發(fā)布時間：2023-04-02 10:09

　　隨著人工智能技術(shù)與教育應(yīng)用研究的深度融合發(fā)展,以教師引導(dǎo)、學(xué)習(xí)者主導(dǎo)、領(lǐng)域知識模型為架構(gòu)的在線學(xué)習(xí)系統(tǒng)服務(wù)不斷完善。在線學(xué)習(xí)不僅能解決傳統(tǒng)學(xué)習(xí)領(lǐng)域中的地理位置、學(xué)習(xí)時間以及學(xué)習(xí)資源等方面限制問題,而且也能為學(xué)習(xí)者提供方便、實時、互動的在線學(xué)習(xí)環(huán)境,已成為互聯(lián)網(wǎng)領(lǐng)域重要的應(yīng)用之一。學(xué)習(xí)情境可計算、學(xué)習(xí)主體可理解以及學(xué)習(xí)服務(wù)可定制是實現(xiàn)個性化在線學(xué)習(xí)的三大核心問題,根據(jù)學(xué)習(xí)者的個體認(rèn)知能力差異,從眾多的在線學(xué)習(xí)資源中發(fā)現(xiàn)、導(dǎo)入、組合、生成以及分發(fā)給與學(xué)習(xí)者能力和需求相匹配的資源內(nèi)容與資源序列,需要為學(xué)習(xí)者提供智能化、動態(tài)化、個性化的在線學(xué)習(xí)資源序列化服務(wù),從而提高在線學(xué)習(xí)者的學(xué)習(xí)效率,已成為在線智能學(xué)習(xí)領(lǐng)域重要研究內(nèi)容。然而,在線學(xué)習(xí)過程中學(xué)習(xí)者個性化特征具有多變性和難以量化性,在線學(xué)習(xí)資源的海量性和復(fù)雜性,導(dǎo)致在線學(xué)習(xí)資源序列化服務(wù)研究方面存在著學(xué)習(xí)資源推薦難度大、推薦方法速度慢、推薦精度不高以及學(xué)習(xí)路徑匹配度低等一系列問題。在這樣的背景下,本文從在線學(xué)習(xí)資源序列化服務(wù)不同階段的數(shù)學(xué)模型構(gòu)建入手,深入分析在線學(xué)習(xí)資源序列化服務(wù)特征,通過對計算智能領(lǐng)域粒子群算法的優(yōu)化研究,提高學(xué)習(xí)資源推薦...

【文章頁數(shù)】：156 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景和意義
    1.2 在線學(xué)習(xí)資源序列化服務(wù)研究現(xiàn)狀
        1.2.1 基于推薦方法的在線學(xué)習(xí)資源序列化服務(wù)
        1.2.2 基于計算智能的在線學(xué)習(xí)資源序列化服務(wù)
    1.3 目前存在的問題
    1.4 本文的主要研究工作
    1.5 本論文的組織
第2章 基于進(jìn)化狀態(tài)判定的模糊二進(jìn)制粒子群優(yōu)化算法
    2.1 引言
    2.2 二進(jìn)制粒子群算法基本原理
    2.3 基于進(jìn)化狀態(tài)判定的模糊二進(jìn)制粒子群優(yōu)化算法 EFBPSO
        2.3.1 EFBPSO算法優(yōu)化思想
        2.3.2 EFBPSO算法性能分析
        2.3.3 EFBPSO算法基本步驟
    2.4 EFBPSO算法實驗仿真及分析
        2.4.1 EFBPSO算法流程
        2.4.2 仿真實驗設(shè)置
        2.4.3 實驗結(jié)果及分析
    2.5 在線學(xué)習(xí)資源推薦方法 EFBPSO-RA
        2.5.1 EFBPSO-RA 方法資源推薦基本步驟
        2.5.2 EFBPSO-RA方法資源推薦性能分析
    2.6 本章小結(jié)
第3章 基于多維特征差異發(fā)現(xiàn)的在線學(xué)習(xí)資源推薦服務(wù)
    3.1 引言
    3.2 個性化在線學(xué)習(xí)資源推薦問題描述
    3.3 多維特征差異發(fā)現(xiàn)的在線學(xué)習(xí)資源推薦模型設(shè)計
        3.3.1 在線學(xué)習(xí)資源推薦模型POLMRM構(gòu)建
        3.3.2 資源推薦模型POLMRM參數(shù)描述
        3.3.3 在線學(xué)習(xí)資源推薦目標(biāo)函數(shù)設(shè)計
        3.3.4 面向?qū)W習(xí)者特征偏好的估計算法
    3.4 個性化在線學(xué)習(xí)資源推薦方法 POLMRM-RA
        3.4.1 個性化在線學(xué)習(xí)資源推薦方法流程
        3.4.2 ABPSOA 算法優(yōu)化基本思路
    3.5 實驗仿真與結(jié)果分析
        3.5.1 實驗評估標(biāo)準(zhǔn)與參數(shù)設(shè)置
        3.5.2 推薦前后資源分布狀態(tài)分析
        3.5.3 ABPSOA 算法收斂性分析
        3.5.4 方法執(zhí)行性能對比分析
    3.6 本章小結(jié)
第4章 基于多維信息特征映射模型的在線學(xué)習(xí)路徑規(guī)劃服務(wù)
    4.1 引言
    4.2 在線學(xué)習(xí)路徑規(guī)劃問題描述
        4.2.1 在線學(xué)習(xí)資源智能推薦
        4.2.2 學(xué)習(xí)知識點連續(xù)性問題
        4.2.3 在線學(xué)習(xí)路徑規(guī)劃問題定義
    4.3 在線學(xué)習(xí)路徑規(guī)劃模型構(gòu)建
        4.3.1 學(xué)習(xí)路徑規(guī)劃相關(guān)定義
        4.3.2 學(xué)習(xí)路徑規(guī)劃參數(shù)設(shè)置
        4.3.3 學(xué)習(xí)路徑規(guī)劃子目標(biāo)函數(shù)
    4.4 在線學(xué)習(xí)路徑規(guī)劃方法 MIFMM-PPA
        4.4.1 學(xué)習(xí)路徑規(guī)劃問題流程
        4.4.2 學(xué)習(xí)路徑規(guī)劃算法NBPSO
    4.5 實驗仿真與結(jié)果分析
        4.5.1 在線學(xué)習(xí)路徑規(guī)劃序列過程分析
        4.5.2 在線學(xué)習(xí)路徑規(guī)劃綜合性能分析
    4.6 本章小結(jié)
第5章 基于鄰居均值變異多目標(biāo)粒子群算法的在線課程資源生成服務(wù)
    5.1 引言
    5.2 相關(guān)工作
        5.2.1 多目標(biāo)優(yōu)化問題
        5.2.2 多目標(biāo)優(yōu)化視角下在線課程資源生成模型設(shè)計
    5.3 在線課程資源生成服務(wù)子目標(biāo)沖突性分析
    5.4 基于鄰居均值變異的多目標(biāo)粒子群優(yōu)化算法
        5.4.1 無速度多目標(biāo)粒子群算法
        5.4.2 鄰居均值變異算子
        5.4.3 多目標(biāo)粒子群優(yōu)化算法 AMOPSO
        5.4.4 AMOPSO算法性能仿真實驗
    5.5 在線課程資源生成方法 AMOPSO-GA
    5.6 實驗仿真與結(jié)果分析
        5.6.1 仿真實驗設(shè)計
        5.6.2 實驗結(jié)果分析
    5.7 本章小結(jié)
第6章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
致謝
攻讀學(xué)位期間參加的科研項目和成果



本文編號：3779035