng)開(kāi)發(fā)周期較短，一些理論上效果較好的算法由于代碼復(fù)雜而未被考慮。 2. 環(huán)境因素，該系統(tǒng)目前的使用范圍 限于學(xué)校 ， 因此題庫(kù)不會(huì)很大，所以沒(méi)有必要采用很復(fù)雜的算法來(lái)實(shí)現(xiàn)。 因此，目前在本系統(tǒng)中采用的是隨機(jī)抽題算法，從當(dāng)前的使用情況來(lái)看，算法的選擇是正確的，是能夠滿足需要的， 下面 是該算法的部分程序?qū)崿F(xiàn) ： 與數(shù)據(jù)庫(kù)的連接 在本系統(tǒng)中，訪問(wèn)數(shù)據(jù)庫(kù)是一個(gè)很重要的環(huán)節(jié)。 由于我采用基于 Java EE 的 技術(shù)來(lái)構(gòu)建 無(wú)紙化試卷管理 系統(tǒng)，因此，在數(shù)據(jù)庫(kù)連接方面采用的是 JDBC（ Java Database Connectivity）接口來(lái)訪問(wèn)數(shù)據(jù)庫(kù)的。 JDBC 訪問(wèn)數(shù)據(jù)庫(kù)需要首先建立一個(gè)與數(shù)據(jù)庫(kù)的連接，獲得一個(gè)連接對(duì)象，通過(guò)鏈接對(duì)象來(lái)提供執(zhí)行 SQL 語(yǔ)句的方法。 在此系統(tǒng)中，我 們 采用的是 Mysql 數(shù)據(jù)庫(kù)，因此這里的設(shè)置上需要對(duì)其進(jìn)行專門(mén)的設(shè)置。 以下是連接數(shù)據(jù)庫(kù) 代碼 ： 第六章 系統(tǒng)的不足與展望 系 統(tǒng)的不足 經(jīng)過(guò)一段時(shí)間的使用和測(cè)試，該系統(tǒng)已經(jīng)基本實(shí)現(xiàn)了當(dāng)初的設(shè)想，達(dá)到了預(yù)期的目的。但是，這個(gè)系統(tǒng)還是有一些可以提高的地方： ? 系統(tǒng)中的打字題當(dāng)初設(shè)想是要實(shí)現(xiàn)電腦自動(dòng)評(píng)判正確率，可是由于目前自身技術(shù)力量和該系統(tǒng)是基于 web 框架的限制，這一塊還沒(méi)有完全實(shí)現(xiàn)成功。 ? 由于當(dāng)前設(shè)計(jì)的是 試卷管理 系統(tǒng)，所以在考生和教師 信息的保存方面所能保存的內(nèi)容還較少，未來(lái)如果需要將該系統(tǒng)升級(jí)成為一套完整的教學(xué)管理系統(tǒng)的話在這方面還需要加強(qiáng)，所幸的是，由于采用的是 MVC 的框架結(jié)構(gòu)而不是僅 僅 簡(jiǎn)單 地 采用純 JSP 編程的方式，所以未來(lái)升級(jí)的時(shí)候?qū)?會(huì)大大減輕勞動(dòng)量，可以說(shuō)，現(xiàn)在已經(jīng)為將來(lái)的升級(jí)打下了良好的基礎(chǔ)。 ? 目前系統(tǒng)的評(píng)價(jià)體系還不夠完善，由于時(shí)間和該系統(tǒng)目前需求的原因，該系統(tǒng)的評(píng)價(jià)體系主要還是依靠每個(gè)考生的成績(jī)和閱卷教師給出的相應(yīng)評(píng)語(yǔ)來(lái)評(píng)價(jià)，未來(lái)可以進(jìn)一步引進(jìn)一些統(tǒng)計(jì)學(xué)方面的理論來(lái)對(duì)考生 和考試進(jìn)行更準(zhǔn)確細(xì)致的評(píng)價(jià)。同樣地，目前對(duì)于試題的評(píng)價(jià)也僅限于難度的區(qū)分，但以后可以根據(jù)考生的情況進(jìn)一步引進(jìn)信度，區(qū)分度等評(píng)價(jià)試題的標(biāo)準(zhǔn)。 ? 系統(tǒng)的容錯(cuò)能力還需要進(jìn)一步提高，由于目前知識(shí)水平的限制，對(duì)于一些技術(shù)的應(yīng)用和理解能力還需要進(jìn)一步提高，因此，在程序的容錯(cuò) ，極端情況下的穩(wěn)定性方面還有待進(jìn)一步測(cè)試與改進(jìn)。 總結(jié)與未來(lái)的發(fā)展展望 本論文詳細(xì)闡述了基于 MVC 架構(gòu)的 試卷管理 系統(tǒng) 的 設(shè)計(jì) 與實(shí)現(xiàn)過(guò)程。該系統(tǒng)使用了目前先進(jìn)并被廣泛應(yīng)用的 Struts 架構(gòu)， 這為以后 系統(tǒng)的擴(kuò)展和維護(hù) 打下了良好的基礎(chǔ)， 例如，系統(tǒng)可以很方便的改變 試題管理 界面而不用修改任何的業(yè)務(wù)邏輯，可以對(duì)業(yè)務(wù)規(guī)則和數(shù)據(jù)的物理表示進(jìn)行改進(jìn)而不用修改任何的 教師 界面代碼。 本系統(tǒng)是一個(gè)平臺(tái)，能夠?qū)崿F(xiàn)多學(xué)科、多課程、多層次的試題庫(kù)管理，滿足同一個(gè)考場(chǎng)中每一位考生試卷既等價(jià)又相異的要求，有利于大規(guī)模同一考試的順利進(jìn)行 ， 目前，該系統(tǒng)運(yùn)行平穩(wěn)可靠。 由于時(shí)間的關(guān)系，還有一些技術(shù)并沒(méi)有被用到這個(gè)系統(tǒng)中，這是系統(tǒng)下一步需要改進(jìn)的地方 ，以后還需要考慮采用 更先進(jìn)有效的 算法 （如：遺傳算法 、線性規(guī)劃算法 等） 對(duì)組卷模塊進(jìn)行修改，提高組卷的質(zhì)量和速度， 同時(shí)， 還 需 要在考試系統(tǒng)的安全性，提高考試系統(tǒng)的自適應(yīng)能力，實(shí)現(xiàn)多媒體考試等方面 做 進(jìn)一步的研究。 基于 Web 的考試系統(tǒng)是當(dāng)今的一項(xiàng)熱門(mén)研究領(lǐng)域， 它是現(xiàn)代遠(yuǎn)程教育不可缺少的一部分 ，而作為考試系統(tǒng)的核心部件 —— 試卷管理系統(tǒng)也越來(lái)越受到人們的關(guān)注，大量的學(xué)者、專家投身到這個(gè)領(lǐng)域中來(lái) 。 網(wǎng)絡(luò)考試正以其不 可比擬的優(yōu)勢(shì)融入到當(dāng)今社會(huì)中來(lái)，相信在不久的將來(lái)隨著各種技術(shù)的不斷完善，網(wǎng)絡(luò)考試將會(huì)向著主觀題自動(dòng)閱卷，根據(jù)考生的水平自動(dòng)制定相應(yīng)的考試方向等自適應(yīng)、智能化的方向發(fā)展， 而試卷管理系統(tǒng)設(shè)計(jì)得好壞將直接關(guān)系到網(wǎng)絡(luò)考試系統(tǒng)在社會(huì)上被接受的程度 ，相信在不遠(yuǎn)的將來(lái)更加先進(jìn)、更具人性化的試卷管理系統(tǒng)將越來(lái)越多的融入到人們的生活中。 參考文獻(xiàn) [1]中科永聯(lián)高級(jí)技術(shù)培訓(xùn)中心 ． MVC 模式[EB/OL]． 20210423. [2]孫衛(wèi)琴 ． 精通 Struts：基于 MVC 的 Java Web 設(shè)計(jì)與開(kāi)發(fā) [M]．北京：電子工業(yè)出版社，2021． III－ IV． [3]孫衛(wèi)琴． Java 面向?qū)ο缶幊?[M]．北京：電子工業(yè)出版社， 2021． VI－ VII． [4]H. M. Deitel， P. J. Deitel 著 ． 施平安，施惠瓊，柳賜佳譯 ． Java How to Program（ Fifth Edition）[M]． 北京：清華大學(xué)出版社 ， 2021． [5]王萌，劉婧，來(lái)賓 ． JAVA程序設(shè)計(jì) [M]． 北京：冶金工業(yè)出版社， 2021．１－３． [6]孫衛(wèi)琴，李洪成． Tomcat 與 Java Web開(kāi)發(fā)技術(shù)詳解 [M]．北京：電子工業(yè)出版社， 2021． 123－ 124． [7]張孝祥，張紅梅 ． JavaScript 網(wǎng)頁(yè)開(kāi)發(fā) —— 體驗(yàn)式學(xué)習(xí)教程 [M]． 北京：清華大學(xué)出版社，2021． 1－ 5． [8]趙強(qiáng) ． 精通 JSP 編程 [M]． 北京：電子工業(yè)出版社， 2021． 2－ 12． [9]孫衛(wèi)琴．精通 Hibernate： Java 對(duì)象持久化技術(shù)詳解 [M]．北京：電子工業(yè)出版社， 2021． III－ IV． [10]Craig Walls， Ryan Breidenbach，李磊，程立， 周悅虹譯． Spring in action 中文版 [M]．北京：人民郵電出版社， 2021． 33— 35． [11]Ryan Aseleson， Nathaniel T. Schutta，金靈等譯． Ajax基礎(chǔ)教程 [M]．北京：人民郵電出版社， 2021． 13— 15． [12]IBM． Eclipse 平臺(tái)入門(mén)[EB/OL]． 2021110 [13]David Gallardo, Ed Burte, Robert McGoven. Eclipse in Action[M]. Greenwich： Manning, 2021. 32— 33. [14]孫衛(wèi)琴，李洪成． Tomcat 與 Java Web開(kāi)發(fā)技術(shù)詳解 [M]．北京：電子工業(yè)出版社， 2021． [15]Y. Daniel Liang. Introduction to Java Programming, Comprehensive Version, Fifth Edition[M]. .: Prentice Hall. 2021. 11— 14. [16]Mysql． MySQL [EB/OL]． 20211115. [17]劉彬 ． JSP 數(shù)據(jù)庫(kù)高級(jí)教程 [M]． 北京：清華大學(xué)出版社， 2021． 63— 64． [18]E. Zitzler, L. Thiele． MultiObjective Evolutionary Algorithms A Comparative Case Study And the Strength Pareto Approach[J]． IEEE Transactions of Evolutionary Computation, 1999, 3(4): 257— 271. [19]李小勇 ． 題庫(kù)管理系統(tǒng)中的自動(dòng)化組卷算法 [J]． 西北師范大學(xué)學(xué)報(bào) (自然科學(xué)版 )， 2021， 38(4)： 41— 43． [20]謝平 ． 基于框架模式的試題庫(kù)智能組卷系統(tǒng) [J]． 華東交通大學(xué)學(xué)報(bào)， 1998， 15(4) ： 58—63． [21]Holland J. Adaptation in natural and artificial systems[M]. Ann Arbor: University of Michigan Press,—105. [22]David E. Goldberg. Geic algorithms in search, optimization and machine learning[M]. New York: AddisonWesley Publishing Company Inc, 1989. 59— 308. [23]David B. Fogel. An introduction to simulated evolution optimization[J]. IEEE Trans on Neural Networks, 1994, 5(1): 3— 14. [24]M. Kantardzic， 閃四清等譯 ． 數(shù)據(jù)挖掘 —— 概念、模型、方法和算法 [M]． 北京 ： 清華大學(xué)出版社， 2021． 202— 240． [25]徐潔磐，馬玉書(shū)，范明 ． 知識(shí)庫(kù)系統(tǒng)導(dǎo)論 [M]． 北京 ： 科學(xué)出版社， 2021． 25— 60． [26]F. Herrera, M. Lozano, J. L. Verdegay. Tuning Fuzzy Logic Controllers by Geic Algorithms[J].International Journal of Approximate Reasoning, 1995. 12(3): 115— 123. 外文資料 Towards Increasing Web Application Productivity Source: 2021 ACM Symposium on Applied Computing ABSTRACT In this paper we present and discuss a template/metadata based partial code generation system supporting web application development. Seamlessly incorporating the recent topnotch technologies, the framework maximally exploits the capabilities of the underlying implementation technologie