加载成功，点击访问 | 您所访问的可能是无图版，图片内容无法显示，点击这里访问|{$sysname}

首页 →文档下载

c3-10基于反馈调整差分进化算法的人工智能教育系统1

以下为《c3-10基于反馈调整差分进化算法的人工智能教育系统1》的无排版文字预览，完整内容请下载

基于反馈调整差分进化算法的人工智能教育系统

摘要：

微分进化算法作为一种全新的全局优化进化算法，自提出以来就具有良好的收敛性、简单的模型和实现、控制参数比较少，因此得到了广泛的应用。差分进化算法在进化算法中很突出，近年来迅速发展，备受瞩目、应用广泛。人工智能教育系统设计和应用的研究目标是推进教育和人工智能的深入融合，促进教育领域人工智能的扎根，加速进入智能教育的时代。本文从文献分析、地平线报告分析和技术成熟度模型分析三个方面概括了人工智能教育应用研究的现状。然后分析了AI教育系统的主要功能模块，总结了系统设计开发中的问题和困难课题。为此，提出了基于自动化思想和学习理论的新AI教育系统的设计方法和模式，并进行了实例研究。基于自动化方法的人工智能教育系统的设计有助于教师实现智能教育应用、降低人工智能应用的阈值、扩展教育应用的解决方案、提高开发和更新的效率的优点。

关键词：反馈调整；差分进化；人工智能；教育系统

1引言

进化算法用简单的编码技术表现了各种复杂的结构，无需描述问题的全部特征，学习和搜索的方向可以由编码的简单操作和最优生存的自然选择来决定。采用进化算法对群进行并行寻优检索的方式，由此可以同时检索的空间以内的区域，是特别大量并行计算，不需要其他辅助的信息与检索(如微分)不接受的空间限制条件(可以微的、连续的一个等)的取缔特征。这个新颖的特征不仅获得了高效率，而且具有容易操作、通用性高的特征，因此进化算法越来越受到人们的关注。

AI是技术进步的核心动因，它给社会发展带来了巨大的变革。教育领域也正在积极探索与AI的深度融合，推进教育创新，构建智能时代教育的新生态系统。在教育领域，由于面临着缺乏成熟的应用模式、缺少人工智能专家、技术平台支持不足等问题，AI无法有效地支持教育工具和教育系统的构建。如何推进人工智能的地面应用，实现人工智能系统的便利开发，这将是人工智能教育发展的一个重要过程。自动化是人类文明和社会现代化进步的标志。随着人类社会的进步，自动化技术在社会需求的推动下不断发展。现在，在人工智能领域，通过自动化构筑人工智能系统很重要。作为新的研究方法，自动化机械学习和自动化深度学习等人工智能方法采用“用人工智能训练人工智能”的设计思想，扩大人工智能的研究和应用范围，实现平台智能的目标。使用者只要给出输入数据和任务的类型，机器就会自动运行系统建模中的算法和模型构筑等专业任务。由此，有效降低AI应用和系统开发的门槛，推进AI应用的标准化、模块化、自动化。目前有关于人工智能教育的研究总体上呈现出探讨理论多、应用少的现状。自动化人工智能的方法为教育领域的人工智能研究和应用提供了新的思路。本文在分析AI教育系统设计与应用的研究和问题的基础上，探讨基于自动化思想的设计方法，为探索AI教育的应用与实践提供参考。

2相关工作

文献[1]与其他进化算法相比，差分进化算法有很多优点，但传统的差分进化算法有可能陷入局部最优、有分段，算法容易收敛的缺点也不能忽视。通过查阅文献[2]从人工智能研究领域的重要一个领域——达尔文进化论的思想中得到根据灵感设计的算法是启发式的全局搜索算法。该算法模拟了自然生物的进化过程，重要的步骤是复印、变异、交叉、选择等。这个问题的基本想法是，首先随机生成最初的集团，在该集团上重复进行反复处理，以使用变量作用要素、交叉作用要素、选择作用要素等处理手段，选择对下一代最有利的解，直到满足结束条件。文献[3]调查结果表明，近年来该算法应用广泛，受到各国学者们的关注。它基于一种实数代码优化总体进化算法，独特的是对引入差分变异的模型进行超搜索，增强总体搜索能力和拥塞加速，在解决复杂的总体优化问题中，通过实践证明，差分进化算法是一种最有效的总体最优搜索。文献[4]为了深入分析中国人工智能教育研究的现状，中国教育构建的技术领域的7个主要CSSCI杂志对人工智能论文的内容进行了分析。结果显示，目前中国人工智能教育研究存在明显的“理论研究”。文献[5]目前中国人工智能教育的研究主题主要分为三大类。这种研究(174篇)主要从理论的角度分析人工智能对教育、学习领域的影响，讨论智能化时代下对教育的冲击，具体还可以分为综合类、文件解读类、理论分析类。文献[6]通过整理中国现有的研究，发现目前人工智能教育的理论分析和潜在应用方案的讨论已经比较全面，但在具体的应用实现和相关技术研究方面还很少，系统设计和算法的研究还需要深入，对教育用AI的系统应用框架和实现过程，一些学者结合AI技术的特点进行了分析。AI技术的框架主要包括教育数据层、算法层、感知层、认知层和教育应用层。文献[7]从如何将框架模块和技术应用于特定的AI教育的角度来看，缺乏实践性的研究。虽然对如何推进和实现有效应用进行了理论关注和讨论，但是缺乏探索如何有效应用的机制和方法。文献[8]通过调查得出的结论是,AI的应用需要在专家支援、技术支援、基础设施支援等维度上进行探索，这些技术和服务正在迅速发展。2017年作为“技术成熟度模型”提出的AI咨询和系统集成服务，从专家支持的角度出发，目的是在需要AI应用的相关领域提供咨询、软件安装和其他相关服务。文献[9]结合人工智能教育系统设计中的主要功能模块分析，成功的人工智能教育系统需要高质量的教育数据支持、优秀的数据预处理、适当的特征构建、模型结构和功能、良好的训练战略、严格的结果分析和灵活的应用部署等。目前教育用人工智能系统的设计开发中遇到的主要困难还有很多，造成了人工智能教育困难，应用研究滞后的现状。

3反馈调整差分进化算法

3.1差分进化算法及其改进方法

3.1.1差分进化算法的基本原理

DE算法通过使用浮点矢量的编码生成个体。在DE算法的优化过程中，首先从父代个体之间选择两个个人将差异向量合并生成差异向量。然后选择另一个个体，添加差异向量，生成实验个体。接着，将父母个体与对应的实验个体进行交叉，产生新的孩子。最后，在父个体和子个体之间执行选择操作，满足操作的个体被保存到下一组中。DE算法的实现步骤如下所示。为了用n个连续变量解决全局优化问题。全局优化问题可以转换成解下一个函数的最小值问题。

(1)

DE算法流程如下：

(1)初始化集团，随机生成第一个群体

(2)

(3)

变异DE算法通过差分方式实现变异操作。基本的方法是在现在的菌落中随机选择两个不同的个体，缩放其差矢量后与另一个等待变异的个体进行矢量运算，生成新的个体。

(4)

变异后g代的种群会建立新的中间种群：

(5)

交叉g代及其变异的中间个体分别在个体间交叉。

(6)

这种交叉策略可以使至少一个组件由相应组件提供。交叉有指数交叉和二进制交叉两种。

图1 指数交叉过程

（1）在推进算法的过程中，解决方案的可行性,为了确保生成的实验个体的个别有问题的探索空间的构成要素,判断是否满足条件的个体留下,根据集合的初始化条件不满足个体好似有必要生成新个体。用下面的公式表示。

(7)

(2)选择操作

DE算法使用贪婪策略，根据目标函数的大小来选择进入新总体。

(8)

（3）结束条件

反复次数g超过最大反复次数Mg或者要求解决精度时，停止搜索。否则，在满足条件之前，再次对组执行模拟、交叉和选择操作。

图2 二维目标函数新个体的产生示意图

3.1.2差分进化算法的受控参数

DE算法的主要控制参数有集团规模、定标系数、交叉概率等。NP主要反映算法中的组信息量，NP值越大，集团的信息就越丰富，但结果是计算量变大，不利于求解。相反，群体的多样性受到限制，算法对寻找全局最优解没有帮助，搜索也会陷入困境。与CR相比，CR越大，实验载体选择变异的可能性就越高，中央实验载体对目标载体的干扰就越大。使算法的收敛速度降低。相反，如果CR的值小，群体的多样性就会急速减少，不利于整体的优化。二元交叉是基于d项独立的伯努利实验，实验结果中选择的孩子成分来自现在的矢量或变异矢量的各自成分。如果至少保证了一个突变个体的选择，每个伯努利实验都是由两个不同的事件组成的。因为两个独立的事件(a和b)的概率分别是CR和1/d，所以各个伯努利实验的概率如下：

(9)

将公式带入相应变量得到：

(10)

在二元交叉中，变异成分的数量是l。在突变向量中，选择的分量数l是随机变量，因此，

(11)

L的数学期望为：

(12)

指数交叉从rand j开始，rand"fCR时，实验个体继承变异个体的对应成分，第一个rand > CR时，实验个体继承父个体的对应成分。在这种情况下，实验个体继承变异个体成分数h的概率为：

(13)

但是，由于继承的数量h受边界n限制，所以以不完全的集合分布进行处理。h= d时，

(14)

因此有：

(15)

L的数学期望为：

(16)

即：

(17)

为了计算指数交叉中的MP值，需要考虑开始交叉的第一个成分下的角(K)和变动成分的数量(L)这两个随机变量。标记为j的下部的任意成分交叉，设为d(j，k)k，则d(j，k)=j?k，j a×b的可能性越来越小。这里的改进算法与自适应的两种模式的差分进化算法不同，云变异具有稳定的倾向，但使用不是云变异的方式的次数越多，收敛速度越快，解法的精度越高。模拟中确认的结果如表所示。

表3 不同参数对算法的影响

0.05

0.1

0.3

0.5

O.8

f1（x）

3.1e-028

1.5e-027

4.9e-024

1.7e-020

1.3e-014

9.9e-011

f2（x）

l.4e-21

7.1e-021

3.2e-018

2.1e-015

6.4e-011

4.6e-008

f3（x）

2.9e-232

l.8e-0254

6.8e-198

3.1e-149

6.1e-065

1.2e-024

f4（x）

求ADDE解的数据是之前内容所对应的数据，ACDE的参数设定与ADDE类似，基于DE/rand/1/bin和DE/best/1/bin模式的DE算法分别被描述为DE1和DE2。具体的参数设定如下。在DE1和DE2中，CR=0.9,f=0.5；PSO-w学习系数，惯性加权ω=0.9~0.4，随时间线性减小，最大粒子速度max v取动态范围的20%；CLPSO学习系数c=1.49445，惯性权重ω= 0.9~0.4，随时间直线减小。SADE的参数设定请参照文献。

表4 算法性能比较

函散及最大迭代次数

算法

最优解

平均值

方差

f1（x）

1500

DE1

5.2e-014

3.7e-013

3.9e-013

DE2

2.1e-034

4.8e-034

1. 内容过长，仅展示头部和尾部部分文字预览，全文请查看图片预览。础上再加上改进，实施了分析和研究，最后介绍了改进差分进化算法应用的k均值类算法。AI的时代不是AI技术大规模使用的时代，AI教育也不仅仅是AI技术在教育中的应用，其背后还有更深的意义。科技带来的生活便利和功能的改善只是表面上的，深层次上是人类自然智慧的大幅改善。在农业时代，大多数人从事农业生产，只有极少数人有机会接受提高知识水平的教育。在工业时代，在专业的大量生产中，所有人都需要学习兼顾专业劳动的知识。现在，人类的智慧主要体现在记忆水平、对知识和技能的理解和应用上。在智能时代，劳动者应该具备的最重要的能力，就是从“知识”到“智能”，从“知识”到“能力”，再从“能力”到“智慧”的革新能力。AI教育不仅是新的教育技术和教育机器，也是为了在AI时代培养具有高度智慧的人才的教育。通过构建“智慧教育社区”的努力，学生、教师、技术、知识、学习环境、实际生活被深度整合，使学生、教师和AI系统密切合作、共同创新。实现协同当前人工智能的技术发展在决定普及教育领域的普及适应之前面临技术人员等各种困难，自动化的方法降低了门槛低的接口技术应用的门槛，提高了特征和模型的构建对自动系统设计效率和性能、教育领域。

[文章尾部最后500字内容到此结束,中间部分内容请查看底下的图片预览]请点击下方选择您需要的文档下载。

以上为《c3-10基于反馈调整差分进化算法的人工智能教育系统1》的无排版文字预览，完整内容请下载

c3-10基于反馈调整差分进化算法的人工智能教育系统1由用户“hiipet”分享发布，转载请注明出处

XXXXX相关资讯

XXXXX猜你喜欢

回顶部 | 首页 | 电脑版 | 举报反馈更新时间2021-03-17 18:57:39