謝蘇超

摘要摘要：在線智能化學習是目前教育技術領域研究的熱點，其中課程資源自動編列是在線智能化學習系統(tǒng)應用成功的關鍵。課程資源編列能夠較好地解決個性化學習資源篩選與重組問題，已成為智慧學習領域重要的研究課題。首先在分析國內外課程資源編列文獻的基礎上，闡述了課程資源編列問題的內涵，構建了課程資源編列問題模型，然后梳理基于進化計算的課程資源編列問題研究文獻，探索基于學習者特征的課程資源編列分類研究現(xiàn)狀，開展基于進化計算的課程資源編列問題應用研究分析，最后給出了研究趨勢與展望。

關鍵詞關鍵詞：在線學習；課程資源編列；學習資源；進化計算

DOIDOI：10.11907/rjdk.171024

中圖分類號：TP301

文獻標識碼：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)、機器學習和云計算等新興技術的快速發(fā)展，人工智能已廣泛應用于各個領域，以進化計算方法應用為代表的智慧學習研究也得到了迅速發(fā)展，成為推動智慧學習[1]系統(tǒng)構建的關鍵技術之一。信息技術的快速發(fā)展以及在線學習資源的不斷豐富，使學習者能獲取的學習資源越來越多。在為學習者帶來便利的同時，也使學習者需要花費更多的時間和精力去篩選符合自己學習需求的資源，因此“資源超載”現(xiàn)象越來越嚴重[2]。此外，由于學習者的認知能力存在差異，導致不同學習者的學習需求也是不同的。因此，學習者迫切期望能獲得符合其實際需求的學習資源序列和資源內容[3]。

在線學習環(huán)境中，為了從眾多的學習資源中發(fā)現(xiàn)、導入、組合以及分發(fā)給學習者適合的資源序列與資源內容，需要為學習者設計智能化、動態(tài)化以及個性化的資源處理工具，從而產生了在線學習領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)學習者的學習特征提供個性化的學習資源，如：學習資源推薦、個性化學習路徑生成[4]等，從而提高個體學習者的學習效率；從狹義而言，課程資源編列指按照學習者的個性特征、學習目標、學習內容以及課程層次要素組織課程學習資源序列。

在線學習系統(tǒng)應用成功的關鍵是提供的學習資源能否適應學習者的先驗知識和學習需求[5]，其中課程資源編列問題是在線學習系統(tǒng)中實現(xiàn)智能化學習的核心。在傳統(tǒng)的學習系統(tǒng)中，學習資源是固定、預先存儲的。然而，在智能化學習系統(tǒng)中，學習資源可以動態(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，可以適應不斷變化的學習環(huán)境。進化算法（又稱為演化算法）與傳統(tǒng)的優(yōu)化算法相比，進化計算的自適應、自學習等特性，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]認為在線學習系統(tǒng)應提供教師導學功能，并給予學習者個性化的服務支持。但由于學習內容和服務需求具有較強的個性化和特異性，海量的學習資源容易使缺乏經(jīng)驗的學習者無所適從，因此要求學習系統(tǒng)能夠提供有效的學習資源管理策略。

目前絕大多數(shù)數(shù)字化學習系統(tǒng)采取固定的資源管理策略模式，提供的學習資源以及資源序列都沒有考慮到學習者的偏好、需求以及個性特征。在線學習者人數(shù)眾多且存在特征多樣性，學習者的需求也會在學習進程中不斷變化，在線學習系統(tǒng)應該能夠為學習者提供動態(tài)、個性化的資源序列和內容，不應把為初學者準備的引導性學習資源推送給有一定學習基礎的學習者，同樣也不應把為有編程經(jīng)驗的學習者提供的程序設計學習資源推送給無編程經(jīng)歷的學習者。

課程資源編列即為學習者提供最佳的個性化學習資源序列，使其能高效地完成學習任務。課程資源編列涉及學習者相關特征和課程學習內容，具體包括學習者的背景、先前所修課程學習內容、學習動機、成績以及學習能力和風格等。即使是確定的學習者，隨著其學習內容的增加與能力的提升，該學習者的實際學習需求也會發(fā)生變化，對應的學習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)在線學習應用關注的重點不同，課程資源編列問題也有多種表現(xiàn)形式，例如：個性化學習路徑及資源推薦、課程學習資源排序以及課程學習資源組合等問題?？傊瑸閷W習者指定適合其學習所需的學習資源序列和資源內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]，即針對特定學習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。假設課程學習內容包括n個課程學習資源，如果不考慮各種約束條件，所有可能的課程資源序列為n！，但課程學習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。如果考慮到學習者先前所學的知識、學習能力、背景、學習風格等約束條件，可行的編序則會縮小。因此，課程資源編列問題可構建為約束滿足問題模型或者多目標最優(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之間的約束關系集。

當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化為一個排序滿足約束問題（PermutCSP）模型[8]。例如：假設有N個課程學習資源，則排序滿足約束問題的解集S={1，2，3，4…N} （其中所有的學習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)化目標時，則成為多目標優(yōu)化問題（Multiobjective Optimization Problem，MOP）。多目標優(yōu)化問題是由多個決策變量、目標函數(shù)、約束條件組成的優(yōu)化問題。課程資源編列問題可構建為一個多目標優(yōu)化問題[9]，其中決策變量、目標函數(shù)如下：

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

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

（3）決策變量xni，1≤n≤N且1≤i≤K。如果學習對象LOn是學習者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函數(shù)可表示為：

（1）F1：學習對象和目標之間學習概念的平均差異。

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

（2）F2：學習對象難度和學習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：全部材料的學習時間與學習者期望時間的關系。

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

（4）F4：學習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4個目標函數(shù)F1、F2、F3、F4值達到最小時，表明課程資源編列的序列最符合學習者需求，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個目標函數(shù)的最優(yōu)解問題。

2進化計算

進化計算（Evolutionary Computing）是以達爾文的進化論思想為基礎，模擬生物進化過程的人工智能技術，其過程包括：選擇、重組和變異。常見的進化計算算法有：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]教授參考生物進化論和遺傳定律的思想并改進后提出的進化計算算法。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、魯棒性強等特性，適用于處理優(yōu)化問題。

3進化計算解決課程資源編列問題分類

國內利用進化計算解決課程資源編列問題的研究數(shù)量不多，而國外相關研究工作開展較早，相關研究文獻數(shù)量也較多。圖1是對最近10年進化計算解決課程資源編列問題文獻數(shù)量的統(tǒng)計匯總。目前研究問題主要集中于課程資源結合個性化在線課程生成、移動學習路徑生成、學習資源與學習路徑推薦等領域。

在線學習領域中學習者要從學習資源中獲取所需的相關知識，從而完成規(guī)定學習領域中具體課程的學習內容，而學習者自主尋找與自身當前學習狀態(tài)相符的學習資源是非常困難的?；谶M化算法的課程資源編列服務可以根據(jù)學習者個體需求、學習目標、知識水平、學習能力等，從學習資源中提取合適的學習資源片段，為學習者提供智能化的學習向導服務。因此，利用進化計算算法解決課程資源編列問題是在線學習領域的一個重要研究內容。在線學習領域應用較多的進化算法有遺傳算法、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文獻，按照解決此問題時是否關注相似經(jīng)歷的學習者，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注重點是個體學習者的個性特征而不是多個學習者的整體表現(xiàn)。與基于群體的課程資源編列不同，學生個體模型和學習目標是基于個體特征的課程資源編列方法的基礎。基于個體特征的課程資源編列研究中使用的進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習資源概念關聯(lián)度、學習資源難度、學習者背景以及學習順序等因素，強化了對于個體的關注度。該研究領域中應用最多的進化計算中的遺傳算法可生成滿足學習者的課程資源學習內容編列。

分析近幾年的文獻可以發(fā)現(xiàn)，遺傳算法被用來解決個性化網(wǎng)絡課程構建、學習路徑優(yōu)化以及個性化在線學習系統(tǒng)構建等問題。如陳華月[13]利用遺傳算法來獲取學習資源特征，分析用戶個性特點，使在線學習智能化，并設計了學習資源推薦系統(tǒng)模型；李浩君等[14]將遺傳算法用于移動學習路徑研究中，提出了移動學習模式和學習路徑優(yōu)化策略，并在網(wǎng)絡工程綜合實驗課程學習中加以驗證，證實了其有效性。

此外，很多學者通過對遺傳算法的改進，優(yōu)化了問題解決策略。Shen等[15]為了解決課程難度和學習者表現(xiàn)的動態(tài)變化之間的匹配問題，對遺傳算法加以改進，提出了PCE-GA方法，給出了PCE-GA架構圖，實現(xiàn)了個性化課程的動態(tài)生成；Chang等[16]利用改進的遺傳算法（Genetic Algorithm with Forcing Legality）實現(xiàn)個性化網(wǎng)絡課程構建，并對PSO、RPSO和GA進行了對比研究，結果表明改進的遺傳算法作為推薦算法效果更好；Huang等[17]針對現(xiàn)有在線學習系統(tǒng)忽略了學習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習經(jīng)驗，構建基于遺傳算法的個性化在線學習系統(tǒng)。通過實驗驗證，該系統(tǒng)可以幫助學習者提高網(wǎng)絡學習效率；傅偉司[18]設計了基于遺傳算法的個性化在線學習系統(tǒng)（GA-Based POLS），該系統(tǒng)在綜合考慮用戶個性化需求的前提下，利用遺傳算法對學習資源進行智能化推薦，推薦的結果滿足了學習者的個性化需要。

遺傳算法是進化計算在各個領域應用最頻繁的算法之一。遺傳算法應用在課程資源編列問題時，基因就是課程知識領域的概念，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度值小的序列，淘汰適應度值大的序列）、交叉（課程內容編列重排）、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。基于遺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，也有結合其它方法，如案例推理等進行個性化在線學習系統(tǒng)的構建，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習領域的個性化學習路徑問題也已得到關注。

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中的推薦系統(tǒng)概念。電子商務推薦系統(tǒng)能分析不同用戶的需求，在為用戶提供產品信息的同時給出購買建議，以達到擴大銷售的目的。在線學習領域中基于群體的課程資源編列依據(jù)不僅有學習者個體特點，還有相似學習者的學習歷史記錄以及學習效果表現(xiàn)等。群智能方法（Swarm Intelligence Method）通常被用來尋找相似學習者并安排學習內容給潛在的學習者，其中應用最多的是蟻群算法。此外，粒子群算法、遺傳算法結合數(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準中包括了其他學習者的學習表現(xiàn)、學習風格以及學習者訪問歷史等因素。

通過文獻梳理可以看到，蟻群算法被應用于解決學習路徑推薦、資源檢索、學習資料動態(tài)選擇等問題。Valigiani等[19]用實驗揭示了學習者的行為不同于人工螞蟻。標準蟻群算法是通過類比“ant-hill”的行為得來的，而學習者的“man-hills”的行為則與之不同；吳彥文等[20]設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行降序排列。實驗表明，采用蟻群算法后提高了系統(tǒng)的查準率，減少了資源檢索開銷。但是在實際應用中存在干擾因素，算法的準確度還有待提高；Dharshini等[21]在利用蟻群算法生成學習路徑中，重點改進了信息素更新策略，使利用蟻群算法的學習路徑推薦結果更加準確；Wong等[22]利用蟻群算法實現(xiàn)自適應學習路徑生成，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習路徑和他們所達到的成績。對系統(tǒng)原型的驗證表明，該算法更加適用于時變領域，即對于課程不斷更新，學習指導、工具和學習者特征不斷變化的網(wǎng)絡學習有較高的適應性；Semet等[23]利用蟻群算法使學習網(wǎng)站可以智能、動態(tài)地顯示學習材料，同時提供給教學團隊一個精確的審核工具，以幫助他們確定教學材料的優(yōu)劣之處。

在算法改進方面，通過加入貝葉斯網(wǎng)絡、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)絡和蟻群算法生成學習路徑，將貝葉斯網(wǎng)絡和蟻群算法同時應用于適應性函數(shù)，使系統(tǒng)更加有效地生成學習路徑；Yang等[9]利用基于特征的蟻群算法系統(tǒng)（AACS）實現(xiàn)自適應學習資源的推薦，該算法是蟻群算法的改進，改變了信息素更新策略，從學習者知識水平和學習風格兩方面更新信息素，并使用該算法實現(xiàn)了基于網(wǎng)絡的學習門戶（FORPA）；程巖[11]為解決學習路徑問題，提出了一種增強蟻群算法，該算法推薦的指標為：學習路徑評價、學習者知識水平和學習者學習風格。模擬實驗結果表明，該方法準確性較高。

從文獻梳理中可以發(fā)現(xiàn)，粒子群算法用于解決課程排序、資源導航、課程構建等問題。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)和能力作為學習資源之間的聯(lián)系，運用粒子群算法進行資源推薦。實驗結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；肖會敏等[27]根據(jù)學習目的和知識水平尋找相似的學習者，利用粒子群算法實施學習路徑推薦，推薦過程中主要參考相似學習者對學習對象的評價，并且驗證了該方法的有效性。

此外，很多改進粒子群算法也被用于課程資源編列問題的解決中。Wang等[28]提出了一個復習課程建構系統(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習者意圖相匹配的學習資源。此外，還使用了貪婪算法對選出的學習材料進行排序。實驗結果表明，此系統(tǒng)可滿足學生需求；Sarath等[29]利用基于數(shù)字信息素改進的粒子群算法生成個性化網(wǎng)絡課程。實驗結果顯示，此方法相比其它粒子群算法有一定提高；楊超[30]在解決學習資源推薦問題時，先構建了知識點網(wǎng)絡圖，再分析不同學習者的個性特點以及能力水平，應用粒子群算法篩選個性化的學習資源推薦給學習者，其中加入了項目反應理論和概念圖理論。最后通過實驗驗證了其收斂性，學習資源推薦效果能夠達到學習者預期。

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鍵在于算法模型與學習模型的匹配。而能夠通過利用知識概念構建知識點結構圖等方法獲取不同學習者的目標和能力是應用算法的基礎，也是提高算法精確度的關鍵。

4研究展望

進化計算目前是一個新興的研究領域，仍有許多值得深入探索和亟待解決的問題，也是今后需要進一步研究的方向。

（1）學習者模型優(yōu)化。在應用進化算法實現(xiàn)課程內容動態(tài)生成的過程中，學習者模型始終是算法準確度的一個重要前提，而在實際學習場景中，對學習者特性的準確建模有一定挑戰(zhàn)性，還需要深入研究。目前對學習者特性的評估方法準確性還有提升的可能，需要更多領域的學者參與進行進一步研究，以建立更加完善的用戶模型。

（2）進化算法優(yōu)化。隨著研究的深入，為了提高課程資源編列的效率和準確度，應對最新的進化算法進行改進以適應要求，嘗試使用新的改進進化算法，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確度方面的要求。

（3）應用領域擴展。隨著學習者學習需求的增長，在移動學習領域同樣面臨著學習資源序列推薦問題。與傳統(tǒng)的網(wǎng)絡學習相比，移動學習中移動學習情景的變化也增加了資源編列的復雜度。進化計算應用于此類問題也是今后的研究方向。

在后續(xù)研究中，應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、拓展應用領域也是新型學習方式的必然要求。

5結語

進化計算作為求解最優(yōu)化問題的重要工具，已經(jīng)得到了廣泛關注并且吸引了大量研究人員參與。將進化計算技術應用于課程資源編列問題領域，能克服傳統(tǒng)學習系統(tǒng)學習資源固定、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，使在線學習系統(tǒng)可以適應不斷變化的學習環(huán)境，實現(xiàn)學習的個性化和智能化，提高學習效果。本文在分析課程資源編列問題的基礎上，詳細闡述了基于進化計算的課程資源編列問題研究現(xiàn)狀和進展，以期為相關領域的研究人員提供參考。

參考文獻參考文獻：

[1]吳洪艷.智慧學習視角下個性化在線學習系統(tǒng)設計與應用[J].中國電化教育，2015 （6）：127131.

[2]趙呈領，陳智慧，黃志芳.適應性學習路徑推薦算法及應用研究[J].中國電化教育，2015 （8）：8591.

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

[4]曹良亮.在線學習中學習路徑分析及學習行為特點研究[J].中國遠程教育：綜合版，2014（4）：2530.

[5]張家華，張劍平.適應性學習支持系統(tǒng)：現(xiàn)狀、問題與趨勢[J].現(xiàn)代教育技術，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].計算機應用研究，2008，25（10）：29112916.

[11]程巖.在線學習中基于群體智能的學習路徑推薦方法[J].系統(tǒng)管理學報，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習系統(tǒng)設計[J].通化師范學院學報，2011，32（8）：2324.

[14]李浩君，徐佳程，房邵敏，等.個性化移動學習路徑優(yōu)化策略應用研究[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習系統(tǒng)模型研究[D].廣東：廣東技術師范學院，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)絡教育資源檢索中的應用[J].計算機應用與軟件，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.