基于遺傳算法的移動(dòng)學(xué)習(xí)路徑生成機(jī)制研究*
——以博物館參觀學(xué)習(xí)為例

李浩君 崔晨萍 徐佳程 項(xiàng) 靜 華燕燕

（浙江工業(yè)大學(xué) 教育科學(xué)與技術(shù)學(xué)院，浙江杭州 310023）

基于遺傳算法的移動(dòng)學(xué)習(xí)路徑生成機(jī)制研究*
——以博物館參觀學(xué)習(xí)為例

李浩君 崔晨萍 徐佳程 項(xiàng) 靜 華燕燕

（浙江工業(yè)大學(xué) 教育科學(xué)與技術(shù)學(xué)院，浙江杭州 310023）

移動(dòng)學(xué)習(xí)環(huán)境下海量無(wú)序的信息資源，對(duì)學(xué)習(xí)者學(xué)習(xí)資源的選擇以及學(xué)習(xí)活動(dòng)的開(kāi)展造成了極大干擾。文章綜合考慮移動(dòng)學(xué)習(xí)環(huán)境下的學(xué)習(xí)情景、學(xué)習(xí)者個(gè)性特征等多種因素，將遺傳算法應(yīng)用于移動(dòng)學(xué)習(xí)路徑研究，并結(jié)合博物館參觀學(xué)習(xí)的應(yīng)用案例，探索移動(dòng)學(xué)習(xí)路徑的生成機(jī)制，根據(jù)移動(dòng)學(xué)習(xí)情景生成個(gè)性化學(xué)習(xí)路徑。該研究能為學(xué)習(xí)者推薦符合其學(xué)習(xí)需求和情景特征的學(xué)習(xí)資源序列，使學(xué)習(xí)者取得更好的學(xué)習(xí)效果。

移動(dòng)學(xué)習(xí)；學(xué)習(xí)情景；學(xué)習(xí)路徑；遺傳算法

引言

隨著移動(dòng)學(xué)習(xí)應(yīng)用領(lǐng)域的不斷拓展以及學(xué)習(xí)需求的不斷增加，學(xué)習(xí)者希望在移動(dòng)學(xué)習(xí)環(huán)境下能夠獲取更多的個(gè)性化學(xué)習(xí)資源來(lái)開(kāi)展學(xué)習(xí)，這就要求移動(dòng)學(xué)習(xí)系統(tǒng)根據(jù)學(xué)習(xí)情景信息和學(xué)習(xí)者的個(gè)性特征，為學(xué)習(xí)者推薦合適的移動(dòng)學(xué)習(xí)路徑，讓學(xué)習(xí)者面對(duì)海量無(wú)序的移動(dòng)學(xué)習(xí)資源時(shí)能更加有效地利用資源。學(xué)習(xí)路徑即學(xué)習(xí)活動(dòng)的路線(xiàn)與序列，是指在學(xué)習(xí)特定主題下各知識(shí)點(diǎn)的過(guò)程中可以選擇的各種學(xué)習(xí)活動(dòng)的序列。個(gè)性化學(xué)習(xí)路徑需要綜合考慮學(xué)習(xí)者的個(gè)性特征以及情景信息等因素，為學(xué)習(xí)者推薦合適的學(xué)習(xí)資源和合理的資源學(xué)習(xí)序列[1]。學(xué)習(xí)序列為學(xué)習(xí)者指定了最適合他們學(xué)習(xí)所需的知識(shí)單元和學(xué)習(xí)任務(wù)序列，如何做到既兼顧各知識(shí)點(diǎn)之間的邏輯關(guān)系，又適應(yīng)學(xué)習(xí)者的個(gè)性化學(xué)習(xí)需求，是生成個(gè)性化學(xué)習(xí)路徑的難點(diǎn)所在。

移動(dòng)學(xué)習(xí)路徑是綜合考慮移動(dòng)學(xué)習(xí)情景特征以及學(xué)習(xí)者個(gè)性特征的個(gè)性化資源學(xué)習(xí)序列。針對(duì)移動(dòng)學(xué)習(xí)環(huán)境下個(gè)性化學(xué)習(xí)路徑的生成問(wèn)題，國(guó)內(nèi)外學(xué)者先后開(kāi)展了相關(guān)的研究，提出了應(yīng)用知識(shí)地圖、自適應(yīng)導(dǎo)航支持等理論。如 Zheng等[2]提出了基于知識(shí)地圖的學(xué)習(xí)導(dǎo)航路徑算法LNPA，為學(xué)習(xí)者提供了合適的學(xué)習(xí)路徑；Chiou等[3]提出了一種面向博物館情景感知泛在學(xué)習(xí)的自適應(yīng)導(dǎo)航支持系統(tǒng)，設(shè)計(jì)了利用遺傳導(dǎo)航支持算法 GENS和最大化目標(biāo)導(dǎo)航支持算法MONS來(lái)為學(xué)習(xí)者提供個(gè)性化學(xué)習(xí)路徑的策略；Vincent等[4]提出了用于開(kāi)展學(xué)習(xí)分析的完整系統(tǒng)框架，并采用啟發(fā)式算法生成最佳學(xué)習(xí)序列；Shukhman等[5]利用佩特里網(wǎng)模型開(kāi)展對(duì)個(gè)性化學(xué)習(xí)路徑的研究。如何設(shè)計(jì)一種學(xué)習(xí)路徑策略以滿(mǎn)足移動(dòng)學(xué)習(xí)環(huán)境下學(xué)習(xí)者的個(gè)性化學(xué)習(xí)需要，已成為移動(dòng)學(xué)習(xí)支持服務(wù)所面臨的挑戰(zhàn)之一。

本文首先探討了個(gè)性化移動(dòng)學(xué)習(xí)路徑的問(wèn)題，然后分析移動(dòng)學(xué)習(xí)環(huán)境下的情景因素，并結(jié)合博物館參觀學(xué)習(xí)的應(yīng)用案例，提出了基于遺傳算法的移動(dòng)學(xué)習(xí)路徑生成機(jī)制，最后詳細(xì)闡述了該機(jī)制的工作原理。

一 個(gè)性化移動(dòng)學(xué)習(xí)路徑問(wèn)題的描述

學(xué)習(xí)者在開(kāi)展移動(dòng)學(xué)習(xí)活動(dòng)的過(guò)程中，可以選擇學(xué)習(xí)者控制路徑或者引導(dǎo)式學(xué)習(xí)路徑[6]。其中，學(xué)習(xí)者控制路徑是指由學(xué)習(xí)者自主決定學(xué)習(xí)方式和學(xué)習(xí)序列，即學(xué)習(xí)者自主選擇學(xué)習(xí)對(duì)象并完成學(xué)習(xí)過(guò)程；引導(dǎo)式學(xué)習(xí)路徑則是由導(dǎo)學(xué)者根據(jù)以往教學(xué)活動(dòng)經(jīng)驗(yàn)得出的學(xué)習(xí)路徑。雖然移動(dòng)學(xué)習(xí)者可以便捷地獲取豐富的網(wǎng)絡(luò)學(xué)習(xí)資源，但學(xué)習(xí)資源的存在形式往往駁雜且無(wú)完整的邏輯關(guān)系，加上學(xué)習(xí)者也往往無(wú)法確定自己的知識(shí)水平和學(xué)習(xí)狀態(tài)，因而在學(xué)習(xí)過(guò)程中容易產(chǎn)生“迷航”現(xiàn)象，使學(xué)習(xí)成為了沒(méi)有目標(biāo)的盲目探索。同時(shí)，結(jié)合移動(dòng)學(xué)習(xí)環(huán)境因素開(kāi)展的引導(dǎo)式學(xué)習(xí)路徑也存在一定缺陷，如很少考慮個(gè)性化設(shè)計(jì)、缺少與學(xué)習(xí)者個(gè)性特征相適應(yīng)的支持方法，而學(xué)習(xí)者的學(xué)習(xí)興趣與學(xué)習(xí)風(fēng)格等對(duì)學(xué)習(xí)效果存在著決定性的影響，因此個(gè)性化移動(dòng)學(xué)習(xí)路徑生成機(jī)制一方面應(yīng)為學(xué)習(xí)者推薦合適的引導(dǎo)式學(xué)習(xí)路徑，另一方面要綜合考慮移動(dòng)情景因素和學(xué)習(xí)者的個(gè)性特征，以滿(mǎn)足學(xué)習(xí)者的個(gè)性化學(xué)習(xí)需求。

移動(dòng)學(xué)習(xí)環(huán)境下情景及個(gè)性因素將直接影響學(xué)習(xí)者的學(xué)習(xí)效果，不同情景因素影響下學(xué)習(xí)者所選擇的學(xué)習(xí)資源存在顯著的差異；同時(shí)，學(xué)習(xí)者的個(gè)性特征所導(dǎo)致的個(gè)性需求差異也會(huì)對(duì)資源的選取產(chǎn)生影響。如何生成符合學(xué)習(xí)者個(gè)性需求的個(gè)性化移動(dòng)學(xué)習(xí)路徑是實(shí)現(xiàn)個(gè)性化學(xué)習(xí)的關(guān)鍵，而對(duì)學(xué)習(xí)的情景因素和學(xué)習(xí)者個(gè)性特征的分析則是個(gè)性化移動(dòng)學(xué)習(xí)路徑生成的核心問(wèn)題。因此，本文選取訪(fǎng)問(wèn)人數(shù)、預(yù)期學(xué)習(xí)價(jià)值、學(xué)習(xí)需求作為移動(dòng)學(xué)習(xí)環(huán)境下情景因素以及學(xué)習(xí)者個(gè)性特征的最主要影響因素，并研究了這三個(gè)因素對(duì)移動(dòng)學(xué)習(xí)路徑生成機(jī)制所產(chǎn)生的影響。

二 移動(dòng)學(xué)習(xí)環(huán)境下情景因素的分析

移動(dòng)設(shè)備類(lèi)型、網(wǎng)絡(luò)狀況、學(xué)習(xí)對(duì)象數(shù)量、學(xué)習(xí)對(duì)象當(dāng)前訪(fǎng)問(wèn)人數(shù)、位置信息等學(xué)習(xí)情景因素會(huì)對(duì)學(xué)習(xí)者的學(xué)習(xí)興趣和學(xué)習(xí)效果產(chǎn)生直接影響，不同學(xué)習(xí)環(huán)境下學(xué)習(xí)者的注意力也會(huì)因此而受到不同程度的影響。Hwang等[7]通過(guò)將移動(dòng)學(xué)習(xí)環(huán)境下的情景因素作為啟發(fā)式算法的輸入?yún)?shù)來(lái)構(gòu)建個(gè)性化學(xué)習(xí)路徑，但其僅僅考慮了學(xué)習(xí)者數(shù)量、學(xué)習(xí)對(duì)象數(shù)量、位置信息等參數(shù)，沒(méi)有考慮學(xué)習(xí)者學(xué)習(xí)風(fēng)格、個(gè)人偏好與學(xué)習(xí)需求等因素。本文綜合考慮移動(dòng)學(xué)習(xí)環(huán)境下的情景因素和學(xué)習(xí)者特征，為不同學(xué)習(xí)者提供個(gè)性化的移動(dòng)學(xué)習(xí)路徑。

圖1 移動(dòng)學(xué)習(xí)環(huán)境下學(xué)習(xí)活動(dòng)示例圖

博物館參觀學(xué)習(xí)過(guò)程中的移動(dòng)學(xué)習(xí)活動(dòng)如圖1所示，采用參數(shù)化形式顯示了博物館參觀學(xué)習(xí)過(guò)程中學(xué)習(xí)對(duì)象以及學(xué)習(xí)情景信息的實(shí)時(shí)變化狀況。本文結(jié)合博物館參觀學(xué)習(xí)的應(yīng)用案例，選取移動(dòng)學(xué)習(xí)活動(dòng)過(guò)程中對(duì)學(xué)習(xí)效果影響最大的參數(shù)加以分析說(shuō)明。

（1）環(huán)境參數(shù):

n:學(xué)習(xí)對(duì)象總量；

Oi:學(xué)習(xí)對(duì)象序號(hào)，i≤n；

Eij:從Oi到Oj的學(xué)習(xí)路徑，i,j≤n且i≠j；

TRij:從Oi到Oj的時(shí)間，i,j≤n且i≠j；

L:學(xué)習(xí)的總時(shí)間限制；

S:飽和度比例閾值，即可以提供訪(fǎng)問(wèn)的學(xué)習(xí)對(duì)象的最高容量占用百分比。該參數(shù)用于控制同時(shí)訪(fǎng)問(wèn)某一學(xué)習(xí)對(duì)象的學(xué)生數(shù)量。

（2）對(duì)象參數(shù):

Ci:學(xué)習(xí)對(duì)象Oi的容量限制，i≤n；

Vi:預(yù)期的學(xué)習(xí)對(duì)象的學(xué)習(xí)價(jià)值，由指導(dǎo)者根據(jù)學(xué)習(xí)對(duì)象與學(xué)習(xí)活動(dòng)的相關(guān)度設(shè)定，其范圍為[0,1]。0表示完全無(wú)關(guān)，1表示完全相關(guān)或必須學(xué)習(xí)的內(nèi)容。

Ti:預(yù)期的學(xué)習(xí)Oi的時(shí)間，i≤n且Ti≤L；

Ni:訪(fǎng)問(wèn)Oi的學(xué)生數(shù)量，i≤n且Ni≤Ci；

Pi:Oi的相對(duì)飽和度，Pi=Ni/Ci，i≤n，它表明了訪(fǎng)Oi的學(xué)生數(shù)量與Oi容量限制之間的比例關(guān)系；

Fi:表明Oi是否已飽和，i≤n。若Pi〈S，F(xiàn)i=0；否則Fi=1。

（3）主體參數(shù):

STi:學(xué)生i花費(fèi)的總的學(xué)習(xí)時(shí)間，即學(xué)生已經(jīng)花在學(xué)習(xí)上的總的時(shí)間；

OTij:學(xué)生i在對(duì)象Oj時(shí)所花費(fèi)的時(shí)間，原則上OTij≤Tj。

上述三種類(lèi)型參數(shù)值將用于決定最佳的個(gè)性化移動(dòng)學(xué)習(xí)路徑。學(xué)生參與學(xué)習(xí)活動(dòng)的學(xué)習(xí)效果被定義為學(xué)習(xí)對(duì)象的總價(jià)值。高效的學(xué)習(xí)路徑意味著該路徑可以引導(dǎo)學(xué)習(xí)者更加有效地學(xué)習(xí)針對(duì)性更強(qiáng)的學(xué)習(xí)內(nèi)容。本文在現(xiàn)有的移動(dòng)學(xué)習(xí)原型的基礎(chǔ)上，結(jié)合遺傳算法分析以及對(duì)上述情景參數(shù)的分析，剔除一些無(wú)關(guān)或影響較小的因素，構(gòu)建了移動(dòng)學(xué)習(xí)路徑框架模型。該模型主要考慮三個(gè)方面的影響因素，即學(xué)習(xí)環(huán)境因素、學(xué)習(xí)對(duì)象因素以及學(xué)習(xí)者因素。

（1）環(huán)境因素:當(dāng)前訪(fǎng)問(wèn)人數(shù) Number。某學(xué)習(xí)對(duì)象當(dāng)前訪(fǎng)問(wèn)人數(shù)對(duì)學(xué)習(xí)活動(dòng)將產(chǎn)生較大的影響，原因在于學(xué)習(xí)者在移動(dòng)學(xué)習(xí)環(huán)境下主要是利用移動(dòng)設(shè)備和無(wú)線(xiàn)網(wǎng)絡(luò)，通過(guò)掃描學(xué)習(xí)對(duì)象的二維碼來(lái)獲取知識(shí)信息。若在同一時(shí)間內(nèi)有過(guò)多的學(xué)習(xí)者訪(fǎng)問(wèn)同一學(xué)習(xí)對(duì)象，就會(huì)由于訪(fǎng)問(wèn)數(shù)量巨大而使網(wǎng)絡(luò)擁堵，甚至出現(xiàn)服務(wù)器停止響應(yīng)的現(xiàn)象。因此，系統(tǒng)應(yīng)根據(jù)各學(xué)習(xí)對(duì)象當(dāng)前訪(fǎng)問(wèn)的人數(shù)來(lái)決定是否將該學(xué)習(xí)對(duì)象推薦給學(xué)習(xí)者作為下一個(gè)學(xué)習(xí)的目標(biāo)。本研究用擁堵、一般、流暢，分別表示當(dāng)前訪(fǎng)問(wèn)人數(shù)飽和、適中、較少的三個(gè)等級(jí)。

（2）學(xué)習(xí)對(duì)象因素:預(yù)期學(xué)習(xí)價(jià)值 Value。在眾多的學(xué)習(xí)對(duì)象中，部分知識(shí)點(diǎn)與學(xué)習(xí)目標(biāo)的相關(guān)性不大，即學(xué)習(xí)價(jià)值較小，此時(shí)學(xué)習(xí)系統(tǒng)在進(jìn)行學(xué)習(xí)路徑規(guī)劃時(shí)不推薦或直至價(jià)值更高的學(xué)習(xí)對(duì)象全部完成時(shí)才推薦該學(xué)習(xí)對(duì)象。如此一來(lái)，學(xué)習(xí)者就能在有限的時(shí)間內(nèi)盡可能地學(xué)習(xí)主要的知識(shí)點(diǎn)，并盡可能按時(shí)完成學(xué)習(xí)目標(biāo)。本研究將學(xué)習(xí)價(jià)值設(shè)為高、中、低，分別代表知識(shí)點(diǎn)與學(xué)習(xí)目標(biāo)之間緊密、一般、較低的關(guān)聯(lián)度。

（3）學(xué)習(xí)者因素:學(xué)習(xí)需求 Need。學(xué)習(xí)者內(nèi)在的學(xué)習(xí)需求同樣對(duì)學(xué)習(xí)者選擇學(xué)習(xí)對(duì)象有重要的影響。學(xué)習(xí)者的學(xué)習(xí)需求可分為基礎(chǔ)認(rèn)知、一般理解和重點(diǎn)掌握三個(gè)層次，系統(tǒng)中用認(rèn)知、理解、掌握來(lái)表示三個(gè)層次間的差別。當(dāng)學(xué)習(xí)需求為基礎(chǔ)認(rèn)知時(shí)，可推薦內(nèi)容、展示形式都比較簡(jiǎn)單的學(xué)習(xí)對(duì)象，此時(shí)可接納較多的學(xué)習(xí)者同時(shí)訪(fǎng)問(wèn)。當(dāng)學(xué)習(xí)需求為一般理解時(shí)，可推薦內(nèi)容豐富、展示形式相對(duì)簡(jiǎn)單的學(xué)習(xí)對(duì)象，此時(shí)需適當(dāng)考慮當(dāng)前的學(xué)習(xí)者數(shù)量。當(dāng)學(xué)習(xí)需求為重點(diǎn)掌握時(shí)，可推薦包括圖片、音視頻等資源在內(nèi)的、內(nèi)容比較詳實(shí)的學(xué)習(xí)對(duì)象，此時(shí)對(duì)網(wǎng)絡(luò)帶寬、響應(yīng)速度等的要求比較高，需重點(diǎn)考慮當(dāng)前的學(xué)習(xí)者數(shù)量。

根據(jù)以上分析，本文將環(huán)境因素、學(xué)習(xí)對(duì)象因素、學(xué)習(xí)者因素這三個(gè)情景參數(shù)進(jìn)行數(shù)據(jù)化表征設(shè)計(jì)，其結(jié)果如表1所示。

表1 移動(dòng)學(xué)習(xí)環(huán)境下學(xué)習(xí)路徑影響因素?cái)?shù)據(jù)化表征

移動(dòng)學(xué)習(xí)環(huán)境下所有學(xué)習(xí)對(duì)象都與上述三個(gè)情景參數(shù)相關(guān)聯(lián)，因此可將其作為各學(xué)習(xí)對(duì)象的定位標(biāo)準(zhǔn)，即將這三個(gè)情景參數(shù)作為學(xué)習(xí)對(duì)象的三維坐標(biāo)，根據(jù)各學(xué)習(xí)對(duì)象所賦予的當(dāng)前訪(fǎng)問(wèn)人數(shù)、預(yù)期學(xué)習(xí)價(jià)值和學(xué)習(xí)需求，來(lái)決定該學(xué)習(xí)者學(xué)習(xí)內(nèi)容的先后順序，從而將個(gè)性化移動(dòng)學(xué)習(xí)路徑問(wèn)題轉(zhuǎn)化為類(lèi)似TSP問(wèn)題，進(jìn)而利用遺傳算法求得最優(yōu)解。

三 基于遺傳算法的移動(dòng)學(xué)習(xí)路徑生成機(jī)制設(shè)計(jì)

遺傳算法屬于元啟發(fā)式算法，是開(kāi)展進(jìn)化計(jì)算使用最頻繁的技術(shù)之一。根據(jù)達(dá)爾文“適者生存”的進(jìn)化原則，遺傳算法模擬的過(guò)程更符合個(gè)體且有更高的生存和遺傳的可能性。將遺傳算法應(yīng)用于移動(dòng)學(xué)習(xí)路徑生成機(jī)制，優(yōu)化后的遺傳算法工作流程如圖2所示。

圖2 移動(dòng)學(xué)習(xí)環(huán)境下遺傳算法工作流程圖

基于遺傳算法的移動(dòng)學(xué)習(xí)路徑生成機(jī)制過(guò)程包括如下九個(gè)步驟:

（1）學(xué)習(xí)對(duì)象染色體編碼。該步驟需將學(xué)習(xí)對(duì)象序列進(jìn)行編碼作為一個(gè)染色體，而染色體是一組由學(xué)習(xí)對(duì)象序列號(hào)形成的基因。為了固定開(kāi)始和結(jié)束的位置，開(kāi)始和結(jié)束節(jié)點(diǎn)分別設(shè)為0和n+1。對(duì)圖1中的學(xué)習(xí)路徑進(jìn)行染色體編碼后，所得結(jié)果如圖3所示。

圖3 學(xué)習(xí)對(duì)象染色體編碼示例圖

（2）確定學(xué)習(xí)路徑評(píng)估函數(shù)。為了找出潛在的學(xué)習(xí)對(duì)象染色體并進(jìn)行保存，以便開(kāi)展下一步操作，需要評(píng)估染色體的合適度。本文采用如公式1所示函數(shù)作為學(xué)習(xí)路徑的評(píng)估函數(shù)。

在公式1中，Xi是第i個(gè)染色體，l是染色體Xi的長(zhǎng)度；Xij是學(xué)習(xí)對(duì)象的唯一序號(hào)，是第i個(gè)染色體的第j個(gè)基因；Vx是學(xué)習(xí)對(duì)象Cx的學(xué)習(xí)價(jià)值，F(xiàn)x是Cx的飽和指標(biāo)。公式1是學(xué)習(xí)價(jià)值Vx和Fx的指標(biāo)，即學(xué)習(xí)路徑將獲得更高的價(jià)值，且低飽和度的學(xué)習(xí)對(duì)象更適合。

（3）生成學(xué)習(xí)對(duì)象初始種群。在此步驟中，根據(jù)情景因素和學(xué)習(xí)者的個(gè)性特征，這些染色體里的基因序列隨機(jī)產(chǎn)生，這些學(xué)習(xí)對(duì)象染色體被稱(chēng)作初始種群。

（4）計(jì)算學(xué)習(xí)路徑選擇。該步驟中潛在的學(xué)習(xí)對(duì)象染色體將從下一代種群中選擇出來(lái)。通過(guò)學(xué)習(xí)路徑評(píng)估函數(shù)計(jì)算分?jǐn)?shù)，然后按照種群遞減順序進(jìn)行排序。優(yōu)化后的遺傳算法中，染色體的前50%是保留的，后50%用于步驟5～8中產(chǎn)生下一代染色體。

（5）學(xué)習(xí)路徑交叉操作。交叉用于改變上一代到下一代學(xué)習(xí)對(duì)象染色體的編碼。本研究使用的是單點(diǎn)交叉，且交叉點(diǎn)隨機(jī)產(chǎn)生。如果學(xué)習(xí)對(duì)象染色體中存在重復(fù)的基因，則將由未選定的基因代替。

（6）學(xué)習(xí)序列突變。基因突變用于保持學(xué)習(xí)路徑遺傳的多樣性。優(yōu)化后的遺傳算法中有兩種突變，分別是序列突變和長(zhǎng)度突變。當(dāng)發(fā)生序列突變時(shí)，所選擇的兩種基因?qū)⑦M(jìn)行互換。

（7）學(xué)習(xí)路徑長(zhǎng)度突變。在本文的移動(dòng)學(xué)習(xí)路徑生成機(jī)制研究中，學(xué)習(xí)路徑序列的長(zhǎng)度是可變的。因此，優(yōu)化的遺傳算法中學(xué)習(xí)路徑長(zhǎng)度突變將在隨機(jī)選擇的基因位置中發(fā)生，它們將被刪除或插入，且發(fā)生概率為50%。

（8）學(xué)習(xí)路徑評(píng)價(jià)。個(gè)性化學(xué)習(xí)路徑的適應(yīng)度函數(shù)將用來(lái)檢測(cè)前期過(guò)程的結(jié)果，潛在的學(xué)習(xí)對(duì)象染色體將在下一代中保留下來(lái)。

步驟4～8是基于遺傳算法的移動(dòng)學(xué)習(xí)路徑生成機(jī)制過(guò)程的第一代。如果優(yōu)化后的遺傳算法條件能得到滿(mǎn)足，則輸出最有潛力的學(xué)習(xí)對(duì)象染色體結(jié)果，否則返回步驟 4，并運(yùn)行評(píng)估程序。在本研究中，終止條件是染色體代數(shù)達(dá)到閾值。

（9）染色體解碼:將染色體解碼成一個(gè)學(xué)習(xí)導(dǎo)航路徑，然后引導(dǎo)學(xué)習(xí)者開(kāi)展學(xué)習(xí)。

結(jié)合圖1所示案例，現(xiàn)假定共有7個(gè)學(xué)習(xí)對(duì)象，且學(xué)習(xí)時(shí)間限制為40分鐘。O0和O7分別表示學(xué)習(xí)開(kāi)始對(duì)象和學(xué)習(xí)結(jié)束對(duì)象；設(shè)定初始種群為2，且在第一代生成之后終止算法。優(yōu)化后的遺傳算法程序?qū)⒃诿恳淮a(chǎn)生4個(gè)染色體。最初，4個(gè)主染色體隨機(jī)產(chǎn)生，如圖4所示。每個(gè)染色體的適應(yīng)度決定過(guò)程如下:

高適應(yīng)度的染色體將在交叉階段被選擇，通過(guò)隨機(jī)選擇一個(gè)切割位置用于交換所選擇染色體的基因來(lái)產(chǎn)生新染色體N1和N2。圖5是突變階段的圖示說(shuō)明，其中序列突變和長(zhǎng)度突變隨機(jī)發(fā)生。在此案例中，N1通過(guò)交換兩個(gè)隨機(jī)產(chǎn)生的值（如2和4）進(jìn)行變異，N2通過(guò)延伸其長(zhǎng)度來(lái)進(jìn)行變異。圖6所示的是新的學(xué)習(xí)對(duì)象染色體，且通過(guò)學(xué)習(xí)路徑適應(yīng)度函數(shù)的評(píng)估，以決定是否比原來(lái)的更好。

圖4 初始種群和改進(jìn)的遺傳算法的交叉階段

圖5 移動(dòng)學(xué)習(xí)環(huán)境下遺傳算法的突變

圖6 移動(dòng)學(xué)習(xí)環(huán)境下遺傳算法的評(píng)價(jià)

根據(jù)圖1中所示的移動(dòng)學(xué)習(xí)情景參數(shù)，基于遺傳算法的移動(dòng)學(xué)習(xí)路徑生成機(jī)制得到的學(xué)習(xí)路徑為O0→O1→O3→O6→O2→O4→O7。

四 總結(jié)

移動(dòng)學(xué)習(xí)環(huán)境雖然為個(gè)性化學(xué)習(xí)提供了許多潛在優(yōu)勢(shì)，但基于移動(dòng)學(xué)習(xí)情景和學(xué)習(xí)者個(gè)性特征相結(jié)合的個(gè)性化移動(dòng)學(xué)習(xí)路徑問(wèn)題一直制約著移動(dòng)學(xué)習(xí)的應(yīng)用發(fā)展。本研究將遺傳算法應(yīng)用于移動(dòng)學(xué)習(xí)路徑的研究中，將移動(dòng)學(xué)習(xí)情景因素和學(xué)習(xí)者的個(gè)性特征作為輸入變量，并結(jié)合博物館參觀學(xué)習(xí)的應(yīng)用案例，提出了基于遺傳算法的移動(dòng)學(xué)習(xí)路徑生成機(jī)制，可為移動(dòng)學(xué)習(xí)環(huán)境下個(gè)性化學(xué)習(xí)的應(yīng)用研究提供支持。

[1]彭紹東.基于SCORM標(biāo)準(zhǔn)的“學(xué)習(xí)路徑”設(shè)計(jì)[J].現(xiàn)代教育技術(shù),2010,20(8):114-119.

[2]Zheng Q H, Huang X J, Zhang C. A learning navigation path algorithm based on knowledge map in E-Learning[A]. Ezendu A, Dorota K, Jan G. Proceedings of 2013 second international conference on E-Learning and E-Technologies in education[C]. Piscataway: IEEE Press, 2013:180-185.

[3]Chiou C K, Tseng J C R, Hwang G J, et al. An adaptive navigation support system for conducting context-aware ubiquitous learning in museums[J]. Computers & Education, 2010,55(2):834-845.

[4]Vincent T, Fung S T, Alex Y, et al. Applying an evolutionary approach for learning path optimization in the next-generation E-Learning systems[A]. Carlo G, Vincent T, Li Y S. Proceedings of 2013 IEEE 13th international conference on advanced learning technologies[C]. Piscataway: IEEE Press, 2013:120-122.

[5]Shukhman A, Motyleva M, Belonovskaya I. Individual learning path modeling on the basis of generalized competencies system[A]. Olivier P, Michael E, Auer, et al. Proceedings of 2013 IEEE global engineering education conference[C]. Piscataway: IEEE Press, 2013:1023-1026.

[6]彭建偉.基于Memetic算法的個(gè)性化學(xué)習(xí)路徑推薦的研究與實(shí)現(xiàn)[D].長(zhǎng)沙:湖南大學(xué),2009:30-31.

[7]Hwang G J, Kuo F R, Yin P Y, et al. A heuristic algorithm for planning personalized learning paths for context-aware ubiquitous learning[J]. Computers & Education, 2010,54(2):404-415.

Research of Mobile Learning Path Generative Mechanism Based on Genetic Algorithm——Take Museum Visiting Learning as an Example

LI Hao-jun CUI Chen-ping XU Jia-cheng XIANG Jing HUA Yan-yan
(College of Educational Science and Technology, Zhejiang University of Technology, Hangzhou, Zhejiang, China 310023)

The massive disorder information resources in mobile learning environment may interfere the learners to choose resources and carry out learning activity. In this paper, this research synthetically considers the mobile learning situation and characteristics of learners under mobile learning environment, and then take genetic algorithm into the mobile learning path study in order to explore the generative mechanism of mobile learning path on the basis of museum visiting learning case. The purpose of this research is that personalized mobile learning path can be generated based on mobile learning situation, learning resources which are satisfied with learner’s learning need and situation are recommend, and better learning effect is got by learners .

mobile learning; learning contexts; learning path; genetic algorithm

G40-057

A【論文編號(hào)】1009—8097（2015）08—0100—07【DOI】10.3969/j.issn.1009-8097.2015.08.015

編輯:小米

本文為教育部人文社會(huì)科學(xué)研究青年基金項(xiàng)目“mCSCL環(huán)境下情景感知性異質(zhì)學(xué)習(xí)伙伴生成機(jī)制研究”（項(xiàng)目編號(hào)：12YJCZH103）、浙江省教科規(guī)劃重點(diǎn)研究項(xiàng)目“基于語(yǔ)義網(wǎng)技術(shù)的情境感知移動(dòng)學(xué)習(xí)系統(tǒng)設(shè)計(jì)及實(shí)證研究”（項(xiàng)目編號(hào)：SB116）的階段性研究成果。

李浩君，副教授，碩士，研究方向?yàn)橐苿?dòng)學(xué)習(xí)、普適計(jì)算，郵箱為zgdlhj@zjut.edu.cn。

2014年9月23日