论文部分内容阅读
智能教学系统是由计算机来模拟人类教师的智能化行为,对不同层次、不同需求的学习者实施个性化教学,其广阔的应用前景和巨大的效益得到了专家学者广泛的关注。知识推理就是依据学习者的个性特征和背景知识来为学习者推荐合适的教学内容和有效的教学策略。它是决定智能教学系统性能优劣的一个关键环节。本文是以学习认知理论和布卢姆的掌握学习理论为指导,用遗传算法针对学习者所需要加强学习的课程构建了一条最优学习路径,其主要的工作如下：(1)研究了智能教学系统及相关的学习认知理论、布卢姆的掌握学习理论和学习路径等内容；(2)针对学习者在诊断性测试或形成性测试中错误的项目,将专家预设的课程难度级别与学习者测验时投票出的课程难度级别进行线性组合得出各课程的自适应调整的难度系数；(3)使用向量空间模型对课程进行建模,应用经典Tf-idf方法计算出各课程的相似度；(4)利用遗传算法构造了一条将课程难度系数和课程之间的相似度作为重要参数,以难度值最低的课程为起始课程,课程序列的相似度之和达到最大值的最优个性化学习路径。(5)详细论述了遗传算法的编码(Code)、初始化(Initialization)、选择(Select)、交叉(Crossover)、变异(Mutation)、适应度函数(Fitness Function)及算法的终止条件(Stop Criterion),给出了遗传算法的基本结构。在此基础上,本文提出了一种基于最优个体保存选择算子、排序选择算子、根据贪心算法思想设计适应值不断上升的交叉算子和采用贪心算法与Inver-Over算子相结合的变异算子的一种改进的遗传算法。(6)知识推理模型分别采取传统遗传算法和改进的遗传算法在Matlab R2009a进行了仿真实验。实验发现,采用了最优个体保存方法、排序选择方法和与贪心算法相结合的交叉算子、变异算子的改进的遗传算法在全局最优解的搜索上,收敛速度要远远快于传统的遗传算法,且找到的解空间的染色体适应度函数值也高于后者。