[发明专利]一种基于闪电搜索算法的个性化学习路径优化方法

权利要求书

1.一种基于闪电搜索算法的个性化学习路径优化方法，其特征在于，包括步骤：

建立学习路径优化问题的数学模型；

基于闪电搜索算法的学习路径优化。

2.根据权利要求1所述的一种基于闪电搜索算法的个性化学习路径优化方法，其特征在于，所述建立学习路径优化问题的数学模型，包括以闪电的引导放电体X＝{x₁,x₂,x₃...x_n}为群体个体，其中n为学习资源的数量；

目标函数：F(x)＝w₁×f₁+w₂×f₂+w₃×f₃,其中w₁,w₂,w₃使3个目标函数的权重，

f₁表示学习难度，即推荐学习路径上的所有学习资源的学习难度同学习者的知识掌握水平的差距；

f₂表示学习花费，推荐学习路径上所有学习资源的学习资源花费；

f₃表示相关度，推荐学习路径上的所有学习资源同目标知识点的相关度差距。

3.根据权利要求1所述的一种基于闪电搜索算法的个性化学习路径优化方法，其特征在于，所述基于闪电搜索算法的学习路径优化，包括通过闪电搜索算法迭代得到一组最优解，再采用实数编码的方法将连续的实数解转化为离散的整数解，引导放电体的解{x₁,x₂,x₃...x_n}由整数和小数部分构成，表示x_i＝(I_i,D_i)，其中I_i表示是否选取此学习资源，当I_i＝0时，说明不选择该资源；解的大小顺序表示学习资源的路径选择顺序。

4.根据权利要求1-3所述的一种基于闪电搜索算法的个性化学习路径优化方法，其特征在于，所述基于闪电搜索算法的学习路径优化，包括步骤：

A、初始化算法参数，设置最大迭代次数M，群体数目N，通道时间T，初始顶端能量

B、随机进行群体空间位置初始化，初始化过渡放电体位置，确定待优化适应度函数，设置当前迭代次数t；

C、利用适应度函数进行性能评估，即评估放电体能量E_p；

D、更新空间放电体顶端能量E_sl。若E_p＞E_sl或P^S_{i_new}为较好解，则相应梯级先导sl_i扩展到一个新的位置sl_{i_new}，更新P^S_i至新空间放电体位置P^S_{i_new}；否则P^S_i保持不变，直到下一次迭代；如果P^S_{i_new}延伸到sl_{i_new}并优于当前迭代，则空间放电体将变成引导放电体；

E、更新引导放电体顶端能量E_sl。若E_p＞E_sl，更新P^L至新引导放电体位置P^L_new；若P^L_new在第t+1次迭代提供了较优解，则相应的梯级先导sl_i被扩展到新位置sl_{i_new}，且P^L更新为P^L_new；否则，引导放电体P^L位置保持不变，直到下一次迭代。

F、判断是否达到最大通道时间T。若是，则淘汰最差通道，重置通道时间，并更新放电体新方向和能量E_p；若否，则直接更新放电体新方向和能量E_p；

G、评估放电体能量E_p，并拓展通道。若E_p＞E_sl，则放电体进行梯级先导传播或生成通道，淘汰低能量的通道，且P^L更新为P^L_new；若E_p≤E_sl，则引导放电体P^L位置保持不变，直到下一次迭代；

H、判断算法是否满足终止条件，若满足，则转到I；否则，令t＝t+1，重复执行D；

I、输出最优解，即具有最大能量的引导放电体位置。