王瑞

摘要：網(wǎng)絡(luò)學(xué)習是通過計算機網(wǎng)絡(luò)進行自主學(xué)習和協(xié)作學(xué)習的一種學(xué)習活動。與傳統(tǒng)學(xué)習活動相比，網(wǎng)絡(luò)學(xué)習具有共享豐富的網(wǎng)絡(luò)化學(xué)習資源、以個體的自主學(xué)習和協(xié)作學(xué)習為主要形式、無時空限制等三個特征。網(wǎng)絡(luò)學(xué)習一方面需要網(wǎng)絡(luò)技術(shù)的支持，另一方面需要學(xué)習者掌握使用技術(shù)進行學(xué)習的知識和技能。技術(shù)支持不僅僅意味著給學(xué)習者提供一臺計算機或者幫助他們與因特網(wǎng)相連；更在于它使得學(xué)習者與一個充滿學(xué)習資源的知識世界相聯(lián)系，為學(xué)習者提供了一個使其思想得以拓展的機遇。網(wǎng)絡(luò)學(xué)習代表著一種新的學(xué)習方式。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)習這一領(lǐng)域，也會提高我們網(wǎng)絡(luò)學(xué)習的效率，本文將會對這一內(nèi)容展開探究。

關(guān)鍵詞：網(wǎng)絡(luò)學(xué)習；學(xué)習對象；蟻群算法

中圖分類號：TP18 文獻標識碼：A 文章編號：1009-3044（2016）16-0195-04

1 網(wǎng)絡(luò)學(xué)習的相關(guān)概念、背景

網(wǎng)絡(luò)學(xué)習改變了傳統(tǒng)的學(xué)習方式，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，成為一個海量的資源庫；另一方面，優(yōu)秀教師或?qū)＜铱梢詮牟煌慕嵌忍峁┫嗤R的學(xué)習素材和教學(xué)指導(dǎo)，任何人可以在任何地點進行網(wǎng)絡(luò)訪問，形成多對多的教學(xué)。在這種情況下，學(xué)習者對學(xué)習時間和學(xué)習內(nèi)容就有了充分的選擇余地，自主學(xué)習成為必然。傳統(tǒng)的學(xué)習在時間上是有限制的，在空間上是狹小的，而網(wǎng)絡(luò)學(xué)習使知識的傳遞不受時空限制，學(xué)習者可以依據(jù)個人情況來安排學(xué)習的時間和地點，可以在任何時間、任何地點向任何人學(xué)習，打破了學(xué)習的時空界線。網(wǎng)絡(luò)學(xué)習的這種學(xué)習資源的豐富性、學(xué)習方式的個性化、學(xué)習時空的非局限性，大大增加了個體學(xué)習的自由度和效率。

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

2 學(xué)習對象排序

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

約束滿足問題是一個三元組（X，D，C），其中X = {x1、x2、x3、x4、x5、x6、x7}表示有限集合變量；D表示將每個變量映射到相應(yīng)域的一個函數(shù)D（X） ，?×表示對每對符合 0 ≤i

當所有來自以定義的約束滿足問題的解是給定的元組的排列時，這樣的約束滿足問題被稱作排列約束滿足問題。它由四元組（X，D，C，P）表示，其中（X，D，C）是約束滿足問題，P=（v0。。。vn-1）是|X| = n值中的一個元組。需要注意的是，排列約束滿足問題的解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)習對象排序問題能夠建模為一個排列約束滿足問題。例如，我們將名稱為1，2，3，4，5，6，7的學(xué)習對象的排列約束滿足問題的解集設(shè)定為 S = {1，2，3，4，5，6，7}，這樣，就表示為：

此外，當一個粒子返回一個合適的值0，可以找到一個序列，滿足所有的約束，因此算法的過程是完成的。適當函數(shù)也表現(xiàn)很好，如果約束集C為置換CSP定義準確。現(xiàn)在，我們是一個包含7個學(xué)習對象的序列只有一個可行的解決方案，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 }，如果使用了第一個定義，那么標準的懲罰函數(shù)將返回1；返回值將是6，如果我們使用了第二個定義。要指出的是，第二個定義是更準確的。因為它返回將序列置換成一個適當?shù)慕鉀Q方案更好的一個數(shù)量交換的代表性。此外，第一個定義的缺點是，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}將會返回合適值1。但是，第二個定義用于解決約束問題。如教師，內(nèi)容供應(yīng)商和管理員的用戶定義必要的數(shù)量的限制，因此，該系統(tǒng)將計算實際的約束，以保證算法的收斂。

3.2 蟻群算法的參數(shù)

值得一提的是，蟻群算法的一個重要優(yōu)點是與其他遺傳算法相比，它采用相對小數(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，沒有必要考慮鄰域的大小。

此外，模型給出了用戶群體進行仿真測試：每個虛擬學(xué)習對象主體（即螞蟻），給予一個浮點值來代表——0和1之間。這個值通常分布在學(xué)生人數(shù)平均數(shù)0.5以上以及標準偏差為1/3。每一個聯(lián)系都有一個難度值，也在0和1之間。當一只螞蟻到達給定的節(jié)點時，如果它的級別允許它驗證節(jié)點，它就成功，否則，它就失敗了。并且同時釋放相應(yīng)的信息素。該算法的一般標準是在與虛擬機構(gòu)的電子學(xué)習門戶相對應(yīng)的虛擬圖上執(zhí)行的。節(jié)點和相應(yīng)的權(quán)重之間的弧已被機構(gòu)教學(xué)團隊進行分配。樣本案例被設(shè)定在現(xiàn)實情況下的20個節(jié)點、1000個弧線，并構(gòu)成一個有意義的結(jié)構(gòu)與實際規(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問題的解決方案。然后，一個本地搜索程序被應(yīng)用到所構(gòu)造的解決方案。最后，在下一次迭代開始之前，一些解決方案會被用于執(zhí)行信息素更新。下面是關(guān)于這個這個框架的更多細節(jié)的解釋。

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

解決方案：蟻群算法的基本成分是對解決方案有一個概率性的啟發(fā)嘗試。此外，一個建設(shè)性的啟發(fā)式安排解決方案——對解集合中的學(xué)習對象成分的序列。我們解決檔案建設(shè)都是從空的部分解決方案=（）開始的。此外，每一個步驟的當前解決方案都是從集合R（）?C＼{}里面添加可行解組來的。這是為了保證在每個步驟當中能夠確保約束滿足。讓成為R（）的一個解成分。的選擇概率是相對于，的，表示信息素值，v是一個函數(shù)——對基于當前步驟的信息（也成為啟發(fā)式信息）的每個有效解的成分進行分配。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)式信息的相對重要性。此外，啟發(fā)式信息是可選的，但獲得一個高算法性能它是必要的。在蟻群算法中選擇下一個解決方案組件的概率我們稱之為轉(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)單獨放置在初始狀態(tài)。

While終止條件不滿足時進行如下操作：

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

（2）應(yīng)用局部搜索。

（3）最佳路徑檢查：如果有改進，那么進行更新。

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

在信息素路徑上創(chuàng)建一個新的種群樣本：這個操作是基于適應(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，我們提供了一個電子學(xué)習過程模型和仿真結(jié)果來說明在之前的部分中所獲得的算法的有效性。

網(wǎng)絡(luò)學(xué)習的過程的模型是這樣的：學(xué)習者/用戶輸入關(guān)于他們要求的數(shù)據(jù)。輸入被收集的活動類型，復(fù)雜度和布魯姆認知水平。輸入被收集之后，使用預(yù)先定義的標準對學(xué)習者的能力水平進行檢查。如果標準匹配，學(xué)習對象的選擇和排序在第B條得到解釋。整體的電子學(xué)習過程模型，如圖3所示。

我們考慮這樣的一個用戶或者是學(xué)生，進入研究生階段在工商管理碩士——系統(tǒng)管理專業(yè)學(xué)習，并且完成了第一年的課程和需要發(fā)表的核心論文，將這些放在一個固定的序列中。然后，第二年的時候，用戶將登錄到網(wǎng)絡(luò)學(xué)習門戶，并且在他/她想要的完成的課程里選擇活動類型、復(fù)雜程度和布魯姆認知水平。Matlab中的GUI工具箱是用來開發(fā)正在建立中的上述簡單步驟的選項的。如果用戶像圖3那樣選擇了活動類型的評估，復(fù)雜度的媒介和在布魯姆認知水平的應(yīng)用同時隨著先決條件或者在應(yīng)用程序級別上進行課程所需或限制，可供選擇的課程列表就會在屏幕上顯示。

根據(jù)先決條件下的被清零的課程數(shù)量，用戶將被授權(quán)訪問那些會讓他們畢業(yè)的課程。如果約束是不滿足的，用戶將被提示按照布魯姆認知水平中的較低層次去選擇。在這個過程中，系統(tǒng)采用圖2中的排序模型，并根據(jù)約束檢驗以及這些課程上的權(quán)重分配來對課程清單進行排序，這將給出一個如圖4的輸出。為了在仿真中得到驗證，網(wǎng)絡(luò)學(xué)習中的MBA課程中的學(xué)習對象排序問題將會到考慮到。尤其是，對學(xué)習對象自動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，為了說明本文提出的算法的有效性并且驗證它，新的學(xué)習對象被提出并且會有仿真結(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。

我們進行了如下的參數(shù)仿真：

（1）工商管理碩士課程在前兩個學(xué)期主要有7個課程。

（2）這些課程是按照固定的順序排列的。

（3）然后，將會8個選修課程，在這兩個學(xué)期間，當學(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)生標準在他們進入第三個學(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受到測試檢查。舉個例子，選擇系統(tǒng)專業(yè)的學(xué)生，在他們畢業(yè)之前的學(xué)習中，必須要有電子論文。

（6）同樣的，附加約束也可以在不同的場景中進行設(shè)置。

我們從數(shù)值模擬的實驗可以看出，該蟻群算法在解決網(wǎng)絡(luò)學(xué)習這一問題中是有價值的，得到的結(jié)果是相對較優(yōu)的。

5 小結(jié)

根據(jù)約束集，對網(wǎng)絡(luò)學(xué)習中學(xué)習對象的自動排序進行了研究。眾所周知的，運用到新的信息素更新寫略的蟻群算法，被用于獲取網(wǎng)絡(luò)學(xué)習中的學(xué)習對象的自動排序，這使得該策略不同于現(xiàn)有文獻中的其他狀況。利用模型和測試來保證互操作性。此外，蟻群算法提供了一個優(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：

[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.