謝蘇超

摘要摘要：在線智能化學(xué)習(xí)是目前教育技術(shù)領(lǐng)域研究的熱點(diǎn)，其中課程資源自動編列是在線智能化學(xué)習(xí)系統(tǒng)應(yīng)用成功的關(guān)鍵。課程資源編列能夠較好地解決個性化學(xué)習(xí)資源篩選與重組問題，已成為智慧學(xué)習(xí)領(lǐng)域重要的研究課題。首先在分析國內(nèi)外課程資源編列文獻(xiàn)的基礎(chǔ)上，闡述了課程資源編列問題的內(nèi)涵，構(gòu)建了課程資源編列問題模型，然后梳理基于進(jìn)化計算的課程資源編列問題研究文獻(xiàn)，探索基于學(xué)習(xí)者特征的課程資源編列分類研究現(xiàn)狀，開展基于進(jìn)化計算的課程資源編列問題應(yīng)用研究分析，最后給出了研究趨勢與展望。

關(guān)鍵詞關(guān)鍵詞：在線學(xué)習(xí)；課程資源編列；學(xué)習(xí)資源；進(jìn)化計算

DOIDOI：10.11907/rjdk.171024

中圖分類號：TP301

文獻(xiàn)標(biāo)識碼：A文章編號文章編號：16727800（2017）005019905

0引言

近年來，隨著大數(shù)據(jù)、機(jī)器學(xué)習(xí)和云計算等新興技術(shù)的快速發(fā)展，人工智能已廣泛應(yīng)用于各個領(lǐng)域，以進(jìn)化計算方法應(yīng)用為代表的智慧學(xué)習(xí)研究也得到了迅速發(fā)展，成為推動智慧學(xué)習(xí)[1]系統(tǒng)構(gòu)建的關(guān)鍵技術(shù)之一。信息技術(shù)的快速發(fā)展以及在線學(xué)習(xí)資源的不斷豐富，使學(xué)習(xí)者能獲取的學(xué)習(xí)資源越來越多。在為學(xué)習(xí)者帶來便利的同時，也使學(xué)習(xí)者需要花費(fèi)更多的時間和精力去篩選符合自己學(xué)習(xí)需求的資源，因此“資源超載”現(xiàn)象越來越嚴(yán)重[2]。此外，由于學(xué)習(xí)者的認(rèn)知能力存在差異，導(dǎo)致不同學(xué)習(xí)者的學(xué)習(xí)需求也是不同的。因此，學(xué)習(xí)者迫切期望能獲得符合其實(shí)際需求的學(xué)習(xí)資源序列和資源內(nèi)容[3]。

在線學(xué)習(xí)環(huán)境中，為了從眾多的學(xué)習(xí)資源中發(fā)現(xiàn)、導(dǎo)入、組合以及分發(fā)給學(xué)習(xí)者適合的資源序列與資源內(nèi)容，需要為學(xué)習(xí)者設(shè)計智能化、動態(tài)化以及個性化的資源處理工具，從而產(chǎn)生了在線學(xué)習(xí)領(lǐng)域的課程資源編列問題（Curriculum Sequencing Problem）。從廣義而言，課程資源編列指根據(jù)學(xué)習(xí)者的學(xué)習(xí)特征提供個性化的學(xué)習(xí)資源，如：學(xué)習(xí)資源推薦、個性化學(xué)習(xí)路徑生成[4]等，從而提高個體學(xué)習(xí)者的學(xué)習(xí)效率；從狹義而言，課程資源編列指按照學(xué)習(xí)者的個性特征、學(xué)習(xí)目標(biāo)、學(xué)習(xí)內(nèi)容以及課程層次要素組織課程學(xué)習(xí)資源序列。

在線學(xué)習(xí)系統(tǒng)應(yīng)用成功的關(guān)鍵是提供的學(xué)習(xí)資源能否適應(yīng)學(xué)習(xí)者的先驗(yàn)知識和學(xué)習(xí)需求[5]，其中課程資源編列問題是在線學(xué)習(xí)系統(tǒng)中實(shí)現(xiàn)智能化學(xué)習(xí)的核心。在傳統(tǒng)的學(xué)習(xí)系統(tǒng)中，學(xué)習(xí)資源是固定、預(yù)先存儲的。然而，在智能化學(xué)習(xí)系統(tǒng)中，學(xué)習(xí)資源可以動態(tài)的增加、移動和刪除。因此，迫切需要一種能解決課程資源編列的算法，可以適應(yīng)不斷變化的學(xué)習(xí)環(huán)境。進(jìn)化算法（又稱為演化算法）與傳統(tǒng)的優(yōu)化算法相比，進(jìn)化計算的自適應(yīng)、自學(xué)習(xí)等特性，能夠較好地處理課程資源編列問題。

1課程資源編列問題

1.1課程資源編列問題描述

Brusilovsky[6]認(rèn)為在線學(xué)習(xí)系統(tǒng)應(yīng)提供教師導(dǎo)學(xué)功能，并給予學(xué)習(xí)者個性化的服務(wù)支持。但由于學(xué)習(xí)內(nèi)容和服務(wù)需求具有較強(qiáng)的個性化和特異性，海量的學(xué)習(xí)資源容易使缺乏經(jīng)驗(yàn)的學(xué)習(xí)者無所適從，因此要求學(xué)習(xí)系統(tǒng)能夠提供有效的學(xué)習(xí)資源管理策略。

目前絕大多數(shù)數(shù)字化學(xué)習(xí)系統(tǒng)采取固定的資源管理策略模式，提供的學(xué)習(xí)資源以及資源序列都沒有考慮到學(xué)習(xí)者的偏好、需求以及個性特征。在線學(xué)習(xí)者人數(shù)眾多且存在特征多樣性，學(xué)習(xí)者的需求也會在學(xué)習(xí)進(jìn)程中不斷變化，在線學(xué)習(xí)系統(tǒng)應(yīng)該能夠?yàn)閷W(xué)習(xí)者提供動態(tài)、個性化的資源序列和內(nèi)容，不應(yīng)把為初學(xué)者準(zhǔn)備的引導(dǎo)性學(xué)習(xí)資源推送給有一定學(xué)習(xí)基礎(chǔ)的學(xué)習(xí)者，同樣也不應(yīng)把為有編程經(jīng)驗(yàn)的學(xué)習(xí)者提供的程序設(shè)計學(xué)習(xí)資源推送給無編程經(jīng)歷的學(xué)習(xí)者。

課程資源編列即為學(xué)習(xí)者提供最佳的個性化學(xué)習(xí)資源序列，使其能高效地完成學(xué)習(xí)任務(wù)。課程資源編列涉及學(xué)習(xí)者相關(guān)特征和課程學(xué)習(xí)內(nèi)容，具體包括學(xué)習(xí)者的背景、先前所修課程學(xué)習(xí)內(nèi)容、學(xué)習(xí)動機(jī)、成績以及學(xué)習(xí)能力和風(fēng)格等。即使是確定的學(xué)習(xí)者，隨著其學(xué)習(xí)內(nèi)容的增加與能力的提升，該學(xué)習(xí)者的實(shí)際學(xué)習(xí)需求也會發(fā)生變化，對應(yīng)的學(xué)習(xí)資源會被加入或者剔除，這些都是課程資源編列所需解決的問題。

根據(jù)在線學(xué)習(xí)應(yīng)用關(guān)注的重點(diǎn)不同，課程資源編列問題也有多種表現(xiàn)形式，例如：個性化學(xué)習(xí)路徑及資源推薦、課程學(xué)習(xí)資源排序以及課程學(xué)習(xí)資源組合等問題。總之，為學(xué)習(xí)者指定適合其學(xué)習(xí)所需的學(xué)習(xí)資源序列和資源內(nèi)容是課程資源編列問題研究的宗旨。

1.2課程資源編列問題模型構(gòu)建

課程資源編列問題可視為一個NP難問題[7]，即針對特定學(xué)習(xí)者遍歷課程資源的所有可能序列并尋找最優(yōu)序列是非常困難的。假設(shè)課程學(xué)習(xí)內(nèi)容包括n個課程學(xué)習(xí)資源，如果不考慮各種約束條件，所有可能的課程資源序列為n！，但課程學(xué)習(xí)資源很多時候很難得到所有可能的序列并尋找最優(yōu)排序。如果考慮到學(xué)習(xí)者先前所學(xué)的知識、學(xué)習(xí)能力、背景、學(xué)習(xí)風(fēng)格等約束條件，可行的編序則會縮小。因此，課程資源編列問題可構(gòu)建為約束滿足問題模型或者多目標(biāo)最優(yōu)化問題模型。

1.2.1約束滿足問題模型

約束滿足問題（Constraint Satisfaction Problem，CSP）廣泛存在于人工智能領(lǐng)域。一般而言，CSP問題可定義為P=（Q，E，C）。其中，Q是n個變量（Q1，Q2，…，Qi ，…，Qn）的集合，E是n個域（E1，E2，…，Ei ，…，En）的集合，Ei是Qi可能取值的集合，C是變量Q之間的約束關(guān)系集。

當(dāng)滿足約束問題中存在元組排序需要時，被稱為排序滿足約束問題。一個排序滿足約束問題可以定義為：（X，E，C，P），其中（X，E，C）為一個滿足約束問題，P=是X元組，且|X|=n。解集S必須包含一個滿足約束問題（X，E，C）和一個完全排序問題P。

課程資源編列問題模型轉(zhuǎn)化為一個排序滿足約束問題（PermutCSP）模型[8]。例如：假設(shè)有N個課程學(xué)習(xí)資源，則排序滿足約束問題的解集S={1，2，3，4…N} （其中所有的學(xué)習(xí)對象必須是有順序的）可以被定義為：

X={x1，x2，x3，x4…xN}

E（Xi）={1，2，3，4…N} xi∈X

C={xi+1-xi>0：xi∈X，i∈{1，2，3，4…N}}

P=<1，2，3，4…N>

1.2.2多目標(biāo)優(yōu)化問題模型

在優(yōu)化問題中存在多個需要同時處理的優(yōu)化目標(biāo)時，則成為多目標(biāo)優(yōu)化問題（Multiobjective Optimization Problem，MOP）。多目標(biāo)優(yōu)化問題是由多個決策變量、目標(biāo)函數(shù)、約束條件組成的優(yōu)化問題。課程資源編列問題可構(gòu)建為一個多目標(biāo)優(yōu)化問題[9]，其中決策變量、目標(biāo)函數(shù)如下：

（1）學(xué)習(xí)者參數(shù)：①{L1，L2，…，LK}代表K個學(xué)習(xí)者；②{A1，A2，…，AK} 代表K個學(xué)習(xí)者的水平，其中Ai，1≤i≤K，是學(xué)習(xí)者Li的學(xué)習(xí)水平；③{H1，H2，…，HK} 代表K個學(xué)習(xí)者期望的學(xué)習(xí)目標(biāo)。每個Hi 有 M 個二進(jìn)制值，Hi={hi1，hi2，…，hiM}，其中 him = 1，1≤i≤K 且1≤m≤M，代表期待的學(xué)習(xí)目標(biāo)包含了學(xué)習(xí)概念 Cm，否則 him=0；④約束tl_i，1≤i≤K：學(xué)習(xí)者Li學(xué)習(xí)期望時間的下界；⑤約束tu_i，1≤i≤K：學(xué)習(xí)者Li學(xué)習(xí)期望時間的上界。

（2）學(xué)習(xí)資源參數(shù)：①M(fèi)個學(xué)習(xí)概念{C1；C2… CM}；②N個學(xué)習(xí)對象{ LO1；LO2… LON}。一個LOi 可以涵蓋多個學(xué)習(xí)概念（1≤i≤N）；③學(xué)習(xí)對象難度水平{ D1；D2… DN}。Di 代表學(xué)習(xí)對象LOi的難度（1≤i≤N）；④學(xué)習(xí)對象涵蓋學(xué)習(xí)概念{R1；R2… RW}。每個 Ri都是M個二進(jìn)制值的向量（1≤i≤W）。Ri={ri1；ri2；… ；riM }，如果學(xué)習(xí)對象LOn涵蓋了學(xué)習(xí)概念Cm，rnm = 1，1≤m≤M，否則值為0；⑤學(xué)習(xí)對象LOn的學(xué)習(xí)時間tn，1≤n≤ N。

（3）決策變量xni，1≤n≤N且1≤i≤K。如果學(xué)習(xí)對象LOn是學(xué)習(xí)者Li課程總序列的一部分，xni = 1，否則xni =0。

課程資源編列的目標(biāo)函數(shù)可表示為：

（1）F1：學(xué)習(xí)對象和目標(biāo)之間學(xué)習(xí)概念的平均差異。

F1=∑Mm=1∑Nn=1xni|rmn-him|∑Nn=1xni，1≤i≤K（1）

（2）F2：學(xué)習(xí)對象難度和學(xué)習(xí)者能力水平之間的平均差異。

F2=∑Nn=1xni|Dn-Ai|∑Nn=1xni，1≤i≤K（2）

（3）F3：全部材料的學(xué)習(xí)時間與學(xué)習(xí)者期望時間的關(guān)系。

F3=maxtli-∑Nn=1tnxni，0+max0，∑Nn=1tnxni-tui，1≤i≤K（3）

（4）F4：學(xué)習(xí)概念在所安排課程中的平衡性。

F4=∑Mm=1him∑Nn=1xnirnm-∑Nn=1∑Mm=1xnirnm∑Mm=1him，1≤i≤K（4）

當(dāng)4個目標(biāo)函數(shù)F1、F2、F3、F4值達(dá)到最小時，表明課程資源編列的序列最符合學(xué)習(xí)者需求，即：

Fmin=F1+F2+F3+F4（5）

因此，課程編列問題即可定義為同時滿足F1、F2、F3、F4 4個目標(biāo)函數(shù)的最優(yōu)解問題。

2進(jìn)化計算

進(jìn)化計算（Evolutionary Computing）是以達(dá)爾文的進(jìn)化論思想為基礎(chǔ)，模擬生物進(jìn)化過程的人工智能技術(shù)，其過程包括：選擇、重組和變異。常見的進(jìn)化計算算法有：遺傳算法（Genetic Algorithms，GAs）、蟻群算法（Ant Colony Optimization，ACO）以及粒子群優(yōu)化算法（Particle Swarm Optimization，PSO）等。

遺傳算法是由美國Hooland J H[10]教授參考生物進(jìn)化論和遺傳定律的思想并改進(jìn)后提出的進(jìn)化計算算法。遺傳算法的3個步驟分別為：選擇、交叉和變異，通過上述3個步驟完成個體的更新和重組；蟻群算法是模仿螞蟻的覓食過程，由意大利Dorigo等[11]提出的。螞蟻行走的路徑上會留下信息素，其它螞蟻可以通過信息素的多少判斷路徑正確與否；粒子群概念起源于對簡化的社會系統(tǒng)的模擬。1995年，Kennedy和Eberhart等[2]提出粒子群算法。粒子根據(jù)當(dāng)前群體最優(yōu)粒子的位置和自身歷史的最優(yōu)位置來判斷自己的飛行方向，具有速度快、操作簡單、魯棒性強(qiáng)等特性，適用于處理優(yōu)化問題。

3進(jìn)化計算解決課程資源編列問題分類

國內(nèi)利用進(jìn)化計算解決課程資源編列問題的研究數(shù)量不多，而國外相關(guān)研究工作開展較早，相關(guān)研究文獻(xiàn)數(shù)量也較多。圖1是對最近10年進(jìn)化計算解決課程資源編列問題文獻(xiàn)數(shù)量的統(tǒng)計匯總。目前研究問題主要集中于課程資源結(jié)合個性化在線課程生成、移動學(xué)習(xí)路徑生成、學(xué)習(xí)資源與學(xué)習(xí)路徑推薦等領(lǐng)域。

在線學(xué)習(xí)領(lǐng)域中學(xué)習(xí)者要從學(xué)習(xí)資源中獲取所需的相關(guān)知識，從而完成規(guī)定學(xué)習(xí)領(lǐng)域中具體課程的學(xué)習(xí)內(nèi)容，而學(xué)習(xí)者自主尋找與自身當(dāng)前學(xué)習(xí)狀態(tài)相符的學(xué)習(xí)資源是非常困難的?；谶M(jìn)化算法的課程資源編列服務(wù)可以根據(jù)學(xué)習(xí)者個體需求、學(xué)習(xí)目標(biāo)、知識水平、學(xué)習(xí)能力等，從學(xué)習(xí)資源中提取合適的學(xué)習(xí)資源片段，為學(xué)習(xí)者提供智能化的學(xué)習(xí)向?qū)Х?wù)。因此，利用進(jìn)化計算算法解決課程資源編列問題是在線學(xué)習(xí)領(lǐng)域的一個重要研究內(nèi)容。在線學(xué)習(xí)領(lǐng)域應(yīng)用較多的進(jìn)化算法有遺傳算法、蟻群算法、粒子群算法以及數(shù)據(jù)挖掘等。

通過整理課程資源編列問題研究的相關(guān)文獻(xiàn)，按照解決此問題時是否關(guān)注相似經(jīng)歷的學(xué)習(xí)者，可以將此類問題分為：基于群體特征的課程資源編列（Social Sequencing）和基于個體特征的課程資源編列（Individual Sequencing）[12]。

3.1基于個體特征的課程資源編列

基于個體特征的課程資源編列研究的關(guān)注重點(diǎn)是個體學(xué)習(xí)者的個性特征而不是多個學(xué)習(xí)者的整體表現(xiàn)。與基于群體的課程資源編列不同，學(xué)生個體模型和學(xué)習(xí)目標(biāo)是基于個體特征的課程資源編列方法的基礎(chǔ)?；趥€體特征的課程資源編列研究中使用的進(jìn)化計算算法主要有遺傳算法、文化基因算法等。

從表1中可以看出，與基于群體的編列不同，基于個體特征的課程資源編列中涉及學(xué)習(xí)資源概念關(guān)聯(lián)度、學(xué)習(xí)資源難度、學(xué)習(xí)者背景以及學(xué)習(xí)順序等因素，強(qiáng)化了對于個體的關(guān)注度。該研究領(lǐng)域中應(yīng)用最多的進(jìn)化計算中的遺傳算法可生成滿足學(xué)習(xí)者的課程資源學(xué)習(xí)內(nèi)容編列。

分析近幾年的文獻(xiàn)可以發(fā)現(xiàn)，遺傳算法被用來解決個性化網(wǎng)絡(luò)課程構(gòu)建、學(xué)習(xí)路徑優(yōu)化以及個性化在線學(xué)習(xí)系統(tǒng)構(gòu)建等問題。如陳華月[13]利用遺傳算法來獲取學(xué)習(xí)資源特征，分析用戶個性特點(diǎn)，使在線學(xué)習(xí)智能化，并設(shè)計了學(xué)習(xí)資源推薦系統(tǒng)模型；李浩君等[14]將遺傳算法用于移動學(xué)習(xí)路徑研究中，提出了移動學(xué)習(xí)模式和學(xué)習(xí)路徑優(yōu)化策略，并在網(wǎng)絡(luò)工程綜合實(shí)驗(yàn)課程學(xué)習(xí)中加以驗(yàn)證，證實(shí)了其有效性。

此外，很多學(xué)者通過對遺傳算法的改進(jìn)，優(yōu)化了問題解決策略。Shen等[15]為了解決課程難度和學(xué)習(xí)者表現(xiàn)的動態(tài)變化之間的匹配問題，對遺傳算法加以改進(jìn)，提出了PCE-GA方法，給出了PCE-GA架構(gòu)圖，實(shí)現(xiàn)了個性化課程的動態(tài)生成；Chang等[16]利用改進(jìn)的遺傳算法（Genetic Algorithm with Forcing Legality）實(shí)現(xiàn)個性化網(wǎng)絡(luò)課程構(gòu)建，并對PSO、RPSO和GA進(jìn)行了對比研究，結(jié)果表明改進(jìn)的遺傳算法作為推薦算法效果更好；Huang等[17]針對現(xiàn)有在線學(xué)習(xí)系統(tǒng)忽略了學(xué)習(xí)者能力與課程難度之間匹配程度的問題，利用案例推理法重用已有的學(xué)習(xí)經(jīng)驗(yàn)，構(gòu)建基于遺傳算法的個性化在線學(xué)習(xí)系統(tǒng)。通過實(shí)驗(yàn)驗(yàn)證，該系統(tǒng)可以幫助學(xué)習(xí)者提高網(wǎng)絡(luò)學(xué)習(xí)效率；傅偉司[18]設(shè)計了基于遺傳算法的個性化在線學(xué)習(xí)系統(tǒng)（GA-Based POLS），該系統(tǒng)在綜合考慮用戶個性化需求的前提下，利用遺傳算法對學(xué)習(xí)資源進(jìn)行智能化推薦，推薦的結(jié)果滿足了學(xué)習(xí)者的個性化需要。

遺傳算法是進(jìn)化計算在各個領(lǐng)域應(yīng)用最頻繁的算法之一。遺傳算法應(yīng)用在課程資源編列問題時，基因就是課程知識領(lǐng)域的概念，染色體是課程資源編列，通過選擇（從新課程編列中選擇適應(yīng)度值小的序列，淘汰適應(yīng)度值大的序列）、交叉（課程內(nèi)容編列重排）、變異（個性化課程的概念序列中某一核心概念序列的改變）來得到優(yōu)化的課程資源編列?；谶z傳算法的課程資源編列問題解決思路如圖2所示。

通過上述分析可見，遺傳算法在解決課程資源編列問題中應(yīng)用十分廣泛。研究者在利用遺傳算法時，有些利用算法提取用戶興趣，也有結(jié)合其它方法，如案例推理等進(jìn)行個性化在線學(xué)習(xí)系統(tǒng)的構(gòu)建，完成了具有編列功能系統(tǒng)模型的建立。此外，遺傳算法用于移動學(xué)習(xí)領(lǐng)域的個性化學(xué)習(xí)路徑問題也已得到關(guān)注。

3.2基于群體特征的課程資源編列

基于群體的課程資源編列借鑒了電子商務(wù)中的推薦系統(tǒng)概念。電子商務(wù)推薦系統(tǒng)能分析不同用戶的需求，在為用戶提供產(chǎn)品信息的同時給出購買建議，以達(dá)到擴(kuò)大銷售的目的。在線學(xué)習(xí)領(lǐng)域中基于群體的課程資源編列依據(jù)不僅有學(xué)習(xí)者個體特點(diǎn)，還有相似學(xué)習(xí)者的學(xué)習(xí)歷史記錄以及學(xué)習(xí)效果表現(xiàn)等。群智能方法（Swarm Intelligence Method）通常被用來尋找相似學(xué)習(xí)者并安排學(xué)習(xí)內(nèi)容給潛在的學(xué)習(xí)者，其中應(yīng)用最多的是蟻群算法。此外，粒子群算法、遺傳算法結(jié)合數(shù)據(jù)挖掘算法也被用來解決此類問題。

蟻群算法是基于群智能算法的課程資源編列問題研究中應(yīng)用最廣泛的算法之一。如表2所示，類比蟻群中螞蟻的集體行為，基于群體的編序參考標(biāo)準(zhǔn)中包括了其他學(xué)習(xí)者的學(xué)習(xí)表現(xiàn)、學(xué)習(xí)風(fēng)格以及學(xué)習(xí)者訪問歷史等因素。

通過文獻(xiàn)梳理可以看到，蟻群算法被應(yīng)用于解決學(xué)習(xí)路徑推薦、資源檢索、學(xué)習(xí)資料動態(tài)選擇等問題。Valigiani等[19]用實(shí)驗(yàn)揭示了學(xué)習(xí)者的行為不同于人工螞蟻。標(biāo)準(zhǔn)蟻群算法是通過類比“ant-hill”的行為得來的，而學(xué)習(xí)者的“man-hills”的行為則與之不同；吳彥文等[20]設(shè)計了基于蟻群算法的資源檢索模塊。該模塊可以挖掘用戶日志，獲取用戶使用特征。通過模擬蟻群算法建立概率模型，并按照概率值對資源進(jìn)行降序排列。實(shí)驗(yàn)表明，采用蟻群算法后提高了系統(tǒng)的查準(zhǔn)率，減少了資源檢索開銷。但是在實(shí)際應(yīng)用中存在干擾因素，算法的準(zhǔn)確度還有待提高；Dharshini等[21]在利用蟻群算法生成學(xué)習(xí)路徑中，重點(diǎn)改進(jìn)了信息素更新策略，使利用蟻群算法的學(xué)習(xí)路徑推薦結(jié)果更加準(zhǔn)確；Wong等[22]利用蟻群算法實(shí)現(xiàn)自適應(yīng)學(xué)習(xí)路徑生成，并開發(fā)了DYLPA（Dynamic Learning Path Advisor）系統(tǒng)。其中，信息素的計算是基于校友的學(xué)習(xí)路徑和他們所達(dá)到的成績。對系統(tǒng)原型的驗(yàn)證表明，該算法更加適用于時變領(lǐng)域，即對于課程不斷更新，學(xué)習(xí)指導(dǎo)、工具和學(xué)習(xí)者特征不斷變化的網(wǎng)絡(luò)學(xué)習(xí)有較高的適應(yīng)性；Semet等[23]利用蟻群算法使學(xué)習(xí)網(wǎng)站可以智能、動態(tài)地顯示學(xué)習(xí)材料，同時提供給教學(xué)團(tuán)隊(duì)一個精確的審核工具，以幫助他們確定教學(xué)材料的優(yōu)劣之處。

在算法改進(jìn)方面，通過加入貝葉斯網(wǎng)絡(luò)、特征等提高了系統(tǒng)精確度。Marquez等[24]利用特征模型、貝葉斯網(wǎng)絡(luò)和蟻群算法生成學(xué)習(xí)路徑，將貝葉斯網(wǎng)絡(luò)和蟻群算法同時應(yīng)用于適應(yīng)性函數(shù)，使系統(tǒng)更加有效地生成學(xué)習(xí)路徑；Yang等[9]利用基于特征的蟻群算法系統(tǒng)（AACS）實(shí)現(xiàn)自適應(yīng)學(xué)習(xí)資源的推薦，該算法是蟻群算法的改進(jìn)，改變了信息素更新策略，從學(xué)習(xí)者知識水平和學(xué)習(xí)風(fēng)格兩方面更新信息素，并使用該算法實(shí)現(xiàn)了基于網(wǎng)絡(luò)的學(xué)習(xí)門戶（FORPA）；程巖[11]為解決學(xué)習(xí)路徑問題，提出了一種增強(qiáng)蟻群算法，該算法推薦的指標(biāo)為：學(xué)習(xí)路徑評價、學(xué)習(xí)者知識水平和學(xué)習(xí)者學(xué)習(xí)風(fēng)格。模擬實(shí)驗(yàn)結(jié)果表明，該方法準(zhǔn)確性較高。

從文獻(xiàn)梳理中可以發(fā)現(xiàn)，粒子群算法用于解決課程排序、資源導(dǎo)航、課程構(gòu)建等問題。DeMarcos等[25]利用粒子群算法解決基于能力本位的課程順序問題，即將元數(shù)據(jù)和能力作為學(xué)習(xí)資源之間的聯(lián)系，運(yùn)用粒子群算法進(jìn)行資源推薦。實(shí)驗(yàn)結(jié)果顯示出粒子群算法解決此類問題的良好效果；黃永青等[26]利用蟻群算法分析使用者的瀏覽日志，并提出一個導(dǎo)航路徑挖掘算法，幫助用戶提高其資源搜索能力，并為其提供個性化資源搜索服務(wù)；肖會敏等[27]根據(jù)學(xué)習(xí)目的和知識水平尋找相似的學(xué)習(xí)者，利用粒子群算法實(shí)施學(xué)習(xí)路徑推薦，推薦過程中主要參考相似學(xué)習(xí)者對學(xué)習(xí)對象的評價，并且驗(yàn)證了該方法的有效性。

此外，很多改進(jìn)粒子群算法也被用于課程資源編列問題的解決中。Wang等[28]提出了一個復(fù)習(xí)課程建構(gòu)系統(tǒng)，在系統(tǒng)中使用離散粒子群最優(yōu)算法快速挑選出與學(xué)習(xí)者意圖相匹配的學(xué)習(xí)資源。此外，還使用了貪婪算法對選出的學(xué)習(xí)材料進(jìn)行排序。實(shí)驗(yàn)結(jié)果表明，此系統(tǒng)可滿足學(xué)生需求；Sarath等[29]利用基于數(shù)字信息素改進(jìn)的粒子群算法生成個性化網(wǎng)絡(luò)課程。實(shí)驗(yàn)結(jié)果顯示，此方法相比其它粒子群算法有一定提高；楊超[30]在解決學(xué)習(xí)資源推薦問題時，先構(gòu)建了知識點(diǎn)網(wǎng)絡(luò)圖，再分析不同學(xué)習(xí)者的個性特點(diǎn)以及能力水平，應(yīng)用粒子群算法篩選個性化的學(xué)習(xí)資源推薦給學(xué)習(xí)者，其中加入了項(xiàng)目反應(yīng)理論和概念圖理論。最后通過實(shí)驗(yàn)驗(yàn)證了其收斂性，學(xué)習(xí)資源推薦效果能夠達(dá)到學(xué)習(xí)者預(yù)期。

通過上述分析可見，屬于群體特征的蟻群算法和粒子群算法的關(guān)鍵在于算法模型與學(xué)習(xí)模型的匹配。而能夠通過利用知識概念構(gòu)建知識點(diǎn)結(jié)構(gòu)圖等方法獲取不同學(xué)習(xí)者的目標(biāo)和能力是應(yīng)用算法的基礎(chǔ)，也是提高算法精確度的關(guān)鍵。

4研究展望

進(jìn)化計算目前是一個新興的研究領(lǐng)域，仍有許多值得深入探索和亟待解決的問題，也是今后需要進(jìn)一步研究的方向。

（1）學(xué)習(xí)者模型優(yōu)化。在應(yīng)用進(jìn)化算法實(shí)現(xiàn)課程內(nèi)容動態(tài)生成的過程中，學(xué)習(xí)者模型始終是算法準(zhǔn)確度的一個重要前提，而在實(shí)際學(xué)習(xí)場景中，對學(xué)習(xí)者特性的準(zhǔn)確建模有一定挑戰(zhàn)性，還需要深入研究。目前對學(xué)習(xí)者特性的評估方法準(zhǔn)確性還有提升的可能，需要更多領(lǐng)域的學(xué)者參與進(jìn)行進(jìn)一步研究，以建立更加完善的用戶模型。

（2）進(jìn)化算法優(yōu)化。隨著研究的深入，為了提高課程資源編列的效率和準(zhǔn)確度，應(yīng)對最新的進(jìn)化算法進(jìn)行改進(jìn)以適應(yīng)要求，嘗試使用新的改進(jìn)進(jìn)化算法，如：云變異粒子群算法、Tent混沌粒子群算法、均勻搜索粒子群算法等，可滿足推薦效率和準(zhǔn)確度方面的要求。

（3）應(yīng)用領(lǐng)域擴(kuò)展。隨著學(xué)習(xí)者學(xué)習(xí)需求的增長，在移動學(xué)習(xí)領(lǐng)域同樣面臨著學(xué)習(xí)資源序列推薦問題。與傳統(tǒng)的網(wǎng)絡(luò)學(xué)習(xí)相比，移動學(xué)習(xí)中移動學(xué)習(xí)情景的變化也增加了資源編列的復(fù)雜度。進(jìn)化計算應(yīng)用于此類問題也是今后的研究方向。

在后續(xù)研究中，應(yīng)從用戶模型及算法性能等方面提高編列的可靠性。除此之外，引入新型算法、拓展應(yīng)用領(lǐng)域也是新型學(xué)習(xí)方式的必然要求。

5結(jié)語

進(jìn)化計算作為求解最優(yōu)化問題的重要工具，已經(jīng)得到了廣泛關(guān)注并且吸引了大量研究人員參與。將進(jìn)化計算技術(shù)應(yīng)用于課程資源編列問題領(lǐng)域，能克服傳統(tǒng)學(xué)習(xí)系統(tǒng)學(xué)習(xí)資源固定、無法動態(tài)生成的問題。通過這種具有高魯棒性和廣泛適用性的全局優(yōu)化方法，使在線學(xué)習(xí)系統(tǒng)可以適應(yīng)不斷變化的學(xué)習(xí)環(huán)境，實(shí)現(xiàn)學(xué)習(xí)的個性化和智能化，提高學(xué)習(xí)效果。本文在分析課程資源編列問題的基礎(chǔ)上，詳細(xì)闡述了基于進(jìn)化計算的課程資源編列問題研究現(xiàn)狀和進(jìn)展，以期為相關(guān)領(lǐng)域的研究人員提供參考。

參考文獻(xiàn)參考文獻(xiàn)：

[1]吳洪艷.智慧學(xué)習(xí)視角下個性化在線學(xué)習(xí)系統(tǒng)設(shè)計與應(yīng)用[J].中國電化教育，2015 （6）：127131.

[2]趙呈領(lǐng)，陳智慧，黃志芳.適應(yīng)性學(xué)習(xí)路徑推薦算法及應(yīng)用研究[J].中國電化教育，2015 （8）：8591.

[3]趙錚，李振，周東岱，等.智慧學(xué)習(xí)空間中學(xué)習(xí)行為分析及推薦系統(tǒng)研究[J].現(xiàn)代教育技術(shù)，2016，26（1）：100106.

[4]曹良亮.在線學(xué)習(xí)中學(xué)習(xí)路徑分析及學(xué)習(xí)行為特點(diǎn)研究[J].中國遠(yuǎn)程教育：綜合版，2014（4）：2530.

[5]張家華，張劍平.適應(yīng)性學(xué)習(xí)支持系統(tǒng)：現(xiàn)狀、問題與趨勢[J].現(xiàn)代教育技術(shù)，2009，19（2）：1820.

[6]BRUSILOVSKY P.Adaptive and intelligent technologies for webbased eduction[J].Special Issue on Intelligent Systems and Teleteaching，1999（4）：1925.

[7]ACAMPORA G，GAETA M，LOIA V.Hierarchical optimization of personalized experiences for elearning systems through evolutionary models[J].Neural Computing & Applications，2011，20（5）：641657.

[8]DEMARCOS L，GARCA A，GARCA E，et al.An adaptation of the parliamentary metaheuristic for permutation constraint satisfaction[C].2010 IEEE Congress on Evolutionary Computation.IEEE，2010：18.

[9]CHU CP，CHANG YC，TSAI CC.PC2PSO：personalized ecourse composition based on particle swarm optimization[J].Applied Intelligence，2011，34（1）：141154.

[10]葛繼科，邱玉輝，吳春明，等.遺傳算法研究綜述[J].計算機(jī)應(yīng)用研究，2008，25（10）：29112916.

[11]程巖.在線學(xué)習(xí)中基于群體智能的學(xué)習(xí)路徑推薦方法[J].系統(tǒng)管理學(xué)報，2011，20（2）：232237.

[12]ALMUHAIDEB S，MENAI MEB.Evolutionary computation approaches to the curriculum sequencing problem [J].Natural Computing an International Journal，2011，10（2）：891920.

[13]陳華月.基于遺傳算法的個性化在線學(xué)習(xí)系統(tǒng)設(shè)計[J].通化師范學(xué)院學(xué)報，2011，32（8）：2324.

[14]李浩君，徐佳程，房邵敏，等.個性化移動學(xué)習(xí)路徑優(yōu)化策略應(yīng)用研究[J].電化教育研究，2016（1）：3944.

[15]TAN XH，SHEN RM，WANG Y.Personalized course generation and evolution based on genetic algorithms[J].Journal of Zhejiang UniversitySCIENCE C （Computers & Electronics），2012，13（12）：909917.

[16]CHANG TY，KE YR.A personalized ecourse composition based on a genetic algorithm with forcing legality in an adaptive learning system[J].Journal of Network & Computer Applications，2013，36（1）：533542.

[17]HUANG MJ，HUANG HS，CHEN MY.Constructing a personalized elearning system based on genetic algorithm and casebased reasoning approach[J].Expert Systems with Applications，2007，33（3）：551564.

[18]傅偉司.基于遺傳算法的個性化在線學(xué)習(xí)系統(tǒng)模型研究[D].廣東：廣東技術(shù)師范學(xué)院，2014.

[19]VALIGIANI G，BIOJOUT R，JAMONT Y，et al.Experimenting with a realsize manhill to optimize pedagogical paths[C].Proceedings of the 2005 ACM symposium on Applied computing.ACM，2005：48.

[20]吳彥文，吳世杰，劉晉萍.蟻群算法在網(wǎng)絡(luò)教育資源檢索中的應(yīng)用[J].計算機(jī)應(yīng)用與軟件，2008，25（11）：197198.

[21]DHARSHINI AP，CHANDRAKUMARMANGALAM S，ARTHI G.Ant colony optimization for competency based learning objects sequencing in elearning[J].Applied Mathematics & Computation，2015，263（C）：332341.