韦忠庆 袁煜 蔡军

摘  要： 纸质考试命题组卷以人工为主，试卷知识点、考题类型等组卷因素需要人为把控，存在组卷效率低下的弊端。设计基于SaaS模式的分布式在线考试系统，系统核心业务中的题库管理模块构建自身属性的考试题库，学生登入系统后在考试模块中选取考试科目，题库管理模块根据学生选取的科目，在题库里采用基于改进遗传算法的智能组卷算法组卷后返回至考生页面，考试后学生和老师可在信息查询统计模块中查询成绩。实验结果表明，所设计系统组卷耗时为9.35 ms，组卷成功率高达100%，组卷效率与组卷质量较高;和同类型考试系统相比，具有响应速度快、承压能力好的优势，得到多数考试机构的认可。

关键词： SaaS模式; 分布式系统; 在线考试; 组卷; 题库管理; 遗传算法

中图分类号： TN919?34; TP311.1               文献标识码： A                    文章编号： 1004?373X（2019）12?0048?04

Abstract： The question setting and test composition in paper examination are mainly manual， and the test paper composition factors such as knowledge points and examination question type of test papers need to be artificially controlled， resulting in the disadvantage of low test paper composition efficiency. Therefore， a distributed online examination system based on the SaaS mode is designed. The examination question database management module in the core service of the system is used to build the examination question database with its own attribute. Students select the examination subject in the examination module after login into the system. In accordance to the subjects selected by students， test paper composition is conducted in the examination question database by using the intelligent test paper composition algorithm based on the improved genetic algorithm， after which the student page is returned. Students and teachers query the results in the information query and statistic module after the examination. The experimental results show that the designed system has the time consumption of 9.35 ms and a success rate of 100% for the test paper composition， and high test paper composition efficiency and quality; and in comparison with other examination systems of the same type， the designed system has the advantages of faster response speed and better pressure?bearing ability， which is accepted by most examination institutions.

Keywords： SaaS mode; distributed system; online examination; test paper composition; examination question database management; genetic algorithm

0  引  言

伴随网络技术的日趋成熟，传统纸质考试已逐渐被在线考试所取代[1]。但是，考试机构自主研发的在线系统在现实使用时，系统建设未设定严谨、统一标准与技术尺度，且题库反复建立导致资源未能合理应用，运维成本也逐渐增大[2];而考试机构必须建立符合自身特征、低成本的在线考试系统，才能保证稳定发展。

SaaS（Soft?as?Service）软件运营属于互联网供给软件的服务模式。SaaS模式的基本要素包括在Internet平台中使用、网络服务器存储数据、根据使用定制收费、多重租赁功能。随着在线考试系统的逐渐成熟，SaaS凭借低成本、低风险、高便捷度三种优势得到广大考试机构青睐[3]。应用SaaS模式过程中，非单一考试机构都能同时使用一套SaaS平台，服务节点与数据库服务具有共享性。所有用户个性化需求都可根据客户化设定完成，对其他用户不产生干扰。基于上述优势本文设计基于SaaS模式的分布式在线考试系统，并采用基于改进遗传算法的智能组卷算法完成智能组卷。

1  分布式在线考试系统设计

1.1  系统硬件设计

基于SaaS模式的分布式在线考试系统的在线考试模式和以往模式具有差异性，面向全省以及全国学生，考生来自不同地区。该系统由考试机构、Web表现层、核心业务以及元数据服务等构成，其中核心业务由题库管理模块、考试模块和信息查询统计模块构成[4?5]。核心业务中的题库管理模块构建自身属性的考试题库，學生登入系统后在考试模块中选取考试科目，题库管理模块根据学生选取的科目，在题库中随机选题组卷后返回至考生页面。考试后，学生和老师可在信息查询统计模块中查询成绩。系统整体结构如图1所示。

图1  基于SaaS模式的分布式在线考试系统整体结构

1） 题库管理模块

考试机构进入题库管理模块后能够构建自身属性的考试题库，其中可建立考试知识点管理子模块、考试类型管理子模块、导入考题等子模块。题库管理模块整体结构图如图2所示。

2） 考试模块

考试模块包含考试科目生成、在线考试、自主阅卷三种程序。学生进入后，必须选取考试科目，依据考生选取的科目和教师设定的考试规则中的难度、知识点等参数[6?7]，在题库里随机选题组卷后返回至考生页面。此模块会依据考试规则中对考试时间的设定标准，提示考试注意答题时间。考试模块整体结构如图3所示。

图2  题库管理模块整体结构图

图3  考试模块整体结构图

3） 信息查询统计模块

信息查询统计模块中包含信息统计子模块与信息查询子模块，详情如图4所示。信息统计子模块主要用于采集题库中每类统计信息。信息查询子模块主要用于查询考试成绩与题目信息。考生可在考试后查询成绩，管理员与教师可通过信息查询统计模块查询题库中的题目信息[8?9]。

图4  信息查询统计模块整体结构

1.2  系统软件设计

系统软件设计主要采用基于改进遗传算法的智能组卷算法在题库管理模块中根据学生选取的科目随机选题智能组卷[10]。

1.2.1  编码策略

智能组卷时，编码策略与整体染色体的构成息息相关，是遗传算法运行效果的核心因素，系统使用面向试卷的基因段整数编码，此类编码策略把一份试卷映射成一份染色体[11]，并将选取的试题映射成染色体里的基因因子，在题库管理模块里以编码形式体现。且根据相应的题型特征顺序分布，根据题型特征把所有基因分成若干份，算法只保存试卷里每个题型的数量，就能够判定染色体每个基因段的所属题型[12]。

1.2.2  基因修正模型

上述编码策略在初始化与变异时，由于基因变化的非定性导致基因整数未能在所定区域重复，个体便会出现消亡，最终导致组卷失败[13]。因此系统设计图5描述的基因修正模型。

图5  基因修正模型功能示意图

基因修正模型中包含基因范围修正和基因重复修正。基因范围修正是在基因初始化与变异操作时，控制基因的变动区间，确保其在设定的正常区间中变化，防止进化时基因超出正常区间;基因重复修正是基因段整数编码进化时基因重复异常会引起组卷失败，所以在基因进化时设计基因重复修正功能，在基因初始化与变异时监测基因重复，并把重复因子自主变换为正常区间中的正常基因[14]，并实时修正基因，克服重复异常基因对后期组卷的干扰，降低组卷失误率。

1.2.3  交叉和变异概率

交叉概率[qc]和变异概率[qm]与遗传算法的收敛性息息相关。标准遗传算法中交叉概率与变异概率通常是设定好的，如[qc]取值区间为[0.4，0.99]，[qm]取值区间是[0.001，0.100]，[qc]值变大，则算法产生新个体性能越好，但偏大便会导致个体结构出现损坏;[qm]值变小，种群多样性变少，算法早熟收敛，陷入局部最优。[qm]偏小，种群出现新个体性能变弱，进化速度降低;[qm]偏大，算法成为随机搜索问题，收敛速度也随之降低。

目前的自动组卷算法大多固定遗传算法概率，不符合群体的差异性特征，概率固定式影响种群进化速度与方向。系统软件采用的基于改进遗传算法的智能组卷算法，采用自适应调节的交叉概率与变异概率，在进化时依据群体中的适用度值差进行动态优化[15]。优化后的交叉与变异概率为：

式中：[Δ=vavg-vmax]，群体适应值均值设成[vavg]，群体适应值最大值设成[vmax];[h1]与[h2]为概率因子。[Δ<1]，[qc]的值域为[0.5，1.0]，[qm]的值域为[0，1.5]。若种群个体变大，[qc]变大、[qm]变小，维护最优个体，维护种群结构。若种群个体变小，[qm]变大、[qc]变小，种群出现新个体性能变强，不会进入早熟收敛现象。

2  实验分析

采用本文系统、阿里云ECS考试系统、在线学习过程性评价系统对某高校大一新生期末测试进行组卷对比实验，结果如表1所示。

表1  三种系统组卷质量与效率对比结果

分析表1可知，本文系统组卷耗时为9.35 ms，耗时最短，且组卷成功率高达100%，阿里云ECS考试系统、在线学习过程性评价系统组卷耗时都大于50 ms，且存在组卷失败的情况。说明本文系统使用改进的遗传算法能够提高组卷成功率，且智能组卷的执行效率也得到提升。

设定考试科目为语文、数学、英语、物理、化学、生物，在线考试学生为500人，分别使用三种系统进行在线考试，统计三种系统考试过程中的响应时间，对比结果如表2所示。

表2  三种系统考试过程中的响应时间对比结果      

分析表2数据可知，考试过程中，本文系统对于语文、数学、英语、物理、化学、生物6个科目的最大响应时间为0.12 ms，阿里云ECS考试系统对于语文、数学、英语、物理、化学、生物6个科目的最大响应时间为0.87 ms，在线学习过程性评价系统对于语文、数学、英语、物理、化学、生物6个科目的最大响应时间为0.74 ms。说明本文在线考试系统的响应时间最短，响应速度较快。

系统吞吐量体现系统的承压能力，实验时间设成13：00—17：00，统计三种系统的吞吐量，对比结果如图6所示。

图6  三种系统吞吐量对比

分析图6可知，随着时间的推移，本文系统吞吐量的变化区间为[36 500 B，40 000 B]，阿里云ECS考试系统吞吐量的变化区间为[15 000 B，25 000 B]，在线学习过程性评价系统吞吐量的变化区间为[20 000 B，30 000 B]。经对比可得，本文系统吞吐量最大，承压能力较好。

3  结  论

为构建组卷高效率、高质量、可同时为多数考试机构使用的在线考试系统，本文设计基于SaaS模式的分布式在线考试系统，系统硬件由题库管理模块、考试模块和信息查询统计模块构成。经验证，本文系统组卷耗时为9.35 ms，本文系统对于语文、数学、英语、物理、化学、生物6个科目的最大响应时间为0.12 ms，具有耗时短、响应效率高的优势，且本文系统组卷成功率高达100%，使用价值较高。

参考文献

[1] 赵亮，胡树煜，吴宇玲.基于阿里云ECS的动物医学考试系统研究[J].家畜生态学报，2017，38（9）：94?96.

ZHAO Liang， HU Shuyu， WU Yuling. Research of Aliyun ECS?based animal medicine examination system [J]. Acta ecologae animalis domastici， 2017， 38（9）： 94?96.

[2] 上超望，韓梦，刘清堂.大数据背景下在线学习过程性评价系统设计研究[J].中国电化教育，2018，376（5）：96?101.

SHANG Chaowang， HAN Meng， LIU Qingtang. Research and design of process evaluation system for e?learning supported by big data [J]. China educational technology， 2018， 376（5）： 96?101.

[3] 潘华，孙林夫.基于复杂适应理论的SaaS平台自适应演化技术研究[J].计算机应用研究，2016，33（6）：1752?1757.

PAN Hua， SUN Linfu. Research on technology of adaptive evolution for SaaS platform based on complex adaptive theory [J]. Application research of computers， 2016， 33（6）： 1752?1757.

[4] PARAISO F， MERLE P， SEINTURIER L. soCloud： a service?oriented component?based PaaS for managing portability， provisioning， elasticity， and high availability across multiple clouds [J]. Computing， 2016， 98（5）： 539?565.

[5] 张利永，段荣，罗恒钰.一种面向SaaS环境的工作流系统集成和负载均衡方法[J].中国电子科学研究院学报，2016，11（4）：417?424.

ZHANG Liyong， DUAN Rong， LUO Hengyu. A method for workflow system integration and load balancing in a SaaS environment [J]. Journal of China Academy of Electronics and Information Technology， 2016， 11（4）： 417?424.

[6] 冯亮.差异分布式存储系统资源调度的优化仿真[J].计算机仿真，2016，33（3）：343?346.

FENG Liang. Optimization simulation of resource scheduling for differences in distributed storage system [J]. Computer simulation， 2016， 33（3）： 343?346.

[7] 孟凡超，初佃辉，李克秋，等.基于混合遗传模拟退火算法的SaaS构件优化放置[J].软件学报，2016，27（4）：916?932.

MENG Fanchao， CHU Dianhui， LI Keqiu， et al. Solving SaaS components optimization placement problem with hybird genetic and simulated annealing algorithm [J]. Journal of software， 2016， 27（4）： 916?932.

[8] LI X， ZHAO J， MA Y， et al. A partition model and strategy based on the Stoer?Wagner algorithm for SaaS multi?tenant data [J]. Soft computing， 2016， 21（20）： 6121?6132.

[9] 刘思婷，顾乃杰，林传文.在线考试系统中试题上传方法的优化[J].计算机工程与应用，2016，52（21）：241?246.

LIU Siting， GU Naijie， LIN Chuanwen. Optimization of question upload method in online examination system [J]. Computer engineering and applications， 2016， 52（21）： 241?246.

[10] 范文兵，吴宇昊.基于SaaS模式的快递投递业务系统设计[J].计算机应用，2017，37（z1）：312?316.

FAN Wenbing， WU Yuhao. Design of integrated express delivery system based on SaaS [J]. Journal of computer applications， 2017， 37（S1）： 312?316.

[11] 李利东.基于多平台的跨区域考试系统设计与应用[J].现代电子技术，2017，40（16）：44?46.

LI Lidong. Design and application of cross regional examination system based on multi?platform [J]. Modern electronics technique， 2017， 40（16）： 44?46.

[12] ABASS O A， OLAJIDE S A， SAMUEL B O. Development of web?based examination system using open source programming model [J]. Turkish online journal of distance education， 2017， 18（2）： 30?42.

[13] 王云，李小鹏.一种用于大学信息技术基础课的适应性考试系统[J].教育理论与实践，2017（12）：47?50.

WANG Yun， LI Xiaopeng. An adaptive examination system for basic courses of information technology in universities [J]. Theory and practice of education， 2017（12）： 47?50.

[14] KHATER E， HEGAZY A， SHEHAB M E. Ontology?based adaptive examination system in e?learning management systems [C]// Proceedings of IEEE Seventh International Conference on Intelligent Computing & Information Systems. Cairo： IEEE， 2016： 1?5.

[15] YIN Z， MENG S， DU Y. A new type of machine learning based gamified examination system [C]// Proceedings of Joint Conferences of 2015 International Conference on Computer Science and Engineering Technology and 2015 International Conference on Medical Science and Biological Engineering. Singapore： World Scientific， 2016： 483?488.