本發(fā)明設(shè)計(jì)涉及學(xué)習(xí)路徑規(guī)劃，尤其涉及一種基于分化轉(zhuǎn)移策略的知識(shí)點(diǎn)分析學(xué)習(xí)路徑識(shí)別協(xié)同進(jìn)化框架方法。

背景技術(shù)：

1、目前，隨著信息技術(shù)的飛速發(fā)展和社會(huì)經(jīng)濟(jì)的持續(xù)進(jìn)步，教育領(lǐng)域也迎來了前所未有的變革與機(jī)遇。傳統(tǒng)的教育模式面臨著諸多挑戰(zhàn)，包括個(gè)性化學(xué)習(xí)程度低、知識(shí)獲取的效率不足、教學(xué)資源的分配不均等問題。與此同時(shí)，伴隨人工智能技術(shù)的日益成熟和普及，為教育領(lǐng)域帶來了全新的可能性與前景。因此，如何獲取最佳的真實(shí)學(xué)習(xí)路徑成為了智能教育研究的重要課題之一。然而要實(shí)現(xiàn)智能教育的目標(biāo)，必須建立起完善的學(xué)習(xí)路徑系統(tǒng)。學(xué)習(xí)路徑是學(xué)生在學(xué)習(xí)過程中按照一定的順序和步驟獲取知識(shí)和技能的路徑規(guī)劃。傳統(tǒng)的學(xué)習(xí)路徑往往是固定的、統(tǒng)一的，無法滿足不同學(xué)生的個(gè)性化學(xué)習(xí)需求。其中不同知識(shí)點(diǎn)之間存在因果關(guān)系，因果關(guān)系一般能夠用因果圖表示(causal?graphs)，通常使用的因果圖類型為有向無環(huán)圖，其由節(jié)點(diǎn)和有向關(guān)系組成。通過節(jié)點(diǎn)之間互相指向的形式即從原因指向結(jié)果能夠可視化地展現(xiàn)出知識(shí)點(diǎn)之間的因果關(guān)系。judea?pearl所提出的結(jié)構(gòu)因果模型scm是因果推斷研究中一個(gè)常用的框架。通過圖結(jié)構(gòu)搜索能夠?qū)崿F(xiàn)對(duì)學(xué)生最佳學(xué)習(xí)路徑進(jìn)行甄別。圖是一種能夠很好地反應(yīng)因果關(guān)系的結(jié)構(gòu)，圖結(jié)構(gòu)能夠表示各個(gè)節(jié)點(diǎn)之間的交互關(guān)系，廣泛用于教育，醫(yī)療，工程等領(lǐng)域。正因?yàn)閳D結(jié)構(gòu)的廣泛存在，它們成為許多系統(tǒng)的支撐。圖中存儲(chǔ)著具有交互關(guān)系的實(shí)體的信息以及具體的交互信息。

2、由于從數(shù)據(jù)中的到準(zhǔn)確的因果結(jié)果是一個(gè)np-hard問題，怎樣才能高效地從數(shù)據(jù)中學(xué)習(xí)到因果關(guān)系是近幾十年的研究重點(diǎn)。由此涌現(xiàn)出許多因果搜索方法。例如基于評(píng)分的因果結(jié)構(gòu)搜索算法，這類算法能夠利用評(píng)分算法簡化計(jì)算，但其缺點(diǎn)是必須遍歷所有可能的圖結(jié)構(gòu)，導(dǎo)致容易得到局部最優(yōu)解，如ges算法使用了bdeu評(píng)分函數(shù)進(jìn)行評(píng)估，并且利用貪婪搜索獲得局部最優(yōu)解。

3、綜上所述，現(xiàn)有技術(shù)存在的問題是：

4、(1)在lpr問題上，較多的知識(shí)點(diǎn)組成的學(xué)習(xí)路徑問題可能導(dǎo)致種群的優(yōu)化過成變得格外困難，且傳入問題的數(shù)據(jù)異常可能導(dǎo)致種群優(yōu)化無法進(jìn)行。

5、(2)未能有效識(shí)別不同規(guī)模知識(shí)點(diǎn)間所組成的復(fù)雜結(jié)構(gòu)。優(yōu)化過程中可能由于算法參數(shù)不同，使得優(yōu)化時(shí)間大幅增加。盡管每次學(xué)習(xí)路徑的識(shí)別步驟都是相同的，但不同優(yōu)化方法仍可能導(dǎo)致最優(yōu)學(xué)習(xí)路徑的識(shí)別存在巨大差異。

6、(3)當(dāng)前所使用的技術(shù)對(duì)不同評(píng)價(jià)算法的兼容性相差非常大，往往只能與一種評(píng)價(jià)算法結(jié)合，且效率不高。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有技術(shù)中的不足，本發(fā)明提供了一種基于分化轉(zhuǎn)移策略的學(xué)習(xí)路徑識(shí)別協(xié)同進(jìn)化方法，以解決現(xiàn)有技術(shù)中數(shù)據(jù)異?？赡軐?dǎo)致種群優(yōu)化無法進(jìn)行，最優(yōu)學(xué)習(xí)路徑的識(shí)別存在巨大差異，兼容性差的技術(shù)問題。

2、本發(fā)明提供了一種基于分化轉(zhuǎn)移策略的學(xué)習(xí)路徑識(shí)別協(xié)同進(jìn)化方法，包括如下步驟：

3、步驟1：根據(jù)學(xué)生學(xué)習(xí)知識(shí)的知識(shí)點(diǎn)學(xué)習(xí)路徑信息，隨機(jī)初始化得到初始種群，每個(gè)個(gè)體僅儲(chǔ)存有隨機(jī)生成的學(xué)習(xí)路徑信息；

4、步驟2：識(shí)別種群中錯(cuò)誤生成的學(xué)習(xí)路徑，并將其修復(fù)；

5、步驟3：將父代種群通過差分進(jìn)化算法得到子代種群，子代種群中的每個(gè)個(gè)體在父代種群的影響下生成新學(xué)習(xí)路徑；

6、步驟4：將子代種群按個(gè)體適應(yīng)度值進(jìn)行內(nèi)部排序分為優(yōu)勝種群、探索種群、淘汰種群；

7、步驟5：對(duì)優(yōu)勝種群進(jìn)行正反饋機(jī)制，分析新增學(xué)習(xí)路徑并與正反饋參數(shù)pf結(jié)合；對(duì)淘汰種群執(zhí)行負(fù)反饋機(jī)制，分析新增學(xué)習(xí)路徑與負(fù)反饋參數(shù)nf結(jié)合；

8、步驟6：根據(jù)正負(fù)反饋機(jī)制的結(jié)果對(duì)探索種群進(jìn)行分化轉(zhuǎn)移策略，增加和刪除探索種群中的學(xué)習(xí)路徑；

9、步驟7：將分化轉(zhuǎn)移后的子代種群與父代種群進(jìn)行適應(yīng)度排序，并進(jìn)行交叉合并；

10、步驟8：將交叉排序后的種群分為新的優(yōu)勝種群和淘汰種群，舍棄淘汰種群的個(gè)體，讓優(yōu)勝種群的個(gè)體進(jìn)入下一輪循環(huán)，生成新的父代種群；

11、步驟9：重復(fù)步驟3-8直至達(dá)到函數(shù)評(píng)價(jià)次數(shù)，將種群中最優(yōu)個(gè)體作為最優(yōu)知識(shí)點(diǎn)學(xué)習(xí)路徑。

12、進(jìn)一步地，所示步驟2中，錯(cuò)誤生成的學(xué)習(xí)路徑包括：形成環(huán)路的學(xué)習(xí)路徑；

13、對(duì)形成環(huán)路的學(xué)習(xí)路徑的修復(fù)方法為：刪除造成學(xué)習(xí)路徑產(chǎn)生環(huán)路的最后一條知識(shí)點(diǎn)指向邊。

14、進(jìn)一步地，所述步驟2中包括：通過深度優(yōu)先搜索和路徑棧對(duì)學(xué)習(xí)路徑中的環(huán)路進(jìn)行檢測。

15、進(jìn)一步地，所述步驟3中，子代種群的獲取公式如下：

16、

17、式中，為隨機(jī)一個(gè)種群中適應(yīng)度排序前p*np的個(gè)體，np為種群規(guī)模，p為給定比例；為種群中隨機(jī)選擇的個(gè)體；為當(dāng)前種群與外部存檔集合中隨機(jī)選擇的個(gè)體。

18、進(jìn)一步地，所述步驟4中，個(gè)體適應(yīng)度值進(jìn)行內(nèi)部排序的公式為：

19、

20、式中，con為解的約束違反值，即為學(xué)習(xí)路徑取值的上下限值；obj為解的目標(biāo)值，即種群個(gè)體所預(yù)測的學(xué)習(xí)路徑目標(biāo)值。

21、進(jìn)一步地，所述步驟5中，新增學(xué)習(xí)路徑與正反饋參數(shù)pf、負(fù)反饋參數(shù)nf結(jié)合的公式為：

22、

23、count＝count*nf

24、式中，count初始值為0；newedge為每個(gè)種群個(gè)體增加的路徑數(shù)。

25、本發(fā)明的有益效果：

26、本發(fā)明引入了多子群協(xié)同圖結(jié)構(gòu)學(xué)習(xí)策略，在每次迭代過程中，通過將生成的子代種群由適應(yīng)度水平由高到低分為三個(gè)種群：優(yōu)勝種群、探索種群、淘汰種群，一方面，優(yōu)勝種群的個(gè)體在與正反饋機(jī)制結(jié)合，淘汰種群的個(gè)體與負(fù)反饋機(jī)制結(jié)合，進(jìn)而對(duì)整個(gè)子代種群進(jìn)行優(yōu)化；另一方面，分化轉(zhuǎn)移種群可以保持種群的多樣性，通過將優(yōu)化后的子代種群和當(dāng)前種群進(jìn)行適應(yīng)度值評(píng)估排序，使得適應(yīng)度值高的種群直接進(jìn)入下一次迭代，適應(yīng)度值低的種群則被淘汰，能夠較好地平衡個(gè)體的優(yōu)越性與種群的多樣性。

27、本發(fā)明利用正負(fù)反饋機(jī)制，將生成子代與當(dāng)前種群個(gè)體通過傳入的不同評(píng)價(jià)算法，進(jìn)行評(píng)估比較，通過改變正負(fù)反饋機(jī)制的概率值，以此對(duì)圖結(jié)構(gòu)中的學(xué)習(xí)路徑進(jìn)行優(yōu)化重組，從而快速得到最優(yōu)學(xué)習(xí)路徑。

28、本發(fā)明通過修復(fù)異常圖結(jié)構(gòu)數(shù)據(jù)，將可能存在的有向有環(huán)圖修復(fù)為有向無環(huán)圖，使得算法能夠正確識(shí)別學(xué)習(xí)路徑。

技術(shù)特征：

1.一種基于分化轉(zhuǎn)移策略的學(xué)習(xí)路徑識(shí)別協(xié)同進(jìn)化方法，其特征在于，包括如下步驟：

2.如權(quán)利要求1所述的基于分化轉(zhuǎn)移策略的學(xué)習(xí)路徑識(shí)別協(xié)同進(jìn)化方法，其特征在于，所示步驟2中，錯(cuò)誤生成的學(xué)習(xí)路徑包括：形成環(huán)路的學(xué)習(xí)路徑；

3.如權(quán)利要求2所述的基于分化轉(zhuǎn)移策略的學(xué)習(xí)路徑識(shí)別協(xié)同進(jìn)化方法，其特征在于，所述步驟2中包括：通過深度優(yōu)先搜索和路徑棧對(duì)學(xué)習(xí)路徑中的環(huán)路進(jìn)行檢測。

4.如權(quán)利要求1所述的基于分化轉(zhuǎn)移策略的學(xué)習(xí)路徑識(shí)別協(xié)同進(jìn)化方法，其特征在于，所述步驟3中，子代種群的獲取公式如下：

5.如權(quán)利要求1所述的基于分化轉(zhuǎn)移策略的學(xué)習(xí)路徑識(shí)別協(xié)同進(jìn)化方法，其特征在于，所述步驟4中，個(gè)體適應(yīng)度值進(jìn)行內(nèi)部排序的公式為：

6.如權(quán)利要求1所述的基于分化轉(zhuǎn)移策略的學(xué)習(xí)路徑識(shí)別協(xié)同進(jìn)化方法，其特征在于，所述步驟5中，新增學(xué)習(xí)路徑與正反饋參數(shù)pf、負(fù)反饋參數(shù)nf結(jié)合的公式為：

技術(shù)總結(jié)
本發(fā)明公開了一種基于分化轉(zhuǎn)移策略的學(xué)習(xí)路徑識(shí)別協(xié)同進(jìn)化方法，包括：利用基于環(huán)境壓力因子的子群生成機(jī)制加快算法收斂速度；將種群按適應(yīng)度分為優(yōu)勝種群、探索種群和淘汰種群，并分別承擔(dān)保存最優(yōu)個(gè)體集合、維持種群多樣性和淘汰較差個(gè)體的任務(wù)；探索種群中的個(gè)體通過執(zhí)行正負(fù)反饋機(jī)制后分化轉(zhuǎn)移，令其在保存一部分關(guān)鍵信息的基礎(chǔ)上被重新生成，以強(qiáng)化搜索性能。本發(fā)明相比GEO、MSEA等數(shù)種對(duì)比方法，具有更好的尋優(yōu)能力，能在識(shí)別學(xué)生對(duì)知識(shí)點(diǎn)學(xué)習(xí)過程中得到最佳學(xué)習(xí)路徑起到很好的效果。

技術(shù)研發(fā)人員：王遜,劉添益,李廣達(dá),楊康
受保護(hù)的技術(shù)使用者：江蘇科技大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/30