基于间隔时间学习和抽样法的协同进化算法

协同进化算法中,计算个体适应度时,代表个体的选择以及代表个体与个体的组合评估需要很大的计算量。协同进化遗传算法虽然计算量相对小一点,但是只能获得一个贪婪解。多模式共生进化算法虽能克服协同进化遗传算法的这个缺点,但是计算量太大。本文利用间隔时间学习方法提出间隔时间学习协同进化算法,该算法每隔N代交互一次信息。在此基础上,将抽样法应用到协同进化算法中。实验结果表明,这种方法能有效地减少计算量,且本文从数学方面进行了分析验证。

碎片化学习真的会影响学习效果吗?——基于在线学习的分散学习效应研究

在线学习活动随时随地开展的特性,引发了人们对碎片化学习的讨论。脑神经科学、心理学的研究发现,分散学习能够加强学习者对知识的记忆和理解,有助于学生在每次学习中消除错误,保留更多的知识并促进知识的迁移。碎片化的在线学习与分散学习方式非常类似。在线学习中是否存在分散学习效应?不同时间间隔对在线学习效果的影响如何?基于某大学74名大学生的分组实验显示:采用短时间间隔方式在线学习的实验组学生成绩显著高于采用长时间间隔方式在线学习的控制组,短学习时间间隔下学生更容易产生对知识的深度认知加工行为,且学习时间间隔以首次练习正确率为中介因素对最终学习成绩产生影响。该结果说明在线学习中存在分散学习效应;只要保证学习者在一个较长的时间段内能够相对完整地完成所有知识内容的学习,碎片化学习有可能对在线学习效果产生积极的影响。因此,应将学习时间安排纳入到在线学习设计之中,探索不同类型知识的最优学习时间间隔并进行学习推荐,以更好地适应越来越普遍的碎片化学习。