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.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。与现有技术相比，本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。附图说明图1是实施例一提供的一种基于量子遗传算法的自适应路径优化方法流程图；图2是实施例一提供的知识点的学习路径示意图；图3是实施例一提供的采用传统方式的30人班级的学习方式的示意图；图4是实施例一提供的采用传统方式的30人班级的学习成绩表示意图；图5是实施例一提供的采用本实施例方式的30人班级的学习方式的示意图；图6是实施例一提供的采用本实施例方式的30人班级的学习成绩表示意图；图7是实施例一提供的采用传统方式的90人班级的学习方式的示意图；图8是实施例一提供的采用传统方式的90人班级的学习成绩表示意图；图9是实施例一提供的采用本实施例方式的90人班级的学习方式的示意图；图10是实施例一提供的采用本实施例方式的90人班级的学习成绩表示意图；图11是实施例一提供的30人班级的优化过程示意图；图12是实施例一提供的90人班级的优化过程示意图。具体实施方式以下通过特定的具体实例说明本专利技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本专利技术的其他优点与功效。本专利技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本专利技术的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。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。实施例一本实施例提供的一种基于量子遗传算法的自适应路径优化方法，如图1所示，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。在本实施例中，步骤S1中，构建个性化学习路径的模型，并确定学习目标。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，(0≤P≤1)；Am表示第m个学生的学习能力，(0≤A≤1)；Tn表示预设的基本学习时间。学习偏好P可以通过生理信号进行监测，比如心率和血压信号。还可以进行正交试验得出学习偏好P、学习能力A，并通过历史数据进行动态修正。显然P、A、t与学习效果R成正相关关系，假设R与P、A和t为线性关系，最高分为100分。例如，一个学生Sm，学习知识点Kn，学习能力Am＝0.8，对于视频文本等无明显偏好，即偏好Pm＝1，学习知识点Kn达到基本学习时间，即tmn＝Tn，带入上述公式中，则该生的成绩Rmn＝80分。在步骤S2中，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。在步骤S3中，基于得到的学习任务，对构建的模型进行约束。其中，约束指的是学习资源的分配约束，因为课本/老师/试验台等数量都是有限的，每次解码的时候都要判断当前时刻学习资源是否为零，如果为零就要采用其它资源。本实施例以《建筑施工组织设计》中流水施工这节课为例，介绍个性化学习路径的优化方法。如图2所示为知识点的学习路径示意图，图中某一节课共有8个知识点(K1-K8)，将K1-K8按照约束的方式进行连接。具体为：学生需要满足按时上下课，假设一节课为45分钟，即最大学习时间小于等于45分钟。每个知识点的学习顺序和学习方式如图2所示，学生从初始点0点开始，通过看书或者听讲学习知识点K1，完成知识点K1后可以通过看书、听讲或视频学习知识点K2，同时也可以通过看书、听讲或视频学习知识点K3，依次进行。知识点之间有次序约束，如知识点K4，需在K2K3完成后才能学习，其余依次约束。其中，K1和K4最低分数为60分，知识点占总分的权重比如下表1所示：知识点K1K2K3K4K5K6K7K8权重0.10.10.10.10.10.10.10.3表1在步骤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，得到个性化学习路径优化后的学习效果。本实施例在量子遗传算法的基础上，采用多层编码，以提高优良个体性能在种群进化过程中有效传递；在量子个体更新的过程中，引进新的量子角的选择模式，以保持种群在进化过程中的多样性，防止早熟收敛。编码是为了得到一组随机生成的可行解，如1440个数字的编码，前90个代表90个学生的优先级，后面的90*7个数字代表缩放因子，最后的90*8代表任务优先级。然后解码就是进行一定的修正，然后得出对应的适应度值(等价于学习效果)。编码设计由于本实施例求解的问题复杂，其决策变量种类多(离散和连续混合)维度高，本实施例不直接将决策变量作为编码，而是将决策变量转化为实数编码。直接使用决策变量编码，其约束难以满足。且不利于算法使用更新公式进行计算，因为本实施例的约束及其复杂，使用更新公式生成的新个体大概率是非法解。此时需要对非法解修正，修正扫做...

【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