【正文】 除，同時(shí)與該科目相關(guān)的題目等信息也會(huì)相應(yīng)的自動(dòng)刪除 。 2) 添加考生：用于增加考生。 3. 教師管理： 包括如下功能： 1) 查詢教師：在本系統(tǒng)中主要用于驗(yàn)證教師的合法性。 3) 修改教 師：本階段限于修改教師的密碼，但已經(jīng)為未來的升級(jí)預(yù)留了接口 。 對(duì)組卷算法的探討與研究 組卷分析 本系統(tǒng)的一個(gè) 關(guān)鍵的地方 就是要建立一個(gè)良好的組卷系統(tǒng)， 采用自動(dòng)組卷系統(tǒng)可以大大減輕教師的負(fù)擔(dān)，而且，更重要的是，自動(dòng)組卷可以很好的保證試卷的難度和信度，提高考試的公平性和公正性。而且，在交互式的Web 環(huán)境下 人們對(duì)試卷生成的速度的要求很高，而一個(gè)理論上較完美的算法可能會(huì)以犧牲時(shí)間作為代價(jià) [18]。 算法的具體實(shí)現(xiàn)過程如下： 1) 建立兩個(gè)數(shù)組 U(r)和 T(x)，其中 U(r)的值為某種狀態(tài) r 的試題在數(shù)據(jù)庫(kù)中的試題數(shù)，例如單選題，第二章，難度為 3 的試題數(shù)。 2) 如果 T(x)U(r)，則轉(zhuǎn)向 5），否則產(chǎn)生隨機(jī)數(shù) N， N=int(rand(1)*U(r))，其值小于 U(r)。 3) 若 T(x)≠ 0，則 T(x)=T(x)1，重復(fù) 2)； 4) 若 List 表未滿，則轉(zhuǎn)向 1)，否則組卷成功； 5) 算法結(jié)束 這種算法使用廣泛、簡(jiǎn)單 易行 ，對(duì)于單道題的抽取速度很快，但是對(duì)于整份 試卷 的生成卻需要耗費(fèi)很多時(shí)間，而且在組卷?xiàng)l件較復(fù)雜的情 況下 常常會(huì)出現(xiàn)組卷失敗。 2. 回溯試探算法 回溯試探算法 [19]是對(duì)隨機(jī)算法的改進(jìn)，它將隨機(jī)抽 取 產(chǎn)生的 每一狀態(tài)類型記錄下來，當(dāng)搜索失敗時(shí)就會(huì)釋放 上次 記錄的狀態(tài)類型，然后再依據(jù)一定的規(guī)律變換 出 一種新的狀態(tài)進(jìn)行試探，通過不斷地回溯試探直到試題生成完畢或回到出發(fā)點(diǎn)為止。否 則產(chǎn)生隨機(jī)整數(shù) N，N=int(rand(1)*U(r))， 其值小于 U(r)。 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知識(shí)解決特 定領(lǐng)域中復(fù)雜問題的計(jì)算機(jī)智能軟件系統(tǒng)。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。 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。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，然后回溯走過的路徑，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)。 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。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]。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。 遺傳算法的基本 過程如下： 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。 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。 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，訪問數(shù)據(jù)庫(kù)是一個(gè)很重要的環(huán)節(jié)。 JDBC 訪問數(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，通過鏈接對(duì)象來提供執(zhí)行 SQL 語(yǔ)句的方法。 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。 ? 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，所以未來升級(jí)的時(shí)候?qū)?會(huì)大大減輕勞動(dòng)量，可以說，現(xiàn)在已經(jīng)為將來的升級(jí)打下了良好的基礎(chǔ)。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)。 總結(jié)與未來的發(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)過程。 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。 基于 Web 的考試系統(tǒng)是當(dāng)今的一項(xiàng)熱門研究領(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 。 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[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，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 technologies.