圖 13 整合多個以情境為基礎的學習服務組合規則以供在情境感知學習環

圖 13 整合多個以情境為基礎的學習服務組合規則以供在情境感知學習環

境中的通用適性化混搭使用。

在 此 實 驗 中 ，我 們 收 集 了 十 個 模 糊 知 識 庫 來 作 整 合 運 用 。使 用 了 120 個 學 生 的 資 料 ， 80 個 案 例 用 來 整 合 而 另 外 40 個 用 來 測 試 。 初 始 的 十 個 模 糊 知 識 庫 的 推 論 效 能 如 表 5 所 示 紀 錄 著 它 們 詳 細 的 準 確 率 及 規 則 數 目 。 這 十 個 模 糊 規 則 庫 的 組 合 規 則 由 十 位 不 同 的 學 生 所 提 出 。 表 6 及 表 7 為 這 些 規 則 庫 中 的 兩 個 案 例 。 在 這 些 模 糊 知 識 庫 中 總 共 有 十 二 種 不 同 的 服 務 組 合 樣 式 類 別 ： {Pattern 1， Pattern 2， Pattern 3， Pattern 4， Pattern 5，

Pattern 6， Pattern 7， Pattern 8， Pattern 9， Pattern 10， Pattern 11 ， Pattern 12 } ， 及 六 個 模 糊 集 合 ： {L e a r n i n g c a p a b i l i t y ， M a t e r i a l d i f f i c u l t y ， Learning recommendation ， Material p o p u l a r i t y， T i m e s u p p o r t， Device support}。 模 糊 集 合 的 英 文 縮

寫 如 下 所 示 ： Learning capability(L.C.) ， Material d i f f i c u l t y (M.D.) ， L earning recommendation (L.R.) ， Material p o p u l a r i t y (M.P.) ， T ime support(T.S.) ， 以 及 Device s u p p o r t (D.S.)。 每 個 模 糊 集 合 的 語 意 值 如 下 所 示 ， 而 其 相 對 應 的 歸 屬 函 數 則 如 圖 14 所 示 。

D_{L . C .}= { low ， n o r m a l， h i g h } D_M^。 _D^。 = { e a s y ， n o r m a l， h a r d } D_L^。 _R^。 = { low ， n o r m a l， h i g h }

D_M^。 _P^。= { u n p o p u l a r， c o m m o n ， p o p u l a r}

D_T^。 _S^。 = { low ， n o r m a l， h i g h } DD^。 S^。 = { low ， n o r m a l， h i g h }

表 5 初始的十個以情境為基礎的組合模糊規則庫效能列表

Fuzzy Rule bases Accuracy Number of rules Rule base 1 60% 12

Rule base 2 40% 7

Rule base 3 47% 21 Rule base 4 48% 16

Rule base 5 35% 8

Rule base 6 45% 10 Rule base 7 50% 15 Rule base 8 53% 12 Rule base 9 48% 16 Rule base 10 42% 11

表 6 學生 1 所提出的規則庫案例

圖 14 對應於模糊集合的歸屬函數：learning capability，material difficulty，

learning recommendation，material popularity，time support，以及 device support。

於 此 實 驗 中 初 始 的 規 則 集 數 量 為 10 個 而 初 始 的 規 則 數 量 為 128 條 。 表 8 展 示 了 第 1 迭 代 中 的 粒 子 1 及 粒 子 7 的 知 識 庫 編 碼 和 對 應 的 適 性 值 。 表 9 可 看 出 在 第 10 迭 代 粒 子 編 碼 元 素 的 改 變 及 適 性 值 的 變 化 。

表 8 第 1 迭代中的粒子 1 及粒子 7

表 9 第 10 迭代中的粒子 1 及粒子 7

在 此 實 驗 中，速 度 的 參 數，C1 及 C2 各 自 被 設 定 為 1。4945。

此 固 定 的 數 值 設 定 在 許 多 的 研 究 中 包 括 本 實 驗 皆 可 達 到 高 的 效 能。實 驗 的 結 果 展 示 出 以 PSO 為 基 礎 的 知 識 整 合 確 能 建 立 起 一 個 有 著 較 好 的 準 確 率 及 較 低 的 複 雜 度 之 整 合 模 糊 知 識 庫 。 實 驗 結 果 如 表 10。 準 確 率 提 高 至 80 % 而 複 雜 度 則 降 到 12 個 規 則 。

表 10。 服務組合規則庫整合後之結果

模糊規則庫 準確率 規則數目

整合後的規則庫 80% 12

從 這 些 實 驗 中 ， 我 們 可 以 觀 察 到 某 些 粒 子 有 著 較 低 的 適 性 值 。 這 些 粒 子 代 表 著 其 規 則 推 論 效 能 也 較 為 低 弱 ， 或 甚 至 是 沒 有 用 及 妨 害 整 合 的 粒 子 。 比 起 剔 除 掉 這 些 規 則 ， 我 們 也 可 以 將 這 項 資 訊 回 饋 給 教 師 們 。 進 而 可 協 助 教 師 們 設 計 出 更 有 效 或 實 用 的 指 令 規 則 來 使 用 在 學 習 設 計 或 方 針 上 。 這 對 於 相 關 的 最 佳 化 研 究 將 是 更 為 正 面 的 做 法 。

為 了 展 示 以 PSO 為 基 礎 的 模 糊 知 識 整 合 之 效 能，本 研 究 同 樣 的 比 較 了 PSO 與 GA 演 算 法 兩 者 之 間 的 適 性 求 值 及 符 合 規 則 之 變 化 。 PSO 為 基 礎 的 方 法 設 定 ： 執 行 500 迭 代 ， 10 個 初 始 粒 子 ， c1=1.49445， c2=1.49445。 而 GA 為 基 礎 的 方 法 其 設 定 為 ： 執 行 500 迭 代 ，10 個 初 始 基 因 ，交 配 率 為 0.95，突 變 率 為 0.8。

經 由 圖 15， 我 們 可 以 看 出 GA 為 基 礎 的 方 法 在 一 開 始 的 時 候 可 以 符 合 較 多 的 可 用 規 則 。 然 而 ， 經 過 之 後 的 迭 代 計 算 ， PSO 為 基 礎 的 方 法 將 會 發 掘 出 更 多 的 可 用 規 則 。 而 以 適 性 求 值 的 變 化

來 看 (如 圖 16)， 在 一 開 始 時 G A 為 基 礎 的 方 法 會 有 比 較 好 的 適 性 值 ； 但 在 最 後 的 計 算 結 果 中 ， PSO 的 效 能 為 0.005 遠 比 G A 的 0.0042 來 得 好 。

圖 15 PSO 與 GA 符合規則數變化的比較

圖 16 PSO 與 GA 適性求值變化的比較