进化状态判定与学习策略协同更新的二进制粒子群优化算法

针对二进制粒子群算法存在收敛速度较慢及易早熟的问题,提出一种进化状态判定与学习策略协同更新的二进制粒子群优化算法(ELBPSO),将粒子群迭代过程分为收敛和跳出局部最优两个状态,在进化状态判定的收敛状态阶段采用全信息(Fully informed)学习策略来提高收敛速度,对进化状态判定的跳出局部最优状态阶段采用局部信息(Singly informed)学习策略以维持种群多样性,使算法不易陷入局部最优。实验结果表明:ELBPSO算法具有更好的收敛速度和精度,可以有效平衡收敛与跳出局部最优。

三维本体关联模型下的在线学习路径优化方法

针对目前在线学习路径优化方法存在学习资源关联性低等问题,提出一种三维本体关联模型下的在线学习路径优化方法(TDOCM-LPOM).首先利用本体技术构建三维本体关联模型(TDOCM),模型融合了课程本体、学习者本体以及学习资源本体特征信息;其次设计了种群多样性与映射函数协同更新的二进制粒子群算法(CUBPSO),依据种群多样性状态调整映射函数,使映射函数曲线斜率更符合粒子运动规律,提高在线学习路径优化能力;最后以TDOCM模型为核心融入CUBPSO算法提出TDOCM-LPOM学习路径优化方法,并与其他三个优化方法相比较.实验结果表明,TDOCM-LPOM方法具有更好的稳定性与精准性,可以有效优化在线学习路径.