基于改进二进制粒子群算法的个性化网络学习资源推荐方法

发布时间：2018-01-10 07:33

  本文关键词：基于改进二进制粒子群算法的个性化网络学习资源推荐方法　出处：《系统科学与数学》2017年08期 　论文类型：期刊论文

  更多相关文章： 个性化网络学习资源推荐 适应度函数 二进制粒子群算法 非对称映射函数

【摘要】：针对目前启发式算法用于解决个性化网络学习资源推荐问题时存在推荐速度较慢、不稳定等问题,文章提出基于改进二进制粒子群算法的个性化网络学习资源推荐方法(AsyBPSO-RA).该方法将个性化网络学习资源推荐问题建构为适应度函数,利用改进二进制粒子群算法(AsyBPSO)优化此适应度函数,生成推荐结果;AsyBPSO采用非对称映射函数,取代基本二进制粒子群算法中的S型映射函数,以更好地平衡算法的探索和开发阶段.通过五组实验结果对比分析发现,AsyBPSO收敛能力强,稳定性高,表明AsyBPSO-RA是较为有效的个性化网络学习资源推荐方法.
[Abstract]:In view of the current heuristic algorithm used to solve the personalized learning resources recommendation problem there are some problems such as slow recommendation speed instability and so on. In this paper, an improved binary Particle Swarm Optimization (BPSO) based recommendation method for personalized web-based learning resources is proposed, which constructs the recommendation problem of personalized web-based learning resources into fitness function. An improved binary particle swarm optimization algorithm (AsyBPSO) is used to optimize the fitness function to generate the recommended results. AsyBPSO uses asymmetric mapping function to replace the S-type mapping function in the basic binary particle swarm optimization algorithm to better balance the exploration and development stages of the algorithm. AsyBPSO has strong convergence ability and high stability, which indicates that AsyBPSO-RA is an effective recommendation method for personalized network learning resources.
【作者单位】： 浙江工业大学教育科学与技术学院;浙江工业大学计算机科学与技术学院;
【基金】：国家社科基金年度项目(16BTQ084)资助课题
【分类号】：TP18
【正文快照】： i引言 个性化网络学习资源推荐是根据学习者个性化学习特征提供相匹配的学习资源和学习路径[11.根据学习者的期望和能力等信息提供的个性化网络学习资源,能够有效地提升学习者的学习效率.但是由于个性化网络学习资源推荐问题的高复杂度,导致已有的个性化网络学习资源推荐方法

【相似文献】

相关期刊论文 前10条

1 车林仙;;基于粒子群算法的混沌系统快速控制[J];泸州职业技术学院学报;2006年03期

2 郭明山;刘秉瀚;;一种改进的混沌粒子群算法[J];福建电脑;2008年02期

3 张楠;邢志栋;董建民;王辛;;一种基于粒子群算法和育种算法的混合算法[J];西北大学学报(自然科学版);2008年01期

4 张大兴;贾建援;张爱梅;郭永献;;基于粒子群算法的三轴跟瞄装置跟踪策略研究[J];仪器仪表学报;2009年09期

5 张泰雷;刘春生;;基于改进粒子群算法的控制分配研究与应用[J];伺服控制;2012年06期

6 黄珍;潘颖;曹晓丽;;粒子群算法的基本理论及其改进研究[J];硅谷;2014年05期

7 焦国辉;;一种改进的粒子群算法稳定性证明及其应用[J];现代计算机(专业版);2014年14期

8 王晟;潘郁;;个体激励粒子群算法及其社会学背景分析[J];计算机工程;2008年21期

9 彭志平;张慧;;一种改进的粒子群算法在协商优化中的应用[J];计算机工程;2008年10期

10 沈佳宁;须文波;孙俊;;基于量子粒子群算法的收敛性研究[J];微计算机信息;2009年06期

相关会议论文 前10条

1 方卫华;徐兰玉;陈允平;;改进粒子群算法在大坝力学参数分区反演中的应用[A];2012年中国水力发电工程学会大坝安全监测专委会年会暨学术交流会论文集[C];2012年

2 马向阳;陈琦;;以粒子群算法求解买卖双方存货主从对策[A];第十二届中国管理科学学术年会论文集[C];2010年

3 黄胜;任万龙;王超;何新;;多目标粒子群算法在翼型优化的应用[A];第二十五届全国水动力学研讨会暨第十二届全国水动力学学术会议文集（上册）[C];2013年

4 李洪全;王京;;基于粒子群算法的自适应PID控制[A];冶金企业自动化、信息化与创新——全国冶金自动化信息网建网30周年论文集[C];2007年

5 李曙光;;粒子群算法在高速公路多路径费用拆分方法研究[A];第二十六届中国控制会议论文集[C];2007年

6 赵亮;;遗传增强混沌粒子群算法[A];第二十九届中国控制会议论文集[C];2010年

7 杨诚;杨传启;;基于粒子群算法的PID参数优化[A];第七届工业仪表与自动化学术会议论文集[C];2006年

8 刘文许;林礼清;温步瀛;;电力市场下基于改进粒子群算法的AGC机组选择[A];中国高等学校电力系统及其自动化专业第二十四届学术年会论文集（中册）[C];2008年

9 刘衍民;马卫民;;基于高斯白噪声扰动的混合粒子群算法及其应用[A];第十届中国不确定系统年会、第十四届中国青年信息与管理学者大会论文集[C];2012年

10 王征;刘大宝;王家林;王永骥;;基于离散粒子群算法的船舶电力系统重构研究[A];2011年中国智能自动化学术会议论文集（第一分册）[C];2011年

相关博士学位论文 前10条

1 李庆伟;粒子群算法及电厂若干问题的研究[D];东南大学;2016年

2 尹浩;求解Web服务选取问题的粒子群算法研究[D];东北大学;2014年

3 邵晴;粒子群算法研究及其工程应用案例[D];吉林大学;2017年

4 黄平;粒子群算法改进及其在电力系统的应用[D];华南理工大学;2012年

5 胡成玉;面向动态环境的粒子群算法研究[D];华中科技大学;2010年

6 张静;基于混合离散粒子群算法的柔性作业车间调度问题研究[D];浙江工业大学;2014年

7 刘宏达;粒子群算法的研究及其在船舶工程中的应用[D];哈尔滨工程大学;2008年

8 冯琳;改进多目标粒子群算法的研究及其在电弧炉供电曲线优化中的应用[D];东北大学;2013年

9 刘衍民;粒子群算法的研究及应用[D];山东师范大学;2011年

10 王雪飞;粒子群算法的动态拓朴结构研究[D];西南大学;2008年

相关硕士学位论文 前10条

1 李强;基于改进粒子群算法的艾萨炉配料优化[D];昆明理工大学;2015年

2 付晓艳;基于粒子群算法的自调节隶属函数模糊控制器设计[D];河北联合大学;2014年

3 余汉森;粒子群算法的自适应变异研究[D];南京信息工程大学;2015年

4 梁计锋;基于改进粒子群算法的交通控制算法研究[D];长安大学;2015年

5 杨伟;基于粒子群算法的氧乐果合成过程建模研究[D];郑州大学;2015年

6 李程;基于粒子群算法的AS/RS优化调度方法研究[D];陕西科技大学;2015年

7 戴玉倩;基于混合动态粒子群算法的软件测试数据自动生成研究[D];江西理工大学;2015年

8 仲伟彪;改进粒子群算法的研究及其云计算资源调度的应用[D];江西理工大学;2015年

9 艾东;基于粒子群算法的双重目标设施布置优化[D];西安建筑科技大学;2015年

10 刘召军;解优化问题的混合粒子群算法[D];陕西师范大学;2015年

，

本文编号：1404409