结合专家引导策略的模态海象算法用于自适应课程排序
人工智能
2025-06-17 v1 机器学习
摘要
自适应课程排序（ACS）是个性化在线学习的关键，然而现有方法在平衡复杂教育约束和维持优化稳定性方面存在困难。本文提出了一种模态海象优化器（MWO），通过三个关键创新增强优化性能：（1）结合老化机制的专家引导策略，改善逃离局部最优的能力；（2）自适应控制信号框架，动态平衡探索与开发；（3）三层优先级机制，生成具有教育意义的序列。我们将ACS表述为考虑概念覆盖、时间约束和学习风格兼容性的多目标优化问题。在OULAD数据集上的实验证明了MWO的优越性能，实现了95.3%的难度递进率（相比基线方法的87.2%），以及显著更好的收敛稳定性（标准差18.02，而竞争算法为28.29至696.97）。在基准函数上的额外验证确认了MWO在多样化场景中的鲁棒优化能力。结果表明MWO在保持计算效率和解质量的同时，能够生成个性化的学习序列。
引用
@article{arxiv.2506.13092,
title = {A Memetic Walrus Algorithm with Expert-guided Strategy for Adaptive Curriculum Sequencing},
author = {Qionghao Huang and Lingnuo Lu and Xuemei Wu and Fan Jiang and Xizhe Wang and Xun Wang},
journal= {arXiv preprint arXiv:2506.13092},
year = {2025}
}
备注
The article has been accepted and published by Human-centric Computing and Information Sciences