基于改进细菌觅食的协作学习分组算法

针对协作学习中基于学习者特征的分组方式对学习过程的影响,设计一种基于改进细菌觅食的协作学习分组算法。在实现协作学习分组过程中,引入分组调节因子和特征权值,满足不同教学活动对学习者多个特征及分组的要求。为构成有效的分组空间,在细菌种群初始化中,细菌群体以实数编码,并加入随机扰动以增加细菌种群的多样性;在算法后期加入二次变异操作,以避免细菌觅食算法可能出现的早熟收敛现象。仿真实验结果表明,该算法在不同分组形式下,与传统算法相比,具有较优的分组性能和较高的准确率,并且对于不同数据集规模具有良好的稳定性。     

基于模糊C均值的在线协作学习混合分组研究

在构建了学习者多维特征模型的基础上,设计了基于模糊C均值的在线协作学习混合分组算法。提取学习者多维特征分量,通过模糊C均值算法以学习风格、知识水平、学习目标和兴趣爱好为主要特征进行同质聚类,根据活跃度和性别特征进行异质聚类以实现混合性质分组。该算法将异质和同质分组相结合,既保证了学习风格、知识水平、学习目标和兴趣爱好具有相似性的学习者划分到同一组,同时考虑到了活跃度和性别差异对学习效果的影响,使得小组划分更加合理。实验表明,该算法优于传统分组方法,学习者的学习效果和学习满意度都有较大提升。     

大规模在线协作学习分组方法及应用研究

学习孤独感问题是造成MOOC课程学习完成率低的原因之一,构建与学习者学习特征相适应的协作学习小组,可以有效解决学习孤独感问题。利用自编码神经网络提取在线学习者的关键特征,根据同质分组原则,利用模糊C均值算法对在线学习者进行迭代分组,使在线学习者从独自学习转变为以团队的形式进行协作学习,从而改善在线学习者的学习体验,降低学习孤独感。以edX平台上选择计算机科学与编程入门课程的19?846名在线学习者为实验对象,进行在线协作学习分组。实验结果表明,基于该分组方法,每个小组内学习者都有较高的同质性,可以很好地解决学习孤独感问题。     

采用蚁群算法及移动Agent的网格服务发现设计

在对网格进行分簇的基础上,设计了一种基于蚁群算法及移动Agent的网格服务发现机制模型。通过使用移动Agent技术收集网格服务信息,并将收集到的网格服务信息摘要进行跨簇缓存,以提高蚁群算法中信息素信息的准确性,并且在进行服务查找时采用之前缓存的服务摘要信息作为蚁群算法的启发因子,从而提高网格服务发现的准确性以及发现速度,进而提高网格使用效率。通过仿真实验验证了所述服务发现机制的有效性。     

结合分辨矩阵与蚁群优化算法改进的特征选择方法

目前已有蚁群算法优化的特征选择方法,大多采用的是以属性依赖度和信息熵属性重要度作为路径上启发搜索因子,但这类搜索方法在某些决策表中存在算法早熟或搜索到的特征子集包含了冗余特征,从而导致选择精度显著下降。针对此类问题,根据条件属性在分辨矩阵中的占比提出了一种属性重要度的度量方法,以分辨矩阵重要度作为路径上启发因子,设计了一种基于分辨矩阵与蚁群算法优化的特征子集搜索方法。该算法从特征核出发,蚁群依次选择概率大的特征加入特征核集,直至找到最小特征子集算法终止。通过实例验证和UCI数据集实验结果表明,与基于属性依赖度和信息熵属性重要度的特征选择方法相比,在通常情况下,该算法能较小代价找到最小特征子集,并且可以有效减少计算工作量。     

协作学习中基于协同过滤的学习资源推荐研究

符合学习者特征的学习资源对于提高协作学习效率具有重要的影响。但是传统的学习资源推荐,没有充分考虑学习者、学习资源的特征和高效的推荐算法。针对上述问题,提出了基于协同过滤的学习资源推荐算法,根据学习者学习特征、学习资源特征和学习者对学习资源历史评价信息,采用协同过滤推荐算法,实现学习资源推荐。首先,通过学习者特征和学习资源的评分,寻找相似学习者并计算学习资源预测评分,然后根据该评分值和学习资源与学习者匹配度推荐学习资源,从而为学习者推荐符合自己兴趣爱好最合适的学习资源。实验结果表明该算法在个性化学习资源推荐的准确性上优于传统算法。     

基于蚁群算法的多传感器图像融合方法

为了使融合后的多传感器图像获得更多的光谱信息、提高清晰度、降低数据冗余度,提出了一种基于蚁群算法的多传感器图像融合方法.对低分辨率图像上的蚁群以相位一致性作为启发信息,高分辨率图像中的蚁群以梯度强度作为启发信息,两个蚁群通过共享的信息素矩阵实现协作,根据信息素矩阵提取图像特征.算法采用区域能量的加权自适应融合规则确定低频系数,结合蚁群算法提取的边缘特征融合来指导高频系数融合.融合结果表明,该方法在不同分辨率上引入了多种启发信息,因而能够提取更加完整和有意义的图像特征,为多传感器图像融合提供了更智能、更细致、更全面的图像信息.     

基于蚁群优化的无线传感器网络路由算法

路由技术是无线传感器网络(WSNs)的关键技术。基于蚁群优化的无线传感器网络路由算法具有蚁群算法的自组织、正反馈和并行性的特点,在构造WSNs的最优路由时有很好的性能。介绍了蚁群算法的数学模型,着重从启发因子的构建方式上描述了当前典型的基于蚁群的路由算法,并比较分析了这些算法的特点及存在问题,在此基础上给出了设计启发因子的方法,为进一步研究提供了一些解决思路。     

P2P环境下的自主协作学习系统研究

目前网络环境下的学习系统大多数只注重协作学习的单一方面,很少顾及学习者的自主性,而且存在其他明显缺陷。本文以计算机网络为依托,以P2P技术为手段,建立自主协作学习网络模型,研究基于该模型的自主协作学习系统实现的三种关键算法：学习兴趣相似度分组算法、基于关键词的学习资料搜索和基于贡献值的资源分配算法,以此为基础设计并实现一种基于P2P的自主协作学习系统。该系统克服目前网络协作学习系统的缺陷,具有较高的理论和应用参考价值。     

基于进化蚁群算法的移动机器人路径优化

针对蚁群算法进行路径规划中出现的运行时间长、搜索效率低和容易出现死锁的问题,提出一种基于达尔文进化论思想的蚁群算法.首先,针对空白栅格搜索效率低的问题,提出一种蚁群算法简易模式;然后在启发函数中引入目标影响因子和障碍物影响因子以提高算法的全局搜索能力,避免陷入死锁;最后利用达尔文的进化论改进蚁群算法的信息素更新规则用于加快算法的迭代速度,缩小运行时间.在不同规模的栅格地图环境下的实验表明,所提出的进化蚁群算法能够加快迭代速度,提高搜索效率,实现最优路径并避免算法死锁问题.     

基于模糊聚类的CSCL学习者混合属性分组

计算机支持的协作学习研究大部分只依据个别定量属性计算学习者之间的差异度,进而根据某种算法对学习者进行分组,分组结果并不能反映学习者本质差异。提出一种综合学习者定性和定量属性的混合属性来计算差异度,使用模糊聚类算法对学习者进行分组的方法。实验表明该方法简单易行,分组结果较为准确。     

基于蚁群聚类算法的贫困生评定模型分析与研究

高校学生校园卡消费数据的准确聚类对于贫困生评定工作具有重要参考价值.基于在校生校园卡月均消费金额、日均消费金额、学期平均消费金额、次均消费金额四个指标,在基于蚁群模型的聚类算法中,以消费记录间特征相似度值作为启发信息,以各子簇内相似度值最大化作为最优适应度值进行聚类.实验结果表明,该算法在聚类准确性上优于传统算法,可为贫困生评定提供更加准确的参考依据.     

一种自组织的虚拟学习社区构建算法

远程教育已趋向于网络化,而学习者之间如何进行协作式学习已成为一个关键问题。本文提出一种自组织的学习社区构建算法。该算法是基于学习者的兴趣,将具有相似兴趣的学生自动组成学习社区,以进行协作式学习。实验证明,本算法具有较高的效率和良好的扩展性。     

基于自组织社区发现协作学习算法

远程学习者通常很难判断哪些学习资源最适合他们的阅读需要,同时对教师来说,针对每个学习者重新组织不同的学习资源几乎是不可能的.基于此,提出一种新颖的学习偏好建模方法,通过将动态学习数据映射为"资源、评估"的方式实现对学习特征的综合评估;通过构建智能代理来监控学习者的动态学习行为;提出组隶属度奖励机制和组成员交换机制,实现对分布式环境下的相似学习者的社区自组织;同时,基于JADE智能代理平台开发了一个协作学习平台,使得具有相似学习偏好的学习者能够进行学习资源和经验的共享.实验证明,算法具有较高的匹配准确性和社区构建效率,并能够切实提高协作学习的有效性.     

基于自组织社区发现的协作学习算法

远程学习者通常很难判断哪些学习资源最适合他们的阅读需要,同时对教师来说,针对每个学习者重新组织不同的学习资源几乎是不可能的。基于此,提出一种新颖的学习偏好建模方法,通过将动态学习数据映射为“资源、评估”的方式实现对学习特征的综合评估;通过构建智能代理来监控学习者的动态学习行为;提出组隶属度奖励机制和组成员交换机制,实现对分布式环境下的相似学习者的社区自组织;同时,基于JADE智能代理平台开发了一个协作学习平台,使得具有相似学习偏好的学习者能够进行学习资源和经验的共享。实验证明,算法具有较高的匹配准确性和社区构建效率,并能够切实提高协作学习的有效性。     

基于改进蚁群算法的全局路径规划研究与仿真

路径规划是指在有障碍物的工作环境中,寻找一条从给定起点到终点的适当路径,使运动过程中能安全、无碰的绕过所有障碍物。目前针对路径规划的算法较多,本文主要针对传统蚁群算法在二维路径规划中易陷于局部最优解,最终导致搜索过早停滞等问题,提出了一种改进的蚁群算法。该改进的算法主要以全局最优为出发点,通过引入终点对启发因子的影响,在邻接点和终点的共同作用下对启发因子函数的重新构建,有效地解决了传统蚁群算法在处理全局路径规划中带来的问题。采用MAKLINK图论理论建立二维空间模型,应用MATLAB作为编码的软件工具来对传统的蚁群算法和改进的蚁群算法在路径规划中进行仿真验证,实验结果表明改进的蚁群算法有更好的性能。     

基于Wiki平台的协作小组分组策略研究

借助Wiki系统,对Wiki协作学习平台进行二次开发,以实现协作小组自动划分.采用聚类算法,根据学习者的关键特征类型对协作小组进行划分,以使协作学习绩效达到最优.     

基于学习者个性特征的协同学习任务生成方法

现有协同学习系统无法自动生成学习任务,满足学习者个性化学习,针对此问题,提出了基于学习者个性特征的协同学习任务生成方法。该方法以学习者的个性特征为输入,用改进的贪婪算法进行分组,根据学习单元及所需角色的耦合度确定协同学习模式,结合贝叶斯网络技术生成符合学习者个性特征的学习任务,实验结果表明,基于该任务进行学习,显著提高了学习者的学习效率和学习深度。     

改进势场蚁群算法下的物料传输平台路径规划

针对传统蚁群算法收敛速度慢、易陷入局部最优与人工势场法目标不可达等问题,在物料传输分拣平台的路径规划中提出了一种改进势场蚁群算法。全局路径规划时,通过增设物料传输时下一节点位置与目标点位置间的距离与动态权重系数以优化启发函数,并考虑信息素启发因子、距离期望函数因子及信息素挥发因子在不同时刻的重要程度不同,采用了因子自适应更新策略。在局部路径规划中,通过引入物料与目标点的距离调节因子和模糊斥力点,改进了传统人工势场法。最后,将全局路径中的拐点作为局部路径中的子目标点,设计了改进势场蚁群融合算法,并对物料传输路径规划进行了仿真分析。仿真结果表明,改进势场蚁群算法可使传输路径长度缩短13.1%,拐点数目减少71.4%,并能有效避开障碍物,从而验证了算法的合理性。     

基于混合遗传算法的任务驱动分组优化研究

智能算法应用到教学领域来实现自动分组具有重要意义。针对网络学习环境下任务驱动教学中如何按最优分组方案进行小组划分的问题,综合考虑了分组问题中学习者之间的特征差异和任务难易程度等影响因素,构建了基于任务驱动分组优化问题的数学模型,提出了基于混合遗传算法的任务驱动分组优化策略。在MATLAB7.0平台上,运用混合遗传算法对任务驱动的分组优化进行了仿真实验。实验结果表明,基于混合遗传算法的任务驱动分组优化是可行且有效的。