MOLGA 學習導引演算法

j j

j PL R n j

j

M





N， ， ，Rj  [0,1]。

(6) Fj：目前學習點之額滿指標。代表學習點 Cj 目前點上人數是否額滿，為動態參數，

j  N，j ≦ n，if Rj< S，Fj= 0 , if Rj= S，Fj= 1。

3. 學習者參數

與學習者相關的基本參數，包括：

(1)CT：已花費時間。代表學習者自開始學習至目前已花費之時間，單位為分鐘，為 動態參數且CT N，CT LT。

(2) TPj：學習點之已學習時間。代表學習者自進入學習點 Cj之已花費時間，基本單位 為分鐘，為動態參數且 j  N，j ≦ n。

以上敘述的 14 個參數，是整個學習導引演算法中主要考量的因素。本研究嘗試以 學習效益值與時間花費為主要考量，設計出學習評估函數。再以學習評估函數與貪婪演 算法結合，提出一套「目標極大化學習導引演算法」(Maximized Objective Learning Guiding Algorithm，簡稱 MOLGA)。另外，我們也以基因演算法為基礎，提出一成適合 無 所 不 在 學 習 環 境 的 「 學 習 導 引 基 因 演 算 法 」 (Genetic Algorithm For Ubiquitous Learning，簡稱 GAFUL)，以下四小節將會對兩個演算法做詳細的介紹。

式演算法，且結合本研究設計的學習評估函數，設計成為適合在情境感知無所不在學習 環境的導引演算法。

MOLGA 在逐一挑選成員來尋求解的過程中，只挑選目前具備最大利益的成員。明 確地說，若是一個具有 n 個 input 的問題，我們要在某種「限制條件」下，也就是評分 函數的限制下，在其中選出一個合乎此限制的子集合，而這個子集合就稱為可行解 (feasible solution)。這個方法很明顯的只是找出一個近似最佳解，不一定是最佳解。

而學習評分函數為整個演算法的核心，將會影響到整體之學習效益，因此定義一個 合適的評分機制來選擇導引的目標是很重要的。評分函數的目標有二個，「即時」提供

「時間花費小」且「學習效益值大」的學習點給單一學習者，以及提升所有學習者之整 體平均學習效益值。

根據以上目標，選擇以下的表 3.1 MOLGA 參數表來定義評分函數：

表 3.1 MOLGA 所使用之參數表 參數 說明

效益 Gj 各點學習效益值

時間

Tj 學習點預設時間 ti,j 點與點移動時間 LT 學習總時間限制

空間

Mj 點上目前人數 PLj 每點人數限制 S 飽和率限制 Rj 目前飽和率

本研究選取出最具直接影響力的 8 個參數，依照其特性設計評分函數，其評分標準 為「評分數值越小者，學習效益越高」。假設一學習者從學習點 Ci 欲前往另一學習點 Cj ，則 Cj的評分數值可以下列評分函數 Score( i , j )計算：

(1) )

Score( 





 

1]

R

*ln[S G

T i ,j t

j j

j i,j

公式(1)中，ti,j為「Ci到 Cj的花費時間」，Tj為「學習點 Cj之預估學習時間」，Rj為

「學習點 Cj 目前飽和率」，Gj為「學習點 Cj 的學習效益值」，目前是由系統預先給定的

效益權重，將來能依個人知識背景的不同，給予不同的權重值。S 為「環境限制飽和率」， 與預約飽和機制搭配使用，概念為「預留緩衝空間」，以容納未依照導引學習的學習者，

讓依照導引預約學習點上空間的學習者，不會因為未預約的學習者，使學習受到干擾。

圖 3.2 MOLGA 學習導引演算法流程圖 圖 3.2 為 MOLGA 的運作流程，導引步驟如下：

步驟一：產生初始假設，每一個學習者皆在預設的起點開始學習歷程。

步驟二：找尋是否有尚未學習過的點(以下簡稱“未學點”)，若沒有則直接返回終點，完 成學習歷程。

步驟三：找尋未學點中可在時限內回到終點的，若沒有則直接返回終點，完成學習歷程。

步驟四：計算全部候選未學點的評估函數值。

步驟五：以循序漸進的方式找出最適合的未學點。

步驟六：推薦學習者前往此學習點。

步驟七：此點學習完畢後，跳回步驟二。

假設尋找最佳學習路徑演算法為 MOLGA，也就是在所有學習點 Cj中，選擇最小 評分數值者作為導引的目標。若學習點總共有 n 個，則找出學習點 Cj則須計算 n-1 次，

而每執行評分函數一次所花費時間複雜度為 O(1)，整個演算法的時間複雜度則為 O((n-1)*1)=O(n-1)=O(n)。