基于粒子群优化算法的在线学习资源序列化服务研究
发布时间：2023-04-02 10:09
随着人工智能技术与教育应用研究的深度融合发展,以教师引导、学习者主导、领域知识模型为架构的在线学习系统服务不断完善。在线学习不仅能解决传统学习领域中的地理位置、学习时间以及学习资源等方面限制问题,而且也能为学习者提供方便、实时、互动的在线学习环境,已成为互联网领域重要的应用之一。学习情境可计算、学习主体可理解以及学习服务可定制是实现个性化在线学习的三大核心问题,根据学习者的个体认知能力差异,从众多的在线学习资源中发现、导入、组合、生成以及分发给与学习者能力和需求相匹配的资源内容与资源序列,需要为学习者提供智能化、动态化、个性化的在线学习资源序列化服务,从而提高在线学习者的学习效率,已成为在线智能学习领域重要研究内容。然而,在线学习过程中学习者个性化特征具有多变性和难以量化性,在线学习资源的海量性和复杂性,导致在线学习资源序列化服务研究方面存在着学习资源推荐难度大、推荐方法速度慢、推荐精度不高以及学习路径匹配度低等一系列问题。在这样的背景下,本文从在线学习资源序列化服务不同阶段的数学模型构建入手,深入分析在线学习资源序列化服务特征,通过对计算智能领域粒子群算法的优化研究,提高学习资源推荐...
【文章页数】：156 页
【学位级别】：博士
【文章目录】：
摘要
abstract
第1章 绪论
1.1 研究背景和意义
1.2 在线学习资源序列化服务研究现状
1.2.1 基于推荐方法的在线学习资源序列化服务
1.2.2 基于计算智能的在线学习资源序列化服务
1.3 目前存在的问题
1.4 本文的主要研究工作
1.5 本论文的组织
第2章 基于进化状态判定的模糊二进制粒子群优化算法
2.1 引言
2.2 二进制粒子群算法基本原理
2.3 基于进化状态判定的模糊二进制粒子群优化算法 EFBPSO
2.3.1 EFBPSO算法优化思想
2.3.2 EFBPSO算法性能分析
2.3.3 EFBPSO算法基本步骤
2.4 EFBPSO算法实验仿真及分析
2.4.1 EFBPSO算法流程
2.4.2 仿真实验设置
2.4.3 实验结果及分析
2.5 在线学习资源推荐方法 EFBPSO-RA
2.5.1 EFBPSO-RA 方法资源推荐基本步骤
2.5.2 EFBPSO-RA方法资源推荐性能分析
2.6 本章小结
第3章 基于多维特征差异发现的在线学习资源推荐服务
3.1 引言
3.2 个性化在线学习资源推荐问题描述
3.3 多维特征差异发现的在线学习资源推荐模型设计
3.3.1 在线学习资源推荐模型POLMRM构建
3.3.2 资源推荐模型POLMRM参数描述
3.3.3 在线学习资源推荐目标函数设计
3.3.4 面向学习者特征偏好的估计算法
3.4 个性化在线学习资源推荐方法 POLMRM-RA
3.4.1 个性化在线学习资源推荐方法流程
3.4.2 ABPSOA 算法优化基本思路
3.5 实验仿真与结果分析
3.5.1 实验评估标准与参数设置
3.5.2 推荐前后资源分布状态分析
3.5.3 ABPSOA 算法收敛性分析
3.5.4 方法执行性能对比分析
3.6 本章小结
第4章 基于多维信息特征映射模型的在线学习路径规划服务
4.1 引言
4.2 在线学习路径规划问题描述
4.2.1 在线学习资源智能推荐
4.2.2 学习知识点连续性问题
4.2.3 在线学习路径规划问题定义
4.3 在线学习路径规划模型构建
4.3.1 学习路径规划相关定义
4.3.2 学习路径规划参数设置
4.3.3 学习路径规划子目标函数
4.4 在线学习路径规划方法 MIFMM-PPA
4.4.1 学习路径规划问题流程
4.4.2 学习路径规划算法NBPSO
4.5 实验仿真与结果分析
4.5.1 在线学习路径规划序列过程分析
4.5.2 在线学习路径规划综合性能分析
4.6 本章小结
第5章 基于邻居均值变异多目标粒子群算法的在线课程资源生成服务
5.1 引言
5.2 相关工作
5.2.1 多目标优化问题
5.2.2 多目标优化视角下在线课程资源生成模型设计
5.3 在线课程资源生成服务子目标冲突性分析
5.4 基于邻居均值变异的多目标粒子群优化算法
5.4.1 无速度多目标粒子群算法
5.4.2 邻居均值变异算子
5.4.3 多目标粒子群优化算法 AMOPSO
5.4.4 AMOPSO算法性能仿真实验
5.5 在线课程资源生成方法 AMOPSO-GA
5.6 实验仿真与结果分析
5.6.1 仿真实验设计
5.6.2 实验结果分析
5.7 本章小结
第6章 总结与展望
6.1 总结
6.2 展望
参考文献
致谢
攻读学位期间参加的科研项目和成果
本文编号：3779035
【文章页数】：156 页
【学位级别】：博士
【文章目录】：
摘要
abstract
第1章 绪论
1.1 研究背景和意义
1.2 在线学习资源序列化服务研究现状
1.2.1 基于推荐方法的在线学习资源序列化服务
1.2.2 基于计算智能的在线学习资源序列化服务
1.3 目前存在的问题
1.4 本文的主要研究工作
1.5 本论文的组织
第2章 基于进化状态判定的模糊二进制粒子群优化算法
2.1 引言
2.2 二进制粒子群算法基本原理
2.3 基于进化状态判定的模糊二进制粒子群优化算法 EFBPSO
2.3.1 EFBPSO算法优化思想
2.3.2 EFBPSO算法性能分析
2.3.3 EFBPSO算法基本步骤
2.4 EFBPSO算法实验仿真及分析
2.4.1 EFBPSO算法流程
2.4.2 仿真实验设置
2.4.3 实验结果及分析
2.5 在线学习资源推荐方法 EFBPSO-RA
2.5.1 EFBPSO-RA 方法资源推荐基本步骤
2.5.2 EFBPSO-RA方法资源推荐性能分析
2.6 本章小结
第3章 基于多维特征差异发现的在线学习资源推荐服务
3.1 引言
3.2 个性化在线学习资源推荐问题描述
3.3 多维特征差异发现的在线学习资源推荐模型设计
3.3.1 在线学习资源推荐模型POLMRM构建
3.3.2 资源推荐模型POLMRM参数描述
3.3.3 在线学习资源推荐目标函数设计
3.3.4 面向学习者特征偏好的估计算法
3.4 个性化在线学习资源推荐方法 POLMRM-RA
3.4.1 个性化在线学习资源推荐方法流程
3.4.2 ABPSOA 算法优化基本思路
3.5 实验仿真与结果分析
3.5.1 实验评估标准与参数设置
3.5.2 推荐前后资源分布状态分析
3.5.3 ABPSOA 算法收敛性分析
3.5.4 方法执行性能对比分析
3.6 本章小结
第4章 基于多维信息特征映射模型的在线学习路径规划服务
4.1 引言
4.2 在线学习路径规划问题描述
4.2.1 在线学习资源智能推荐
4.2.2 学习知识点连续性问题
4.2.3 在线学习路径规划问题定义
4.3 在线学习路径规划模型构建
4.3.1 学习路径规划相关定义
4.3.2 学习路径规划参数设置
4.3.3 学习路径规划子目标函数
4.4 在线学习路径规划方法 MIFMM-PPA
4.4.1 学习路径规划问题流程
4.4.2 学习路径规划算法NBPSO
4.5 实验仿真与结果分析
4.5.1 在线学习路径规划序列过程分析
4.5.2 在线学习路径规划综合性能分析
4.6 本章小结
第5章 基于邻居均值变异多目标粒子群算法的在线课程资源生成服务
5.1 引言
5.2 相关工作
5.2.1 多目标优化问题
5.2.2 多目标优化视角下在线课程资源生成模型设计
5.3 在线课程资源生成服务子目标冲突性分析
5.4 基于邻居均值变异的多目标粒子群优化算法
5.4.1 无速度多目标粒子群算法
5.4.2 邻居均值变异算子
5.4.3 多目标粒子群优化算法 AMOPSO
5.4.4 AMOPSO算法性能仿真实验
5.5 在线课程资源生成方法 AMOPSO-GA
5.6 实验仿真与结果分析
5.6.1 仿真实验设计
5.6.2 实验结果分析
5.7 本章小结
第6章 总结与展望
6.1 总结
6.2 展望
参考文献
致谢
攻读学位期间参加的科研项目和成果
本文编号：3779035
本文链接：https://www.wllwen.com/shoufeilunwen/sklbs/3779035.html