基于蟻群-粒子群混合算法的學習路徑推薦策略研究

東苗

摘 要：針對目前學習路徑推薦方法存在學習路徑匹配度不高的問題，建立學習者和學習對象模型，綜合考慮學習者的認知水平、學習風格與學習對象的難度、類型、目標知識點關聯度的匹配情況等因素，使用粒子群算法搜索到次優路徑后，再使用蟻群算法搜索最短路徑，有效解決了單一的蟻群算法初期搜索方向盲目性的缺點。仿真結果表明，算法的求解速度和尋優性能得到了有效提高。

關鍵詞：蟻群算法;粒子群算法;學習路徑

中圖分類號：TP 18

文獻標志碼：A

文章編號：1007-757X（2020）11-0130-03

Abstract：The current method of learning path recommendationhas the problem that the learning path matching degree is not high enough. In this paper， alearner and the learning object model isestablished. The model deals with the factors like the cognitive level and the learning style of the learner， the difficulty and resource typeof the learning object， and the relevance degree of the target knowledge point，etc. After that， the particle swarm optimization algorithm is used to search for the suboptimal path， and then the ant colony algorithm is used to search for the shortest path. These techniqueseffectively solve the shortcoming of the blindness of the initial search direction of the single ant colony algorithm. The simulation results show that the convergence speed and optimization performance of the algorithm are effectively improved.

Key words：ant colony algorithm;particle swarm optimization algorithm;learning path

0?引言

在開展學習活動時，由于學習者學習風格的不同以及認知能力的差異，對學習對象的學習次序和內容組織方式也不盡相同。因此，利用人工智能技術提供個性化和自適應的學習服務功能，以提高個體學習者的學習效率，已成為在線智能學習領域重要研究內容之一。

學習路徑推薦算法是實現個性化學習路徑推薦的關鍵。應用于學習路徑的智能優化算法主要有遺傳算法、蟻群算法、粒子群算法、人工神經網絡、AprioriAll算法、貝葉斯網絡推理、語義本體和情景感知。每種推薦算法都具有各自的特點，有不同的數據處理方式和適用范圍，推薦的效率也有區別[1]。相較于其他方法，蟻群算法具有反饋性和自學習性，可以通過互動監測學習者的學習狀態，隨時根據整體情況計算轉移概率，在處理動態組合問題上有很大優勢。但是傳統蟻群算法具有搜索時間較長、易陷入局部最優的缺點，因此本文采用蟻群粒子群混合算法實現學習路徑推薦。……