王瑞

摘要：網(wǎng)絡(luò)學(xué)習(xí)是通過(guò)計(jì)算機(jī)網(wǎng)絡(luò)進(jìn)行自主學(xué)習(xí)和協(xié)作學(xué)習(xí)的一種學(xué)習(xí)活動(dòng)。與傳統(tǒng)學(xué)習(xí)活動(dòng)相比，網(wǎng)絡(luò)學(xué)習(xí)具有共享豐富的網(wǎng)絡(luò)化學(xué)習(xí)資源、以個(gè)體的自主學(xué)習(xí)和協(xié)作學(xué)習(xí)為主要形式、無(wú)時(shí)空限制等三個(gè)特征。網(wǎng)絡(luò)學(xué)習(xí)一方面需要網(wǎng)絡(luò)技術(shù)的支持，另一方面需要學(xué)習(xí)者掌握使用技術(shù)進(jìn)行學(xué)習(xí)的知識(shí)和技能。技術(shù)支持不僅僅意味著給學(xué)習(xí)者提供一臺(tái)計(jì)算機(jī)或者幫助他們與因特網(wǎng)相連；更在于它使得學(xué)習(xí)者與一個(gè)充滿(mǎn)學(xué)習(xí)資源的知識(shí)世界相聯(lián)系，為學(xué)習(xí)者提供了一個(gè)使其思想得以拓展的機(jī)遇。網(wǎng)絡(luò)學(xué)習(xí)代表著一種新的學(xué)習(xí)方式。而蟻群算法作為一種智能算法，將其應(yīng)用在網(wǎng)絡(luò)學(xué)習(xí)這一領(lǐng)域，也會(huì)提高我們網(wǎng)絡(luò)學(xué)習(xí)的效率，本文將會(huì)對(duì)這一內(nèi)容展開(kāi)探究。

關(guān)鍵詞：網(wǎng)絡(luò)學(xué)習(xí)；學(xué)習(xí)對(duì)象；蟻群算法

中圖分類(lèi)號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2016）16-0195-04

1 網(wǎng)絡(luò)學(xué)習(xí)的相關(guān)概念、背景

網(wǎng)絡(luò)學(xué)習(xí)改變了傳統(tǒng)的學(xué)習(xí)方式，一方面，互聯(lián)網(wǎng)將全世界的各種信息資源聯(lián)結(jié)起來(lái)，成為一個(gè)海量的資源庫(kù)；另一方面，優(yōu)秀教師或?qū)＜铱梢詮牟煌慕嵌忍峁┫嗤R(shí)的學(xué)習(xí)素材和教學(xué)指導(dǎo)，任何人可以在任何地點(diǎn)進(jìn)行網(wǎng)絡(luò)訪問(wèn)，形成多對(duì)多的教學(xué)。在這種情況下，學(xué)習(xí)者對(duì)學(xué)習(xí)時(shí)間和學(xué)習(xí)內(nèi)容就有了充分的選擇余地，自主學(xué)習(xí)成為必然。傳統(tǒng)的學(xué)習(xí)在時(shí)間上是有限制的，在空間上是狹小的，而網(wǎng)絡(luò)學(xué)習(xí)使知識(shí)的傳遞不受時(shí)空限制，學(xué)習(xí)者可以依據(jù)個(gè)人情況來(lái)安排學(xué)習(xí)的時(shí)間和地點(diǎn)，可以在任何時(shí)間、任何地點(diǎn)向任何人學(xué)習(xí)，打破了學(xué)習(xí)的時(shí)空界線(xiàn)。網(wǎng)絡(luò)學(xué)習(xí)的這種學(xué)習(xí)資源的豐富性、學(xué)習(xí)方式的個(gè)性化、學(xué)習(xí)時(shí)空的非局限性，大大增加了個(gè)體學(xué)習(xí)的自由度和效率。

圖1表示的是RDCEO能力概念模型，RDCEO的優(yōu)點(diǎn)我們這里不做過(guò)多陳述了。

2 學(xué)習(xí)對(duì)象排序

據(jù)RDCEO能力模型，能力記錄與學(xué)習(xí)單元預(yù)先定義的先決條件和學(xué)習(xí)結(jié)果[1]相關(guān)聯(lián)，元數(shù)據(jù)是與學(xué)習(xí)者相關(guān)的一些數(shù)據(jù)，并與學(xué)習(xí)對(duì)象關(guān)聯(lián)。我們使用這種方法來(lái)模擬學(xué)習(xí)對(duì)象排序。通過(guò)構(gòu)建的能力模型，我們可以構(gòu)建一個(gè)包含 “能力”、“元數(shù)據(jù)”和“學(xué)習(xí)對(duì)象”的組件序列。尋到適合不同學(xué)習(xí)群體的學(xué)習(xí)路徑的問(wèn)題，可以公式為一個(gè)約束滿(mǎn)足問(wèn)題，解空間由所有可能的序列構(gòu)成。我們?cè)O(shè)定n為狀態(tài)總數(shù)，好的學(xué)習(xí)路徑的可能序列就可以被表示為滿(mǎn)足所有已建立的約束條件的n個(gè)學(xué)習(xí)對(duì)象。在序列中學(xué)習(xí)單元的排序代表了定義狀態(tài)之間的過(guò)渡轉(zhuǎn)換的操作，包含組件的學(xué)習(xí)對(duì)象自動(dòng)排序由圖2所示。

約束滿(mǎn)足問(wèn)題是一個(gè)三元組（X，D，C），其中X = {x1、x2、x3、x4、x5、x6、x7}表示有限集合變量；D表示將每個(gè)變量映射到相應(yīng)域的一個(gè)函數(shù)D（X） ，?×表示對(duì)每對(duì)符合 0 ≤i

當(dāng)所有來(lái)自以定義的約束滿(mǎn)足問(wèn)題的解是給定的元組的排列時(shí)，這樣的約束滿(mǎn)足問(wèn)題被稱(chēng)作排列約束滿(mǎn)足問(wèn)題。它由四元組（X，D，C，P）表示，其中（X，D，C）是約束滿(mǎn)足問(wèn)題，P=（v0。。。vn-1）是|X| = n值中的一個(gè)元組。需要注意的是，排列約束滿(mǎn)足問(wèn)題的解S必須是（X，D，C）的解，且是P的完全排列。我們所研究的學(xué)習(xí)對(duì)象排序問(wèn)題能夠建模為一個(gè)排列約束滿(mǎn)足問(wèn)題。例如，我們將名稱(chēng)為1，2，3，4，5，6，7的學(xué)習(xí)對(duì)象的排列約束滿(mǎn)足問(wèn)題的解集設(shè)定為 S = {1，2，3，4，5，6，7}，這樣，就表示為：

此外，當(dāng)一個(gè)粒子返回一個(gè)合適的值0，可以找到一個(gè)序列，滿(mǎn)足所有的約束，因此算法的過(guò)程是完成的。適當(dāng)函數(shù)也表現(xiàn)很好，如果約束集C為置換CSP定義準(zhǔn)確?，F(xiàn)在，我們是一個(gè)包含7個(gè)學(xué)習(xí)對(duì)象的序列只有一個(gè)可行的解決方案，約束集定義為C={ xi+1-xi>0：xiX，i∈1，2，3，4，5，6，}。更準(zhǔn)確的定義是C={ xi-xj>0：xiX，xj{x1。。。。。。xi}}。如果我們考慮序列{ 2，3，4，6，7，5，1 }，如果使用了第一個(gè)定義，那么標(biāo)準(zhǔn)的懲罰函數(shù)將返回1；返回值將是6，如果我們使用了第二個(gè)定義。要指出的是，第二個(gè)定義是更準(zhǔn)確的。因?yàn)樗祷貙⑿蛄兄脫Q成一個(gè)適當(dāng)?shù)慕鉀Q方案更好的一個(gè)數(shù)量交換的代表性。此外，第一個(gè)定義的缺點(diǎn)是，不同的序列在其距離到解決方案返回相同的合適值。例如，序列{2，3，4，5，6，7，1}， {1，3，4，5，6，7，2}，{1，2，4，5，6，7，3}和{1，2，3，5，6，7，4}將會(huì)返回合適值1。但是，第二個(gè)定義用于解決約束問(wèn)題。如教師，內(nèi)容供應(yīng)商和管理員的用戶(hù)定義必要的數(shù)量的限制，因此，該系統(tǒng)將計(jì)算實(shí)際的約束，以保證算法的收斂。

3.2 蟻群算法的參數(shù)

值得一提的是，蟻群算法的一個(gè)重要優(yōu)點(diǎn)是與其他遺傳算法相比，它采用相對(duì)小數(shù)量的參數(shù)。在本文中，樣本數(shù)量規(guī)模被設(shè)置為20只螞蟻。由于完全知情的螞蟻，沒(méi)有必要考慮鄰域的大小。

此外，模型給出了用戶(hù)群體進(jìn)行仿真測(cè)試：每個(gè)虛擬學(xué)習(xí)對(duì)象主體（即螞蟻），給予一個(gè)浮點(diǎn)值來(lái)代表——0和1之間。這個(gè)值通常分布在學(xué)生人數(shù)平均數(shù)0.5以上以及標(biāo)準(zhǔn)偏差為1/3。每一個(gè)聯(lián)系都有一個(gè)難度值，也在0和1之間。當(dāng)一只螞蟻到達(dá)給定的節(jié)點(diǎn)時(shí)，如果它的級(jí)別允許它驗(yàn)證節(jié)點(diǎn)，它就成功，否則，它就失敗了。并且同時(shí)釋放相應(yīng)的信息素。該算法的一般標(biāo)準(zhǔn)是在與虛擬機(jī)構(gòu)的電子學(xué)習(xí)門(mén)戶(hù)相對(duì)應(yīng)的虛擬圖上執(zhí)行的。節(jié)點(diǎn)和相應(yīng)的權(quán)重之間的弧已被機(jī)構(gòu)教學(xué)團(tuán)隊(duì)進(jìn)行分配。樣本案例被設(shè)定在現(xiàn)實(shí)情況下的20個(gè)節(jié)點(diǎn)、1000個(gè)弧線(xiàn)，并構(gòu)成一個(gè)有意義的結(jié)構(gòu)與實(shí)際規(guī)模。

該框架的基本蟻群算法如下；在每一次迭代中，利用給定的信息素模型，螞蟻有概率得到考慮到CSP問(wèn)題的解決方案。然后，一個(gè)本地搜索程序被應(yīng)用到所構(gòu)造的解決方案。最后，在下一次迭代開(kāi)始之前，一些解決方案會(huì)被用于執(zhí)行信息素更新。下面是關(guān)于這個(gè)這個(gè)框架的更多細(xì)節(jié)的解釋。

初始化信息素值：在算法開(kāi)始時(shí)，信息素值都被初始化為一個(gè)常量值xi，并且它是大于0的。

解決方案：蟻群算法的基本成分是對(duì)解決方案有一個(gè)概率性的啟發(fā)嘗試。此外，一個(gè)建設(shè)性的啟發(fā)式安排解決方案——對(duì)解集合中的學(xué)習(xí)對(duì)象成分的序列。我們解決檔案建設(shè)都是從空的部分解決方案=（）開(kāi)始的。此外，每一個(gè)步驟的當(dāng)前解決方案都是從集合R（）?C＼{}里面添加可行解組來(lái)的。這是為了保證在每個(gè)步驟當(dāng)中能夠確保約束滿(mǎn)足。讓成為R（）的一個(gè)解成分。的選擇概率是相對(duì)于，的，表示信息素值，v是一個(gè)函數(shù)——對(duì)基于當(dāng)前步驟的信息（也成為啟發(fā)式信息）的每個(gè)有效解的成分進(jìn)行分配。特別是，參數(shù)的值和，>0，>0。參數(shù)決定了信息素值和啟發(fā)式信息的相對(duì)重要性。此外，啟發(fā)式信息是可選的，但獲得一個(gè)高算法性能它是必要的。在蟻群算法中選擇下一個(gè)解決方案組件的概率我們稱(chēng)之為轉(zhuǎn)移概率[3]。

工作算法：

初始化；

1）在系統(tǒng)中設(shè)置所有的初始參數(shù)：變量，狀態(tài)，函數(shù)，輸入，輸出，輸入軌跡，輸出軌跡，然后設(shè)置初始信息素值。

2）將每只螞蟻以空記憶的狀態(tài)單獨(dú)放置在初始狀態(tài)。

While終止條件不滿(mǎn)足時(shí)進(jìn)行如下操作：

（1）構(gòu)建螞蟻方案：每個(gè)螞蟻以應(yīng)用連續(xù)函數(shù)的概率移動(dòng)從一個(gè)狀態(tài)到另一個(gè)狀態(tài)來(lái)構(gòu)建一個(gè)路徑，這取決于：移動(dòng)的吸引力和移動(dòng)的軌跡水平。

（2）應(yīng)用局部搜索。

（3）最佳路徑檢查：如果有改進(jìn)，那么進(jìn)行更新。

（4）更新路徑：1、每條路徑上的信息素以固定比例蒸發(fā)。2、對(duì)每一只螞蟻進(jìn)行螞蟻循環(huán)的信息素更新。3、用一定數(shù)量的精英螞蟻進(jìn)行螞蟻循環(huán)來(lái)增援最佳路徑。

在信息素路徑上創(chuàng)建一個(gè)新的種群樣本：這個(gè)操作是基于適應(yīng)度函數(shù)的情況下，以一定概率從樣本中選擇。

4 數(shù)值模擬

在這一節(jié)中，我們提供了一個(gè)電子學(xué)習(xí)過(guò)程模型和仿真結(jié)果來(lái)說(shuō)明在之前的部分中所獲得的算法的有效性。

網(wǎng)絡(luò)學(xué)習(xí)的過(guò)程的模型是這樣的：學(xué)習(xí)者/用戶(hù)輸入關(guān)于他們要求的數(shù)據(jù)。輸入被收集的活動(dòng)類(lèi)型，復(fù)雜度和布魯姆認(rèn)知水平。輸入被收集之后，使用預(yù)先定義的標(biāo)準(zhǔn)對(duì)學(xué)習(xí)者的能力水平進(jìn)行檢查。如果標(biāo)準(zhǔn)匹配，學(xué)習(xí)對(duì)象的選擇和排序在第B條得到解釋。整體的電子學(xué)習(xí)過(guò)程模型，如圖3所示。

我們考慮這樣的一個(gè)用戶(hù)或者是學(xué)生，進(jìn)入研究生階段在工商管理碩士——系統(tǒng)管理專(zhuān)業(yè)學(xué)習(xí)，并且完成了第一年的課程和需要發(fā)表的核心論文，將這些放在一個(gè)固定的序列中。然后，第二年的時(shí)候，用戶(hù)將登錄到網(wǎng)絡(luò)學(xué)習(xí)門(mén)戶(hù)，并且在他/她想要的完成的課程里選擇活動(dòng)類(lèi)型、復(fù)雜程度和布魯姆認(rèn)知水平。Matlab中的GUI工具箱是用來(lái)開(kāi)發(fā)正在建立中的上述簡(jiǎn)單步驟的選項(xiàng)的。如果用戶(hù)像圖3那樣選擇了活動(dòng)類(lèi)型的評(píng)估，復(fù)雜度的媒介和在布魯姆認(rèn)知水平的應(yīng)用同時(shí)隨著先決條件或者在應(yīng)用程序級(jí)別上進(jìn)行課程所需或限制，可供選擇的課程列表就會(huì)在屏幕上顯示。

根據(jù)先決條件下的被清零的課程數(shù)量，用戶(hù)將被授權(quán)訪問(wèn)那些會(huì)讓他們畢業(yè)的課程。如果約束是不滿(mǎn)足的，用戶(hù)將被提示按照布魯姆認(rèn)知水平中的較低層次去選擇。在這個(gè)過(guò)程中，系統(tǒng)采用圖2中的排序模型，并根據(jù)約束檢驗(yàn)以及這些課程上的權(quán)重分配來(lái)對(duì)課程清單進(jìn)行排序，這將給出一個(gè)如圖4的輸出。為了在仿真中得到驗(yàn)證，網(wǎng)絡(luò)學(xué)習(xí)中的MBA課程中的學(xué)習(xí)對(duì)象排序問(wèn)題將會(huì)到考慮到。尤其是，對(duì)學(xué)習(xí)對(duì)象自動(dòng)排序的解決方案是在使用借助Matlab的算法得到的。更確切地說(shuō)，為了說(shuō)明本文提出的算法的有效性并且驗(yàn)證它，新的學(xué)習(xí)對(duì)象被提出并且會(huì)有仿真結(jié)果生成。在本文提出的算法中，在適應(yīng)度函數(shù)中的起著重要的作用，并且所獲得的解決方案取決于它們的參數(shù)選擇。

我們進(jìn)行了如下的參數(shù)仿真：

（1）工商管理碩士課程在前兩個(gè)學(xué)期主要有7個(gè)課程。

（2）這些課程是按照固定的順序排列的。

（3）然后，將會(huì)8個(gè)選修課程，在這兩個(gè)學(xué)期間，當(dāng)學(xué)生完成全部的基本課程的之后，可以選擇全部所有的選修課程。

（4）學(xué)生標(biāo)準(zhǔn)在他們進(jìn)入第三個(gè)學(xué)期之前必須要得到檢查。

（5）為了選擇選修領(lǐng)域，他們的基本水平將會(huì)受到測(cè)試檢查。舉個(gè)例子，選擇系統(tǒng)專(zhuān)業(yè)的學(xué)生，在他們畢業(yè)之前的學(xué)習(xí)中，必須要有電子論文。

（6）同樣的，附加約束也可以在不同的場(chǎng)景中進(jìn)行設(shè)置。

我們從數(shù)值模擬的實(shí)驗(yàn)可以看出，該蟻群算法在解決網(wǎng)絡(luò)學(xué)習(xí)這一問(wèn)題中是有價(jià)值的，得到的結(jié)果是相對(duì)較優(yōu)的。

5 小結(jié)

根據(jù)約束集，對(duì)網(wǎng)絡(luò)學(xué)習(xí)中學(xué)習(xí)對(duì)象的自動(dòng)排序進(jìn)行了研究。眾所周知的，運(yùn)用到新的信息素更新寫(xiě)略的蟻群算法，被用于獲取網(wǎng)絡(luò)學(xué)習(xí)中的學(xué)習(xí)對(duì)象的自動(dòng)排序，這使得該策略不同于現(xiàn)有文獻(xiàn)中的其他狀況。利用模型和測(cè)試來(lái)保證互操作性。此外，蟻群算法提供了一個(gè)優(yōu)化的解決方案，并且相比于粒子群算法和遺傳算法顯示出了更好的結(jié)果。

參考文獻(xiàn)：

[1] de-Marcos L， Barchinoj R， Martinez J，et al.New method for domain independent curriculum sequencing： A case study in a web engineering

[2] de-Marcos L， Barchinoj R， Martinez J，et al. New method for domain independent curriculum sequencing： A case study in a web engineering master program[J].Int. J. Eng. Educ.，2009（25）：632-645.

[3] Dorigo M， Blum C. Ant colony optimization theory： A survey[J]. Theor. Comput. Sci. 2005， 344：243-278.