基于改进二进制粒子群算法的个性化学习路径推荐研究

发布时间：2022-12-11 11:33

　　随着信息技术与教育应用不断深度融合,在线学习在教育领域已得到广泛应用。然而,现有的在线学习系统仍然存在诸多问题,主要表现为三个方面:第一是学习者在面对在线学习系统中大量的学习资源的时候,易出现"学习迷航"和"认知超载"等现象;第二是大多数在线学习系统不能准确并全面的分析学习者的个性化特征,造成现有在线学习系统推送的个性化学习路径与学习者需求的匹配度较低,推荐精确度不高;第三是当前在线学习系统提供的个性化学习路径推荐功能所使用的算法收敛速度慢,收敛精度不高,导致推荐给学习者的个性化学习路径不能满足学习者的需求。为解决上述问题,本文提出了基于惯性权重非线性增大和对未知空间探索的改进二进制粒子群算法的个性化学习路径推荐方法MABPSO-PLP。首先,梳理了国内外关于个性化学习路径推荐和智能优化算法相关文献;其次,分析了在线学习环境下学习者当前的认知能力、期望目标、有效学习时间,并结合学习资源难度、学习资源包含的知识点和时间特征,为学习者和学习资源构建特征模型（LEET）;再次,针对BSPO算法在寻优后期存在不易逃离局部最优的问题,设计了改进二进制粒子群优化算法MABPSO,通过对算法的改进,... 

【文章页数】：59 页

【学位级别】：硕士

【部分图文】：

LEET模型

惯性权重变化曲线

四种算法在不同测试函数的解集箱须图

【参考文献】：
期刊论文
[1]基于深度学习的资源个性化推荐算法及模型设计[J]. 梁婷婷,李丽琴.  智能计算机与应用. 2018(06)
[2]基于进化状态判定的模糊自适应二进制粒子群优化算法[J]. 李浩君,张征,张鹏威,王万良.  模式识别与人工智能. 2018(04)
[3]基于用户模型的生成性学习资源个性化推荐研究[J]. 谭明新,鲍晓琴.  软件导刊. 2017(08)
[4]基于改进二进制粒子群算法的个性化网络学习资源推荐方法[J]. 李浩君,刘中锋,李赛,王万良.  系统科学与数学. 2017(08)
[5]基于认知多样性变异的鸡群算法协同优化异步实现[J]. 肖亮,刘思彤.  计算机科学. 2017(S1)
[6]基于隐式评分和相似度传递的学习资源推荐[J]. 付芬,豆育升,韩鹏,李耀辉.  计算机应用研究. 2017(12)
[7]基于改进粒子群算法的学习路径优化方法[J]. 吴雷,方卿.  系统科学与数学. 2016(12)
[8]基于混合二进制粒子群的Web系统优化算法[J]. 谌俊异,邓飞其.  计算机工程与应用. 2017(23)
[9]深度推进信息技术与教育的融合创新——《教育信息化“十三五”规划》（2016）解读[J]. 任友群,郑旭东,吴旻瑜.  现代远程教育研究. 2016(05)
[10]并行协作骨干粒子群优化算法[J]. 申元霞,曾传华,王喜凤,汪小燕.  电子学报. 2016(07)



本文编号：3718705