基于多維時序數(shù)據(jù)算法的大學(xué)生創(chuàng)新創(chuàng)業(yè)學(xué)習(xí)路徑規(guī)劃算法研究

李 清 鄒 青 李 平

（湖南環(huán)境生物職業(yè)技術(shù)學(xué)院，湖南 衡陽 421005）

隨著在線教育的發(fā)展和大學(xué)生創(chuàng)新創(chuàng)業(yè)的重要性日益凸顯，網(wǎng)絡(luò)學(xué)習(xí)平臺可以通過分析學(xué)習(xí)者的學(xué)習(xí)行為數(shù)據(jù)來幫助大學(xué)生進行創(chuàng)新創(chuàng)業(yè)[1]。在線學(xué)習(xí)平臺積累的大量學(xué)習(xí)資源可以為大學(xué)生提供豐富的學(xué)習(xí)內(nèi)容和資源，包括創(chuàng)新創(chuàng)業(yè)理論、案例分析以及市場調(diào)研方法等[2]。學(xué)習(xí)者可以自由選擇不同的資源，并根據(jù)自身需求和興趣定制學(xué)習(xí)計劃。同時，分析大學(xué)生在學(xué)習(xí)平臺中的學(xué)習(xí)行為數(shù)據(jù)，可以了解他們對創(chuàng)新創(chuàng)業(yè)知識的學(xué)習(xí)情況和興趣偏好。相關(guān)研究人員對學(xué)習(xí)路徑規(guī)劃算法進行了大量研究。因為每個人的學(xué)習(xí)能力是不同的，所以應(yīng)該根據(jù)他們的認識程度制定適合他們的學(xué)習(xí)路徑。使學(xué)生在短時間內(nèi)學(xué)習(xí)盡可能多的知識，而且在同樣的時間內(nèi)，還需要加強知識點和概念的互動，這也是一項復(fù)雜且具有挑戰(zhàn)性的任務(wù)。該文的重點在于滿足在線學(xué)習(xí)者希望在最短時間內(nèi)掌握更多知識和技能的需求，特別注重與大學(xué)生創(chuàng)新創(chuàng)業(yè)的主題相結(jié)合。因此，該文將采用基于多維時序數(shù)據(jù)和模擬退火算法優(yōu)化的學(xué)習(xí)路徑規(guī)劃算法為大學(xué)生創(chuàng)新創(chuàng)業(yè)提供最優(yōu)的學(xué)習(xí)路徑，最終達到提高學(xué)習(xí)者學(xué)習(xí)效果和教學(xué)效果的目的。

1 基于多維時序數(shù)據(jù)和模擬退火算法優(yōu)化的學(xué)習(xí)路徑規(guī)劃算法

1.1 算法原理

該算法的基本原理是通過分析大學(xué)生在創(chuàng)新創(chuàng)業(yè)學(xué)習(xí)過程中的多維時序數(shù)據(jù)，例如創(chuàng)新創(chuàng)業(yè)學(xué)習(xí)進度、創(chuàng)新創(chuàng)業(yè)學(xué)習(xí)資源選擇以及創(chuàng)新創(chuàng)業(yè)學(xué)習(xí)行為等，以了解他們的創(chuàng)新創(chuàng)業(yè)學(xué)習(xí)行為和學(xué)習(xí)效果[3]。然后，通過模擬退火算法來優(yōu)化創(chuàng)新創(chuàng)業(yè)學(xué)習(xí)路徑，從而達到更好的學(xué)習(xí)目的，提升創(chuàng)新創(chuàng)業(yè)能力。該算法將大學(xué)生的學(xué)習(xí)路徑劃分為多個時間片段，并根據(jù)每個時間片段內(nèi)的多維時序數(shù)據(jù)來評估學(xué)習(xí)者的學(xué)習(xí)行為和學(xué)習(xí)效果。然后，通過模擬退火算法的優(yōu)化過程來調(diào)整學(xué)習(xí)路徑中的各種參數(shù)和決策，以最大化學(xué)習(xí)效果，提升創(chuàng)新創(chuàng)業(yè)能力。

1.2 算法流程

算法流程如下：1） 數(shù)據(jù)收集。收集大學(xué)生在創(chuàng)新創(chuàng)業(yè)學(xué)習(xí)過程中的多維時序數(shù)據(jù)，包括學(xué)習(xí)進度、學(xué)習(xí)資源選擇、學(xué)習(xí)行為等。2） 數(shù)據(jù)分析。對收集到的數(shù)據(jù)進行分析，對學(xué)習(xí)者的學(xué)習(xí)行為和學(xué)習(xí)效果進行統(tǒng)計和評估，獲取各時間片段內(nèi)的多維時序數(shù)據(jù)。3） 生成初始路徑。根據(jù)數(shù)據(jù)分析的結(jié)果生成初始的學(xué)習(xí)路徑，包括學(xué)習(xí)資源選擇、學(xué)習(xí)時間安排以及學(xué)習(xí)行為順序等。4） 定義評估函數(shù)。根據(jù)創(chuàng)新創(chuàng)業(yè)學(xué)習(xí)目標(biāo)和需求定義一個評估函數(shù)，以評估學(xué)習(xí)路徑的效果。5） 模擬退火算法優(yōu)化。通過模擬退火算法優(yōu)化學(xué)習(xí)路徑，迭代地調(diào)整路徑中的參數(shù)和決策，以最大化評估函數(shù)的值[4]。6） 收斂判斷。設(shè)定收斂條件，判斷模擬退火算法是否達到收斂狀態(tài)。如果未達到收斂狀態(tài)，就返回第四步繼續(xù)優(yōu)化。7） 輸出最優(yōu)路徑。當(dāng)模擬退火算法達到收斂狀態(tài)時，輸出經(jīng)過優(yōu)化的學(xué)習(xí)路徑作為最終結(jié)果。具體的算法流程圖如圖1所示。

圖1 算法流程圖

在該流程中，評估函數(shù)是根據(jù)創(chuàng)新創(chuàng)業(yè)學(xué)習(xí)目標(biāo)和需求來評估學(xué)習(xí)路徑的效果的函數(shù)。具體來說，該函數(shù)從以下3個方面來評估學(xué)習(xí)路徑的效果：1） 創(chuàng)新創(chuàng)業(yè)能力評估。用多維時序數(shù)據(jù)中的創(chuàng)新創(chuàng)業(yè)能力指標(biāo)（例如創(chuàng)新意識、創(chuàng)新行為以及創(chuàng)業(yè)能力等）來評估學(xué)習(xí)路徑對學(xué)生創(chuàng)新創(chuàng)業(yè)能力的提升效果。2） 學(xué)習(xí)效果評估。根據(jù)學(xué)生在學(xué)習(xí)過程中的成績、知識掌握程度等數(shù)據(jù)來評估學(xué)習(xí)路徑對學(xué)習(xí)效果的影響。3） 資源利用評估。根據(jù)學(xué)生在學(xué)習(xí)過程中使用的學(xué)習(xí)資源來評估學(xué)習(xí)路徑對資源利用的效果。

根據(jù)以上3個方面的評估指標(biāo)，可以設(shè)計1個綜合評估函數(shù)，根據(jù)具體的評估目標(biāo)和需求來計算學(xué)習(xí)路徑的評估得分，如公式（1）所示（具體的計算方法和公式可以根據(jù)具體情況和需求進行定義和調(diào)整）。

式中：ω1、ω2和ω3為3個權(quán)重，表示對應(yīng)指標(biāo)的重要程度。

1.3 基于模擬退火算法的大學(xué)生創(chuàng)新創(chuàng)業(yè)學(xué)習(xí)路徑規(guī)劃算法優(yōu)化

該文通過優(yōu)化學(xué)習(xí)路徑來提高大學(xué)生的創(chuàng)新創(chuàng)業(yè)能力，優(yōu)化學(xué)習(xí)路徑流程，如圖2所示。具體步驟如下：1） 隨機生成初始解。根據(jù)學(xué)習(xí)路徑的劃分和各時間片段內(nèi)的多維時序數(shù)據(jù)，隨機生成初始解作為初始學(xué)習(xí)路徑。2） 定義目標(biāo)函數(shù)。根據(jù)初始解和多維時序數(shù)據(jù)定義1個目標(biāo)函數(shù)來評估學(xué)習(xí)路徑的優(yōu)劣。目標(biāo)函數(shù)可以根據(jù)具體情況進行設(shè)計，例如可以考慮學(xué)習(xí)效果、學(xué)習(xí)時間以及學(xué)習(xí)資源選擇等因素。3） 模擬退火算法的循環(huán)迭代過程。鄰域搜索，在當(dāng)前解的臨近解空間中進行搜索，得到一個新的候選解。接受準(zhǔn)則，根據(jù)目標(biāo)函數(shù)和模擬退火算法的接受準(zhǔn)則（例如Metropolis準(zhǔn)則）決定是否接受該候選解作為新的當(dāng)前解。降溫策略，根據(jù)降溫策略逐步降低溫度，并探索更優(yōu)的解空間。迭代停止條件，設(shè)置迭代停止條件，例如溫度降到一定程度或達到一定迭代次數(shù)等。輸出最優(yōu)解，當(dāng)模擬退火算法停止后，輸出最優(yōu)的學(xué)習(xí)路徑作為優(yōu)化后的解。

圖2 優(yōu)化學(xué)習(xí)路徑流程圖

基于前文已經(jīng)獲得的學(xué)生的多維時序數(shù)據(jù)，對其學(xué)習(xí)時間和學(xué)習(xí)資源選擇進行數(shù)據(jù)處理：1）學(xué)習(xí)時間。以小時為單位，每個時間段有不同的學(xué)習(xí)效果，越接近個人最佳學(xué)習(xí)時間段，學(xué)習(xí)效果越好。2） 學(xué)習(xí)資源選擇。在學(xué)習(xí)過程中，可以選擇不同的學(xué)習(xí)資源，例如線上課程、實踐項目以及導(dǎo)師指導(dǎo)等。每種學(xué)習(xí)資源有不同的學(xué)習(xí)效果。

研究目標(biāo)是通過模擬退火算法來優(yōu)化學(xué)習(xí)路徑，以最大化學(xué)習(xí)效果，提升創(chuàng)新創(chuàng)業(yè)能力。將目標(biāo)函數(shù)定義為學(xué)習(xí)效果的線性組合，學(xué)習(xí)效果由學(xué)習(xí)時間和學(xué)習(xí)資源選擇決定。目標(biāo)函數(shù)如公式（2）所示。

根據(jù)具體情況對學(xué)習(xí)時間效果和學(xué)習(xí)資源選擇效果進行設(shè)計和計算。學(xué)習(xí)時間效果如公式（3）所示。

其中，T時間段學(xué)習(xí)效果是根據(jù)個人最佳學(xué)習(xí)時間段T1～Tn和每個時間段內(nèi)的學(xué)習(xí)效果（）進行計算的，學(xué)習(xí)時間占比為選擇的學(xué)習(xí)時間t在每個時間段內(nèi)的占比。學(xué)習(xí)資源選擇R如公式（4）所示。

其中，資源選擇效果R是根據(jù)每種學(xué)習(xí)資源的學(xué)習(xí)效果進行計算的，資源選擇占比為每種學(xué)習(xí)資源在整個學(xué)習(xí)過程中的占比。

計算目標(biāo)函數(shù)及其組成部分，可以評估不同學(xué)習(xí)路徑的優(yōu)劣，并通過模擬退火算法進行優(yōu)化，最終得到最優(yōu)的學(xué)習(xí)路徑規(guī)劃。在算法的迭代過程中，可以根據(jù)具體問題和需求對參數(shù)和優(yōu)化策略進行設(shè)計。

2 試驗結(jié)果和分析

2.1 參數(shù)設(shè)置

該文的試驗參數(shù)見表1。

表1 試驗參數(shù)表

基于上述試驗參數(shù)可以得出某個學(xué)生具體的學(xué)習(xí)路徑的數(shù)據(jù)，見表2。

表2 某學(xué)習(xí)者具體學(xué)習(xí)路徑數(shù)據(jù)

通過比較不同試驗次數(shù)或迭代次數(shù)下的目標(biāo)函數(shù)值，可以評估模擬退火算法優(yōu)化大學(xué)生創(chuàng)新創(chuàng)業(yè)學(xué)習(xí)路徑規(guī)劃的效果。如果目標(biāo)函數(shù)值逐漸變小，就表示模擬退火算法逐漸優(yōu)化學(xué)習(xí)路徑，具有更好的學(xué)習(xí)效果和更強的創(chuàng)新創(chuàng)業(yè)能力。同時，可以通過對比不同試驗次數(shù)或迭代次數(shù)下的最優(yōu)解的參數(shù)設(shè)置來了解優(yōu)化過程中的變化和影響。

2.2 試驗結(jié)果

該文對基于多維時序數(shù)據(jù)和模擬退火算法的有效性進行驗證，評價對象為A大學(xué)2023級學(xué)生，對其在“創(chuàng)新與創(chuàng)業(yè)”的學(xué)習(xí)過程中生成的多維時序數(shù)據(jù)進行評價。與傳統(tǒng)的K均值算法（K-means）、層次聚類算法（HC）進行算法性能仿真比較，結(jié)果如圖3所示。

圖3 聚類算法的性能對比曲線

由圖3可知，當(dāng)對2023級學(xué)生進行聚類時，3種算法的SSE值都會隨著聚類數(shù)目的增加而降低，隨著聚類數(shù)目增多和每組學(xué)生人數(shù)減少，SSE也降低。DB值越小，表示相同類別內(nèi)的距離就越小，而不同的類別之間的距離就越大。K-means算法與HC算法的DB值會隨簇數(shù)目的增加而變小，SA算法的DB值曲線起伏較大，其原因是譜聚類算法（CSC）使用了切圖的方法來進行分類，而另外2個算法都是以距離為基礎(chǔ)進行分類的，因此在試驗中會出現(xiàn)一定的差別。

運用該算法將2023級學(xué)習(xí)者分為4種類型，并為學(xué)生制定學(xué)習(xí)路徑。2023級學(xué)習(xí)者的3種參數(shù)見表3，學(xué)習(xí)者規(guī)劃學(xué)習(xí)路徑如圖4所示（這里只列舉一條學(xué)習(xí)路徑）。

表3 2023級學(xué)習(xí)者參數(shù)設(shè)置

在圖4中，數(shù)字表示知識節(jié)點的索引。知識節(jié)點的顏色與學(xué)習(xí)路徑規(guī)劃中推薦學(xué)習(xí)者的學(xué)習(xí)次數(shù)有統(tǒng)計學(xué)意義，淺灰色的知識節(jié)點表示在規(guī)劃后的學(xué)習(xí)路徑中出現(xiàn)1次，深灰色的知識節(jié)點表示出現(xiàn)2次，黑色的知識節(jié)點表示出現(xiàn)3次及以上。

圖4 學(xué)習(xí)者的最優(yōu)學(xué)習(xí)路徑

3 結(jié)語

該文基于多維時序數(shù)據(jù)和模擬退火算法提出了一種大學(xué)生創(chuàng)新創(chuàng)業(yè)學(xué)習(xí)路徑規(guī)劃算法。對多維時序數(shù)據(jù)進行數(shù)值范圍設(shè)定和參數(shù)定義，并結(jié)合模擬退火算法進行迭代優(yōu)化，實現(xiàn)了對大學(xué)生創(chuàng)新創(chuàng)業(yè)學(xué)習(xí)路徑進行規(guī)劃和優(yōu)化的目標(biāo)。研究包括對多維時序數(shù)據(jù)進行設(shè)定和生成試驗數(shù)據(jù)、編寫模擬退火算法的實現(xiàn)程序以及根據(jù)算法進行迭代優(yōu)化，最終得到最優(yōu)的學(xué)習(xí)路徑。然而，該文也存在一些不足之處。首先，多維時序數(shù)據(jù)的參數(shù)設(shè)定可能存在主觀性和隨機性，需要采用更科學(xué)、合理的方法進行設(shè)定。其次，模擬退火算法的優(yōu)化參數(shù)的選擇和調(diào)整可能對算法的性能和收斂速度產(chǎn)生較大的影響，需要進一步研究和優(yōu)化。最后，該文只考慮了大學(xué)生創(chuàng)新創(chuàng)業(yè)的學(xué)習(xí)路徑規(guī)劃，對其他領(lǐng)域的應(yīng)用仍需要進一步探索和驗證。未來可以進一步優(yōu)化多維時序數(shù)據(jù)的設(shè)定和生成方法，以提高數(shù)據(jù)的真實性和可靠性。