一种基于量子遗传算法的自适应路径优化方法技术

本发明专利技术公开了一种基于量子遗传算法的自适应路径优化方法，包括：S1.构建个性化学习路径的模型，并确定学习目标；S2.列出学习知识点，并基于学习目标使各个知识点连接，得到学习任务；S3.基于得到的学习任务，对构建的模型进行约束；S4.利用量子遗传算法的自适应路径优化方法对构建的模型进行优化，得到个性化学习路径优化后的学习效果。本发明专利技术解决了在个性化学习中，学生与教学资源合理匹配的问题，尤其是提高学习效果25％以上。

【技术实现步骤摘要】
一种基于量子遗传算法的自适应路径优化方法
本专利技术涉及自适应教学
，尤其涉及一种基于量子遗传算法的自适应路径优化方法。
技术介绍
传统教学设计中不考虑学生间的差异性，而在实际情况是学生群体庞大，差异也非常大。一个正常班级，学生的学习能力有差异，学习偏好有差异，这是由自身决定的，短期内无法改变。传统教学中，主要靠老师讲，多媒体教育手段丰富了老师的教学手段，而互联网时代，尤其是移动互联网时代的到来，极大丰富了教育资源，更重要的是老师不再是唯一的知识传播途径，甚至是教学组织者和管理者。这些技术进步和资源积累为个性化学习创造了条件。然而，如何根据学生的学习能力判断该学生是否适合个性化的教学方式，且如何提供一种个性化的教学方式是丞待解决的问题。
技术实现思路
本专利技术的目的是针对现有技术的缺陷，提供了一种基于量子遗传算法的自适应路径优化方法。为了实现以上目的，本专利技术采用以下技术方案：一种基于量子遗传算法的自适应路径优化方法，包括：S1.构建个性化学习路径的模型，并确定学习目标；S2本文档来自技高网...

【技术保护点】
1.一种基于量子遗传算法的自适应路径优化方法，其特征在于，包括：/nS1.构建个性化学习路径的模型，并确定学习目标；/nS2.列出学习知识点，并基于学习目标使各个知识点连接，得到学习任务；/nS3.基于得到的学习任务，对构建的模型进行约束；/nS4.利用量子遗传算法的自适应路径优化方法对构建的模型进行优化，得到个性化学习路径优化后的学习效果。/n

【技术特征摘要】
1.一种基于量子遗传算法的自适应路径优化方法，其特征在于，包括：
S1.构建个性化学习路径的模型，并确定学习目标；
S2.列出学习知识点，并基于学习目标使各个知识点连接，得到学习任务；
S3.基于得到的学习任务，对构建的模型进行约束；
S4.利用量子遗传算法的自适应路径优化方法对构建的模型进行优化，得到个性化学习路径优化后的学习效果。


2.根据权利要求1所述的一种基于量子遗传算法的自适应路径优化方法，其特征在于，所述步骤S1中构建个性化学习路径的模型，表示为：



其中，Rmn表示第m个学生学习第n个知识点的学习效果；tmn表示第m个学生学习第n个知识点的时间；Pm表示第m个学生的学习偏好；Am表示第m个学生的学习能力；Tn表示预设的基本学习时间。


3.根据权利要求2所述的一种基于量子遗传算法的自适应路径优化方法，其特征在于，所述步骤S3中对构建的模型进行约束是对学习资源的分配进行约束。


4.根据权利要求1所述的一种基于量子遗传算法的自适应路径优化方法，其特征在于，所述步骤S4中利用量子遗传算法的自适应路径优化方法对构建的模型进行优化中还包括采用多层编码对构建的模型进行优化。


5.根据权利要求4所述的一种基于量子遗传算法的自适应路径优化方法，其特征在于，所述多层编码的编码格式表示为：
X＝[X1,X2,X3]
其中，X1表示1xN的矩阵，N表示每一个学生的优先级；X2表示一个MxN的矩阵，M表示学习任务的数量；X3表示一个Nx(M-1)的矩阵，为每一个任务的缩放因子。


6.根据权利要求5所述的一种基于量子遗传算法的自适应路径优化方法，其特征在于，所述多层编码中的解码方法，具体包括：
A1.初始化与学习任务相关的状态；
A2.确定学生任务的安排顺序，得到学生的优先级；
A3.根据步骤A2确定的学生优先级，依次安排每一个学生的任务；
A4.根据学生能力和科目偏好，确定学生学习每一项学习任务并获得满分的时...

【专利技术属性】
技术研发人员：徐坚，张泽鹏，楼可欣，刘创，章胜鹏，
申请(专利权)人：浙江开放大学，
类型：发明
国别省市：浙江;33