本文關鍵詞：基于改進二進制粒子群算法的個性化網絡學習資源推薦方法　出處：《系統(tǒng)科學與數學》2017年08期 　論文類型：期刊論文

  更多相關文章： 個性化網絡學習資源推薦 適應度函數 二進制粒子群算法 非對稱映射函數

【摘要】：針對目前啟發(fā)式算法用于解決個性化網絡學習資源推薦問題時存在推薦速度較慢、不穩(wěn)定等問題,文章提出基于改進二進制粒子群算法的個性化網絡學習資源推薦方法(AsyBPSO-RA).該方法將個性化網絡學習資源推薦問題建構為適應度函數,利用改進二進制粒子群算法(AsyBPSO)優(yōu)化此適應度函數,生成推薦結果;AsyBPSO采用非對稱映射函數,取代基本二進制粒子群算法中的S型映射函數,以更好地平衡算法的探索和開發(fā)階段.通過五組實驗結果對比分析發(fā)現,AsyBPSO收斂能力強,穩(wěn)定性高,表明AsyBPSO-RA是較為有效的個性化網絡學習資源推薦方法.
[Abstract]:In view of the current heuristic algorithm used to solve the personalized learning resources recommendation problem there are some problems such as slow recommendation speed instability and so on. In this paper, an improved binary Particle Swarm Optimization (BPSO) based recommendation method for personalized web-based learning resources is proposed, which constructs the recommendation problem of personalized web-based learning resources into fitness function. An improved binary particle swarm optimization algorithm (AsyBPSO) is used to optimize the fitness function to generate the recommended results. AsyBPSO uses asymmetric mapping function to replace the S-type mapping function in the basic binary particle swarm optimization algorithm to better balance the exploration and development stages of the algorithm. AsyBPSO has strong convergence ability and high stability, which indicates that AsyBPSO-RA is an effective recommendation method for personalized network learning resources.
【作者單位】： 浙江工業(yè)大學教育科學與技術學院;浙江工業(yè)大學計算機科學與技術學院;
【基金】：國家社科基金年度項目(16BTQ084)資助課題
【分類號】：TP18
【正文快照】： i引言 個性化網絡學習資源推薦是根據學習者個性化學習特征提供相匹配的學習資源和學習路徑[11.根據學習者的期望和能力等信息提供的個性化網絡學習資源,能夠有效地提升學習者的學習效率.但是由于個性化網絡學習資源推薦問題的高復雜度,導致已有的個性化網絡學習資源推薦方法

【相似文獻】

相關期刊論文 前10條

1 車林仙;;基于粒子群算法的混沌系統(tǒng)快速控制[J];瀘州職業(yè)技術學院學報;2006年03期

2 郭明山;劉秉瀚;;一種改進的混沌粒子群算法[J];福建電腦;2008年02期

3 張楠;邢志棟;董建民;王辛;;一種基于粒子群算法和育種算法的混合算法[J];西北大學學報(自然科學版);2008年01期

4 張大興;賈建援;張愛梅;郭永獻;;基于粒子群算法的三軸跟瞄裝置跟蹤策略研究[J];儀器儀表學報;2009年09期

5 張?zhí)├?劉春生;;基于改進粒子群算法的控制分配研究與應用[J];伺服控制;2012年06期

6 黃珍;潘穎;曹曉麗;;粒子群算法的基本理論及其改進研究[J];硅谷;2014年05期

7 焦國輝;;一種改進的粒子群算法穩(wěn)定性證明及其應用[J];現代計算機(專業(yè)版);2014年14期

8 王晟;潘郁;;個體激勵粒子群算法及其社會學背景分析[J];計算機工程;2008年21期

9 彭志平;張慧;;一種改進的粒子群算法在協(xié)商優(yōu)化中的應用[J];計算機工程;2008年10期

10 沈佳寧;須文波;孫俊;;基于量子粒子群算法的收斂性研究[J];微計算機信息;2009年06期

相關會議論文 前10條

1 方衛(wèi)華;徐蘭玉;陳允平;;改進粒子群算法在大壩力學參數分區(qū)反演中的應用[A];2012年中國水力發(fā)電工程學會大壩安全監(jiān)測專委會年會暨學術交流會論文集[C];2012年

2 馬向陽;陳琦;;以粒子群算法求解買賣雙方存貨主從對策[A];第十二屆中國管理科學學術年會論文集[C];2010年

3 黃勝;任萬龍;王超;何新;;多目標粒子群算法在翼型優(yōu)化的應用[A];第二十五屆全國水動力學研討會暨第十二屆全國水動力學學術會議文集（上冊）[C];2013年

4 李洪全;王京;;基于粒子群算法的自適應PID控制[A];冶金企業(yè)自動化、信息化與創(chuàng)新——全國冶金自動化信息網建網30周年論文集[C];2007年

5 李曙光;;粒子群算法在高速公路多路徑費用拆分方法研究[A];第二十六屆中國控制會議論文集[C];2007年

6 趙亮;;遺傳增強混沌粒子群算法[A];第二十九屆中國控制會議論文集[C];2010年

7 楊誠;楊傳啟;;基于粒子群算法的PID參數優(yōu)化[A];第七屆工業(yè)儀表與自動化學術會議論文集[C];2006年

8 劉文許;林禮清;溫步瀛;;電力市場下基于改進粒子群算法的AGC機組選擇[A];中國高等學校電力系統(tǒng)及其自動化專業(yè)第二十四屆學術年會論文集（中冊）[C];2008年

9 劉衍民;馬衛(wèi)民;;基于高斯白噪聲擾動的混合粒子群算法及其應用[A];第十屆中國不確定系統(tǒng)年會、第十四屆中國青年信息與管理學者大會論文集[C];2012年

10 王征;劉大寶;王家林;王永驥;;基于離散粒子群算法的船舶電力系統(tǒng)重構研究[A];2011年中國智能自動化學術會議論文集（第一分冊）[C];2011年

相關博士學位論文 前10條

1 李慶偉;粒子群算法及電廠若干問題的研究[D];東南大學;2016年

2 尹浩;求解Web服務選取問題的粒子群算法研究[D];東北大學;2014年

3 邵晴;粒子群算法研究及其工程應用案例[D];吉林大學;2017年

4 黃平;粒子群算法改進及其在電力系統(tǒng)的應用[D];華南理工大學;2012年

5 胡成玉;面向動態(tài)環(huán)境的粒子群算法研究[D];華中科技大學;2010年

6 張靜;基于混合離散粒子群算法的柔性作業(yè)車間調度問題研究[D];浙江工業(yè)大學;2014年

7 劉宏達;粒子群算法的研究及其在船舶工程中的應用[D];哈爾濱工程大學;2008年

8 馮琳;改進多目標粒子群算法的研究及其在電弧爐供電曲線優(yōu)化中的應用[D];東北大學;2013年

9 劉衍民;粒子群算法的研究及應用[D];山東師范大學;2011年

10 王雪飛;粒子群算法的動態(tài)拓樸結構研究[D];西南大學;2008年

相關碩士學位論文 前10條

1 李強;基于改進粒子群算法的艾薩爐配料優(yōu)化[D];昆明理工大學;2015年

2 付曉艷;基于粒子群算法的自調節(jié)隸屬函數模糊控制器設計[D];河北聯合大學;2014年

3 余漢森;粒子群算法的自適應變異研究[D];南京信息工程大學;2015年

4 梁計鋒;基于改進粒子群算法的交通控制算法研究[D];長安大學;2015年

5 楊偉;基于粒子群算法的氧樂果合成過程建模研究[D];鄭州大學;2015年

6 李程;基于粒子群算法的AS/RS優(yōu)化調度方法研究[D];陜西科技大學;2015年

7 戴玉倩;基于混合動態(tài)粒子群算法的軟件測試數據自動生成研究[D];江西理工大學;2015年

8 仲偉彪;改進粒子群算法的研究及其云計算資源調度的應用[D];江西理工大學;2015年

9 艾東;基于粒子群算法的雙重目標設施布置優(yōu)化[D];西安建筑科技大學;2015年

10 劉召軍;解優(yōu)化問題的混合粒子群算法[D];陜西師范大學;2015年

，

本文編號：1404409