• 沒有找到結果。

題目:情境感知無所不在學習環境之動態學習導引方 法

N/A
N/A
Protected

Academic year: 2022

Share "題目:情境感知無所不在學習環境之動態學習導引方 法"

Copied!
82
0
0

加載中.... (立即查看全文)

全文

(1)

中 華 大 學

碩 士 論 文

題目:情境感知無所不在學習環境之動態學習導引方

系 所 別:資訊工程學系碩士班 學號姓名:M09402037 陳朝祥 指導教授:曾秋蓉 博士

中華民國 九十六 年 八 月

(2)

摘要

近年來,網際網路技術的迅速成長,以及無線感應科技的逐漸成熟,促進了「無所 不在運算」(Ubiquitous Computing)技術的發展。這樣的技術將數位學習與現實世界 教學結合,發展出了新型態的學習方式─「情境感知無所不在學習」(Context- aware Ubiquitous Learning)。

在情境感知無所不在學習學習環境中,學習資源就是現實中的物件,而物件的資源 是有限制的,因此如何規劃學習者使用學習資源的時程以提升整體學習效益,將會是十 分重要的課題。另外,在無所不在的環境中,環境的情況常常在改變,若無法在短時間 內完成規劃,則規劃出來的路徑可能早已不符合現實的情況。

為了解決這個問題,本研究以「提升學習效益」與「即時性」為目標,設計適用於 無所不在學習環境之路徑導引演算法。分別以啟發式演算法及基因演算法為基礎,提出 了兩套無所不在學習導引演算法。而為了評估這兩套演算法的效益,本研究建構了模擬 系統來模擬無所不在學習環境中的環境變化,以此模擬環境進行實驗,驗證演算法的可 行性及適用性。

分析結果確實顯示,本研究提出的兩個方法能夠在可容許時間內,規劃出個人學習 路徑,使得依照路徑學習的學習者,能夠有效的提升學習效益。而未來研究將導入個人 化教學策略,提供更全面性的無所不在學習導引。

關鍵字:無所不在運算、無所不在學習、學習導引、路徑規劃、學習策略

(3)

致謝

首先誠摯的感謝指導教授曾秋蓉博士,老師悉心的教導使我得以一窺資訊工程領域 的深奧,不時的討論並且指點我正確的方向,還不厭其煩的指出我思考邏輯上許多的錯 誤,使我在這些年中獲益匪淺。老師對學問的嚴謹更是我輩學習的典範。

兩年裡的日子,實驗室裡共同的生活點滴,學術上的討論、趕作業的革命情感,感 謝眾位學長姐、同學、學弟妹的共同砥礪,你們的陪伴讓兩年的研究生活變得絢麗多彩。

感謝創楷學長、與志祥學長不厭其煩的指出我研究中的缺失,且總能在我迷惘時為 我解惑,也感謝從大學到研究所同班同學乃文、宗賢的幫忙,恭喜我們順利走過這兩年。

實驗室的志偉、信啓學弟、于涵學妹當然也不能忘記,謝謝你們的幫忙,我銘感在心。

感謝爸媽以及社團夥伴在背後的默默支持更是我前進的動力,有了你們的體諒、包 容,這兩年的碩士生涯才能順利圓滿的結束。最後,謹以此文獻給我摯愛的雙親。

(4)

目錄

摘要...II 致謝... III 目錄... IV 圖目錄... VII 表目錄... IX

第一章 緒論 ... 1

1.1 研究背景... 2

1.2 研究動機... 2

1.3 研究目的... 3

1.4 論文架構... 4

第二章 文獻探討... 5

2.1 無所不在運算的技術與應用 ... 5

2.1.1 無所不在運算的起源 ... 5

2.1.2 無所不在運算的現況 ... 6

2.1.2.1 美國 ... 6

2.1.2.2 歐洲 ... 7

2.1.2.3 亞太地區 ... 8

2.2 情境感知無所不在學習...11

2.2.1 情境感知無所不在學習的現況... 12

2.2.2 情境感知無所不在學習策略 ... 13

2.3 路徑規劃演算法 ... 15

2.3.1 線性規劃演算法... 15

2.3.2 動態規劃法 ... 17

(5)

2.3.3 啟發式演算法 ... 19

2.3.4 萬用啟發式演算法... 20

2.3.5 路徑規劃演算法於無所不在學習導引之適用性比較 ... 21

第三章 情境感知無所不在學習導引方法 ... 23

3.1 無所不在學習導引問題... 23

3.1.1 問題分析 ... 23

3.1.2 參數分析 ... 24

3.2 啟發式學習導引演算法... 26

3.2.1 MOLGA 學習導引演算法... 26

3.2.2 MOLGA 學習導引範例... 29

3.3 學習導引之基因演算法... 32

3.3.1 GAFUL 學習導引演算法 ... 33

3.3.2 GAFUL 學習導引範例... 40

第四章 模擬系統之實作 ... 45

4.1 開發環境... 45

4.2 系統架構... 45

4.3 學習預約模組 ... 48

4.4 導引演算法模組 ... 49

4.4.1 亂數選取法 ... 50

4.4.2 目標極大化學習導引演算法 ... 51

4.4.3 學習導引之基因演算法 ... 52

4.5 遭遇困難及解決方案 ... 52

第五章 實驗與分析... 54

5.1 實驗設計... 54

5.2 實驗資料設定 ... 54

5.3 演算法參數設定 ... 55

(6)

5.4 演算法學習效益實驗評估... 55

5.4.1 點數變化之效益實驗評估 ... 56

5.4.2 人數變化之效益實驗評估 ... 57

5.5 演算法執行時間實驗評估... 58

5.5.1 點數變化之執行時間實驗評估... 59

5.5.2 人數變化之執行時間實驗評估... 60

5.6 小結 ... 62

第六章 結論及未來展望 ... 64

6.1 結論 ... 64

6.2 未來展望... 64

參考文獻 ... 67

附錄 A GAFUL 法之適配值變化圖... 71

附錄 B GAFUL 法之世代限制變化圖... 72

附錄 C GAFUL 法之交配機率學習效益變化圖 ... 73

(7)

圖目錄

圖 2.1 線性規劃示意圖 ... 16

圖 2.2 最短路徑範例圖 ... 18

圖 2.3 圖 2.2 路徑染色體編碼示意圖... 21

圖 3.1 蝴蝶生態園區之學習環境示意圖 ... 24

圖 3.2 MOLGA 學習導引演算法流程圖 ... 28

圖 3.3 蝴蝶生態園區之學習環境參數設定圖 ... 29

圖 3.4 簡單基因演算法 ... 33

圖 3.5 GAFUL 染色體序列轉化路徑圖... 34

圖 3.6 染色體編碼範例圖 ... 35

圖 3.7 單點交配示意圖 ... 37

圖 3.8 基因突變 1 示意圖 ... 38

圖 3.9 基因突變 2 示意圖 ... 38

圖 3.10 學習導引之基因演算法 ... 39

圖 3.11 GAFUL 流程圖... 40

圖 3.12 第零世代染色體示意圖 ... 41

圖 3.13 第零世代子代染色體示意圖... 42

圖 3.14 第零世代子代染色體交配示意圖 ... 42

圖 3.15 第零世代子代染色體突變 1 示意圖 ... 42

圖 3.16 第零世代子代染色體突變 2 示意圖 ... 43

圖 4.1 情境感知無所不在學習導引系統之架構圖... 46

圖 4.2 模擬系統之架構圖 ... 47

圖 4.3 學習預約模組之架構圖 ... 48

圖 4.4 演算法導引之架構圖 ... 49

圖 5.1 學習點數 5 之學習效益變化圖 ... 56

(8)

圖 5.2 學習點數 15 之學習效益變化圖 ... 56

圖 5.3 學習點數 30 之學習效益變化圖 ... 57

圖 5.4 學習人數 10 之學習效益變化圖 ... 57

圖 5.5 學習人數 30 之學習效益變化圖 ... 58

圖 5.6 學習人數 50 之學習效益變化圖 ... 58

圖 5.7 學習點數 5 之執行時間變化圖 ... 59

圖 5.8 學習點數 15 之執行時間變化圖 ... 59

圖 5.9 學習點數 30 之執行時間變化圖 ... 60

圖 5.10 學習人數 10 之執行時間變化圖 ... 61

圖 5.11 學習人數 30 之執行時間變化圖 ... 61

圖 5.12 學習人數 50 之執行時間變化圖 ... 62

圖 A.1 GAFUL 適配值之世代變化圖... 71

圖 A.2 GAFUL 適配值之世代變化圖... 71

圖 B.1 不同世代之學習效益變化圖... 72

圖 B.2 不同世代限制之重算次數變化圖 ... 72

圖 C.1 不同交配機率之學習效益變化圖 ... 73

圖 C.2 不同交配機率之重算次數變化圖 ... 73

(9)

表目錄

表 2.1 Dijkstra’s 演算法過程表 ... 19

表 2.2 路徑規劃方法適用性比較表... 22

表 3.1 MOLGA 所使用之參數表 ... 27

表 3.2 最短路徑距離紀錄表 ... 30

表 3.3 GAFUL 所使用之參數表 ... 34

表 4.1 模擬系統開發環境列表 ... 45

表 5.1 學習點參數亂數範圍表 ... 55

表 5.2 演算法學習效益比較表 ... 63

表 5.3 演算法執行時間比較表 ... 63

(10)

第一章 緒論

隨著全球資訊網 (World Wide Web)技術以及無線通訊科技的進步與發展,許多結合 兩樣技術的應用服務也隨之誕生,其中無所不在運算(Ubiquitous Computing)的概念與應 用為受矚目的焦點之ㄧ。全世界許多先進國家都將其列為必要的科技發展重點,歐美地 區有美國、德國,亞太地區有韓國、日本和台灣,可見無所不在運算為未來科技發展趨 勢的主要課題之ㄧ。而近年來,無所不在概念開始應用在數位學習上,產生了「無所不 在學習」(Ubiquitous Learning)。

專家學者認為以學習涵蓋範圍而言,無所不在學習活動可分為「教室內」、「校園 內」、「戶外實境」,三個層面。但是,不論是那一個層面,學習環境的學習資源皆具有 現實物件的限制,連帶著學習效益也有所限制。因此,協助學習者規劃學習路徑,在有 限的環境下,依規劃導引學習者,使其獲得較佳的學習效益,則為本研究的重點之ㄧ。

而更進一步的探討無所不在環境的特性,則可以發現在動態學習活動中,環境的改變十 分快速,若導引演算法無法立即地規劃出學習路徑,給予學習者導引,則其規劃則可能 早已不符合現實情況。因此,本研究以「提升學習效益」與「高即時性」主要目標,設 計無所不在學習導引演算法。

而本論文分別以啟發式演算法及萬用啟發式演算法為基礎,提出了兩套無所不在學 習導引演算法,目標極大化導引演算法與學習導引之基因演算法。而為了驗證演算法的 效益,建構了一套模擬系統來模擬無所不在學習環境中的環境變化,利用系統來進行實 驗分析,評估兩套演算法的可行性及適用性。

由分析實驗結果顯示,本研究提出的兩個方法,能夠在短時間內規劃學習路徑,讓 依照導引學習的學習者,有效提升學習效益。而且兩個演算法適用的情況有所不同,恰 好可互相彌補其不足。未來預計將導入適性化教學理論,讓每個學習者的學習效益能夠 更好,提供更全面性的無所不在學習導引。

在第一章中,1.1 節「研究背景」,將簡介無所不在運算、無所不在學習;1.2 節「研 究動機與目的」,將說明本研究發現無所不在動態學習活動下的問題與解題研究方法;

(11)

1.3 節「論文架構」,則簡單介紹本篇論文章節大綱。

1.1 研究背景

「無所不在」(Ubiquitous)最早被用於形容網路無所不在的情況,這個概念是由美 國全錄 Palo Alto 研究中心 Mark Weiser 博士所提出,他曾在 1988 年時指出「人們將不 再察覺到電腦的存在,因為它已融入我們的生活中」,更在 1993 年提出了「無所不在運 算」(Ubiquitous Computing)[28]的構想。因為「無所不在運算」環境,能夠透過感測 科技,將數位學習課程由原先的虛擬電腦網際服務與現實世界作結合[22][39],更進一 步的發展出了新的學習方式 ,「情境感知無所不在學習 」(Context-aware ubiquitous

Learning)。情境感知無所不在學習除了能與現實生活中的學習結合之外,還可偵測現

實中學習者的狀況與行為,並且以此為參數,選擇最適合的學習輔助方案,主動的提供 給學習者,彌補了數位學習方式中「缺乏適當的學習導引」、「無法提供個人化服務」、「缺 乏即時修正能力」以上三個問題。而情境感知無所不在學習雖然是一種新的數位學習的 方式,但是專家學者們認為最慢十年,此種新的學習方式將會對學校造成影響,因此如 何善用無所不在學習,輔助學生進行有效學習,則為教育學者重要的研究議題。

1.2 研究動機

在情境感知無所不在學習的環境中,現實中的物體與數位教材結合成為完整的學習 資源[40]。這個物體也許是一尊雕像、一個可操作的器具、一個展覽的空間,但不論是 哪一種學習資源,皆會有使用人數上的限制。如在博物館中,一個展覽室只能容納 20 位遊客,所以 20 位遊客進入參觀時,其他遊客只能等待參觀結束後才能入場,若是沒 有事先的規劃,將會影響參訪行程[12]。另一個例子,海洋博物館裡,學習者需要一邊 觀察魚類的行為,一邊聆聽行動裝置的語音教材,但是聚集在觀察箱前的人數過多時,

後方的學習者視線被遮蔽無法觀察到觀察箱的內容,影響學習效益。

(12)

由以上舉出的兩個例子可以看出,在情境感知無所不在學習的環境裡,動態的學習 活動需要在不同地點間移動,如果學習者的學習路徑沒有視實際環境限制,動態地調整 學習路徑,常常會導致學習過程中的互相干擾,影響學習品質。因此如何動態感測學習 者在環境中的位置,並即時規劃出最佳的學習路徑,是一個十分重要的問題。於是,本 研究嘗試設計出適合於無所不在環境下的學習導引方法。

1.3 研究目的

為了要設計出適合無所不在環境的學習導引方法,因此本研究對無所不在環境做了 觀察與歸納,發現此學習環境最主要有三個特性,分別是「資源限制」、「動態參數」、

「即時運算」,以下將對三個特性做說明:

(1) 資源限制:如同 1.2 小節所說的,在情境感知無所不在學習環境中,學習資源是由 數位教材與現實物體結合而成的,所以在使用人數上面會有所限制,甚至學習活動 也會時間限制,因此若要設計導引演算法,除了要做到最佳化學習路徑學習效益之 外,尚須考慮到學習活動的條件限制,如時間限制、學習資源的限制…等。

(2) 動態參數:在情境感知無所不在學習環境中,學習者隨時可能移動,造成學習環境 的變化十分的快速。韓世翔認為,學習流程需透過偵測學習環境做適度的改變 [45],這表示了路徑規劃演算法必須在參數變化時,立即做出反應,使得規劃能符 合現實情況。

(3) 即時運算:在隨時有可能發生變化的情況下,不能只有考慮到對動態參數的反應速 度,還必須考量到執行規劃的時間不能太久,否則不僅無法及時導引學生,在運算 過程中,環境參數若再次發生變化,則規劃出的路徑也已經不符合現況,因此演算 法的求解速度也是評估適合性的重點之一。

在歸納出本研究的問題特性之後,為了找出可參考的解題方法,針對了許多現有路 徑規劃演算法進行研讀,如:貪婪法、動態規劃、線性規劃、基因演算法,並且對這些 演算法做了問題適用性的評估。從評估結果發現,在動態的情境感知無所不在學習環境

(13)

中,有些演算法無法即時依照目前環境變動來改變學習路徑;有些則需要不短的運算時 間,若在運算期間環境產生變化,規劃的路徑則失去效用,於是本研究期盼能找出一個 能夠解決上述問題,適合「情境感知無所不在學習環境」的學習導引演算法。

首先,本研究嘗試分析無所不在學習環境的參數,希望能夠找出影響學習路徑的參 數,再以這些參數為基礎,設計導引演算法。在分析完環境參數之後,從現有四個類型 的路徑規劃演算法中,挑出了兩類型演算法,將這兩類演算法做為概念,分別改良出了 兩個學習導引演算法,一個是以「啟發式演算法」(Heuristic Algorithm)為基礎的「目標 極大化學習導引演算法」(Maximized Objective Learning Guiding Algorithm),簡稱 MOLGA 法;另外一個則是以「萬用啟發式演算法」(Meta-Heuristic Algorithm)為基礎的

「學習導引之基因演算法」(Genetic Algorithm For Ubiquitous Learning),簡稱 GAFUL 法。

最後,在本研究的實驗中,選擇了 MOLGA 法、GAFUL 法與亂數搜尋法三個方法 做學習效益的比較,結果分析顯示在一般的情況下,本研究所設計的 MOLGA 法為較 好的選擇。

1.4 論文架構

本論文規劃五個章節:第一章說明研究背景、動機及研究目的;第二章將針對無所 不在運算的技術與未來應用以及情境感知無所不在學習的相關文獻加以探討且評比在 無所不在環境下的適用性;第三章將提出在情境感知無所不在學習下學習導引問題的分 析、轉化,並分別提出以啟發式演算法及萬用啟發式演算法為概念的學習導引演算法,

MOLGA 法以及 GAFUL 法;第四章將介紹以程式模擬的實驗環境與系統,且將針對不 同演算法應用在情境感知無所不在學習導引問題的效果及執行效率進行分析及比較;第 五章則對全論文做總結並且提出未來的改進與發展方向。

(14)

第二章 文獻探討

從本研究背景可以知道,想要找到問題的解法,分別需要了解三個領域,「無所不 在運算的概念與應用」,還需要了解可行的「無所不在學習策略」,以及要搭配的「路徑 導引方法」,更進一步的,設計出無所不在學習的導引演算法。而在第二章中,整理出 本研究參考相關的文獻,在 2.1 節中,將說明無所不在運算(Ubiquitous Computing, Ubicomp)的起源與現況的相關文獻;2.2 節中說明現有的情境感知無所不在學習(Context Aware Ubiquitous Learning)的應用及學習策略;最後,2.3 小節再針對現有的路徑導引部 分做探討。

2.1 無所不在運算的技術與應用

以下將針對無所不在運算的相關資訊做簡單的介紹,首先在 2.1.1 小節,說明無所 不在運算的起源,接下來在 2.1.2 小節,簡介其相關研究。

2.1.1 無所不在運算的起源

無所不在運算(Ubiquitous Computing)概念的起源,是在 1988 年由美國全錄中心 Palo Alto 研究中心的 Mark Weiser 博士所提出,最早的構想是「真正的科技應該是深植於人 們日常生活中」[42],接下來在 1991 年發表的「The Computer for the Twenty Century」

[27]提出了未來電腦科技發展的方向,而文中提及的,「電腦將融入人們的生活當中,

而人們察覺不到電腦的存在,但卻可無所不在的受到各種提供的服務」,此一嶄新概念 引起全球各地的高度重視。緊接著在 1993 年發表了「Hot Topics: Ubiquitous Computing.」

[28]一文,正式宣告無所不在運算將是未來一波電腦資訊發展趨勢。近十年來,各種手 持式、內嵌式、隱藏式裝置的普及與無線感測技術的成熟,不僅讓生活更加便利,也大 大促進了無所不在技術的發展。

(15)

過去數年中,在世界各地,皆有許多類似無所不在的研究議題被提出,如:Pervasive Computing 、 Ubiquitous Computing 、 Ambient Intelligence 、 Calm Computing 、 Zen Computing。雖然各個不同地域提出的議題描述有稍有不同,但是在大方向卻相當一致,

都被視為未來的資訊發展趨勢,不但與民眾的生活密不可分,甚至影響了未來的產業發 展與政策規劃。由此可知,全球各地構想中的未來的社會,同樣都是「無所不在的網路 社會」(Ubiquitous Network Society, UNS)。

2.1.2 無所不在運算的現況

有鑑於每個地區提出的議題稍有不同,以下對不同地區分為 3 小節,分別對各自的 發展現況做較深入的介紹。

2.1.2.1 美國

最先提出「無所不在」概念的國家就是美國,在美國境內有許多知名大廠都積極投 入相關的研究,如 CPU 大廠中的 Intel、伺服器大廠 IBM,皆提出其主張的概念:

(1) Intel:Proactive Computing

Intel 公司在 2000 年提出主動式運算架構(Proactive Computing)[25],不同於現有的 電腦運算架構,互動式(Interactive)運算架構,電腦須等待使用者輸入訊息後,才會有下 一個運算步驟;而主動式運算架構中,電腦將主導一切,如主動偵測四周環境,並會以 所獲得的資訊考慮區域及人文特性,不需使用者輸入(下命令),自動設定成為最佳的運 算狀態,「不同環境下的適性化」,這就是 Intel 為 Proactive 所下的定義。更在 2004 年 定出 Proactive Computing 的分層架構[38],打造了長遠的科技藍圖。

(2) IBM:Pervasive Computing

IBM公司則在2001年提出普及運算(Pervasive Computing)[23]的想法,其概念為「不 論在任何時間(anytime),任何地點(anywhere),任何設備(any device)下,都可以對任何 資訊做取得、運算以及回應的動作」,而其範鑄十分廣泛,如家電、交通工具、電腦、

(16)

PDA、手機,以看不見的(Invisible)嵌入式(Embedded)裝置賦予的運算能力,再透過內 部網路、無線網路連上網際網路,讓使用者或是裝置能夠隨時隨地存取任何資訊,其最 終目的也是創造一個無所不在的計算環境。

2.1.2.2 歐洲

歐洲部份,由德國、歐盟提出了導向不同的無所不在概念,以下將分別做介紹:

(1) 德國:德國:Organic Computing

德國漢諾瓦大學資訊系系統工程中心(SRA)提出有機電腦(Organic Computer) 研發 計劃,期望將引領電腦計算模式進入另一個新的時代,預計在 2010 年發表其成果 (http://www.sra.uni-hannover.de)。

有機電腦的想法來自於「有機計算」(Organic Computing),其概念與 Mark Weiser 博士提出的寧靜計算技術(Calm Computing)十分相似,都主張計算機的使用能符合人的 生活習慣,與人的日常生活中的工具緊密結合,並自主的與使用者進行互動。而漢諾瓦 大學的有機計算計劃,預計建構一套自主的電腦計算系統,具有許多有機生命的特性,

如:具動態適應能力的特性,有自設組態、自行最佳化、自行修復及自我防衛的功能。

其應用範圍大致成分成四個方向,「架構智慧網路」、「建構智能環境」、「適人智能 機器」、「信賴的智能工具」。期望未來人類不再受科技進步而改變使用習慣,利用以人 為中心的電腦工具,可調整適應人的需求與習慣,更有效的為人們提供方便、普及的服 務

(2) 歐盟:(歐盟) :Ambient Intelligence

在 2005 年,歐盟早已開始推動環境感知智能(Ambient Intelligence),環境感知智能 與普及計算的概念相當類似,目標都是將智慧型的運算裝置,運用在日常生活當中,無 時無刻,無處不在。但是其出發點稍有不同,普及計算的發展方向較偏重於技術發展及 相關運用,而環境感知智能則以人的生活起居為出發點,較偏向產品與消費者導向,且 特別強調環境整合的概念。

環境感知智能中包含了三項重要的創新內容,「微運算」(Micro-Computing)、「使

(17)

用 者 介 面 設 計 」( User Interface Design )、「 無 所 不 在 通 訊 網 路 」( Ubiquitous Communications Networks)[6],由此可知,未來的感知智能環境中將會出現許多不同 的整合網路與運算技術的智慧型介面。目前歐洲主導的廠商為菲利浦(Philips),菲利浦 在 2005 年提出 amBx(即 Ambient Intelligence 的縮寫 )的技術平台 ,規劃出未來 家庭數位與生活 結合的藍圖 。

2.1.2.3 亞太地區

亞太地區與歐美不同,無所不在運算主要由政府來推動,促進其融入產業與社會:

(1) 日本:u-Japan

在 亞 太 地 區 中 , 日 本 是 最 早 規 劃 未 來 成 為 無 所 不 在 網 路 社 會 的 國 家 之 ㄧ [32][33][36]。在 2004 年日本政府公開 u-Japan 政策,其目標是「2010 年成為世界最先 進的 ICT 國家並領先全球」,期望達到任何時間(24 小時)、任何地點(工作、家中、

各城市、各國家、移動中)、任何事情(家用應用、個人物品、汽車、食品)、任何人(小 孩、成年人、老年人、殘障人士)都可以輕易上網的環境,促進日本從 e 發展到 u。而 其政策推動的三大方向為:

(a) 從寬頻到無所不在網路:資通訊基礎建設為發展最重要的關鍵,需將現有的有 線與無線網路整合成為無縫隙的網路環境,做到網路無所不在。

(b) 有效利用資通訊解決各項 e 化議題:除了推廣資訊應用之外,特別注意如何解 決各種社會議題,如:地區發展的數位落差…等。

(c) 強化資通訊應用環境的安心與安全:因為電腦無所不在的存在人們的日常生活

當中,所以民眾特別注意到安全及個人隱私的部份,必須加強網路安全機制,

強化民眾對無所不在環境的信任。

(2) 韓國:u-Korea

隨著 2004 年日本提出的 u-Japan 計劃,南韓也在同年推出 u-Korea[34]的先導型計 畫「IT839 策略」,而後在 2006 年也確定了 u-Korea 政策方針。u-Korea 主要在於建設一 個無所不在的社會,期望將智慧型網絡(如 IPv6、BcN、USN)以及最新的技術應用(如

(18)

DMB、Telematics、RFID)等先進的資訊基礎,建設在民眾的生活環境中。其最終的目 的在於應用 IT 科技促進民生便利,發展 IT 產業,增進國家競爭力。為了配合 u-Korea 政策,南韓資訊通信部(MIC)制定了以下四個核心計畫:

(a) u-City 計畫:「u-City」為南韓政府未來的科技化都市。2005 年 MIC 建立跨業 合作平台「南韓 u-City 論壇」,聯合了工程與運輸部以及科技業龍頭 KT、三 星(Samsung),共同規劃新時代科技都市的架構及規格。

(b) Telematics 示範應用發展計畫:為促進車用資通訊產業的升級,MIC 在 2004 年 4 月訂定車用資通訊服務基本藍圖,包含了公眾交通車輛(如消防車、警車、

郵政車、公車)車用資通訊終端設備的裝設、濟州島示範應用計畫以及車用資 通訊情報中心(Telematics Information Center)的創立…等 9 個子計畫。

(c) u-IT 產業聚落計畫:此計畫讓每一個地方都有不同的基礎 IT 產業,期望透過 專職分工策略,帶動企業研發,加速 u 化技術服務的誕生。

(d) u-Home 計畫:此計畫最終目的在於讓每個家庭都可透過有線無線網路控制智 慧型家電,並可享受到高品質且互動式的多媒體服務。

(3) 新加坡:Connected Singapore

新加坡資訊通訊與藝術部(MITA)於 2003 年 3 月底宣布「連結新加坡(Connected Singapore)」計畫。具體目標包括,2006 年新加坡 50%以上家庭採用寬頻上網,民眾將 可享用豐富的 3G 內容和應用服務;且為了將新加坡打造成一個數位生活實驗室,投入 1 億星幣的預算進行各種創新資訊通訊技術專案,並創造 3,000 個新就業機會。此外,

2012 年時,新加坡資訊通訊產業產值將佔國內生產毛額(GDP)的 10%。

為了達成連結新加坡的目標,新加坡政府規劃以下四大策略。

(a) 資訊通訊產業的互通、創新和合作:

新加坡資訊通訊發展局(IDA)將進行各種專案,包括「無線連網計畫」、與 Intel 公司合作的「IDA-Intel 無線熱點與網路互通計畫」,期望以專案建設維持新加 坡網路準備度領先全球的地位。新加坡政府也注重數位內容的產出,因此 IDA 積 極鼓勵資訊通訊業者開發創新的寬頻多媒體內容。

(19)

(b) 數位交換(Digital Exchange):

新加坡政府期望將新加坡建設成為亞太資訊通訊總樞紐,因此除了運用現有有 利於企業發展的環境之外,還致力於發展端對端的數位創作平台、建立完善的智慧 財產權制度。期望在 2006 年前,全球前十大數位出版業者和軟體業者中,至少有 三家業者以新加坡做為亞太地區營運的樞紐。

(c) 成長的引擎(Engine of Growth):

IDA 界定以下五個領域,做為新加坡發展的重點,分別為「行動加值服務」、「無 線和有線網路基礎建設」、「多媒體處理及管理」、「網路服務和入口網站」,以及「網 路安全和信用基礎建設」。此外,IDA 將持續推動海外發展專案,以促進新加坡本 土公司、外商企業和國際企業的合作,期望在十年內,新加坡資訊通訊業者的出口 值將是目前的兩倍。

(d) 政府和企業變革(Agent for Change):

期望利用資訊通訊科技,以改善公家機關和企業組織的營運效率和服務品質。

使民眾透過政府網站上的單一窗口,不需往返於多個政府部門,就可以完整申辦需 要的服務,以達到「多個部門、一個政府」的理想。在企業組織方面,鼓勵導入資 訊電子化,以提昇企業流程效率,增進新加坡整體競爭力。

(4) 台灣:u-Taiwan

「u-Taiwan」計畫的前身為數位台灣計劃「e-Taiwan」,在 2002 年開始推動,此計 劃將重點放在寬頻與行動通訊兩大領域;接下來在 2005 年進入「m-Taiwan 計劃」階段,

緊接著在 2006 年提出了「u-Taiwan 計劃」,國家資通安全會報執行長汪庭安博士指出,

相較於 e-Taiwan 將重點放置在網路頻寬與平台,u-Taiwan 更注重在以現有的資訊通訊 建設為基礎,思考如何與民眾生活結合[44]。而在 2007 年 3 月 NICI 小組所公佈的「下 階段國家資通訊發展方案」[35]中,可看到 2007 至 2011 年的規劃中,將配合「無所不 在運算技術」的發展與應用趨勢,以發展「優質的網路社會」為最終目標,來推動 u-Taiwan 計畫。而其方案推動策略為「Innovate Taiwan」(創新台灣), 7 項策略:

(a) 完備網路化社會環境(Infrastructure):推動「優質網路化社會基本法」,豐富

(20)

數位內容、提升全民資訊素養、培育下世代優質網路人才。

(b) 建設下世代數位匯流網路(Next Generation Network):建構無線寬頻網路與感知 網路,完成數位匯流網路建設,完善價廉物美之寬頻應用環境。

(c) 創造公平數位機會(e-Opportunity):持續推動縮減數位落差,發展低價資通訊 設備,造福弱勢族群,塑造國際關懷形象。

(d) 創新科技化服務產業(Value-added ITeS):研發關鍵技術,推動科技化服務,建 立台灣新優勢產業。

(e) 創新U化生活應用(Life Enhancing Applications):從「使用者」與「非PC族群」

觀點,推動能夠解決國民食、衣、住、行、育、樂等生活議題的創新應用。

(f) 強化資通安全與信賴(Trust Taiwan):宣導政府、企業及全民資通安全社會責 任,完備國家資通安全防護機制,並建立網路社會信賴機制。

(g) 創新U化政府服務(Electronic Governance):運用ICT創新政府服務,鼓勵公民 參與,強化社會互信。

而台灣政府也為了實現 U 台灣的願景,積極推動無線頻譜身份識別(RFID)、以及 無線感測網路(Wireless Sensor Network)建設,期望結合兩種科技,讓無所不在的服 務更加落實。

2.2 情境感知無所不在學習

綜觀目前世界各地,為了落實無所不在運算的環境,運用了許多新興的科技,如:

RFID、藍牙無線通訊、Zigbee 無線通訊、Wi-Fi、Wi-Max、GPRS、3G、GPS(全球衛星 定位系統)…等。而在無所不在運算的應用方面,也有新興的「無聲商務」(Ubiquitous Commerce)、「情境感知無所不在的學習」(Context-Aware ubiquitous Learning)…等。而 近年來,教育界學者注意到情境感知無所不在的學習,將會大大影響未來學習方式的,

紛紛開始投入其相關研究,以下將對這種新的學習型態做較深入的介紹。

(21)

2.2.1 情境感知無所不在學習的現況

無所不在的學習(u-Learning),概念與無所不在運算相當類似,期望學生能夠不論 在任何時間(anytime),任何地點(anywhere),任何設備(any device)下,都可以任何人事 物為學習對象進行學習。而因為感測科技的成熟,更進一步的將 u-Learning 發展成為情 境感知無所不在學習(Context-Aware Ubiquitous Learning)。與無所不在的學習不同之處 在於,透過環境中的情境感知系統,能夠獲得更多真實世界中的狀況,如:學習者目前 的行為、所在地、手持式裝置、所在環境的溫度、溼度、時間…等資料。而情境感知無 所不在學習可利用感測到的環境參數、學習者狀態、資料庫中的學習者資料,主動提供 相對應的服務。由以上可描述,情境感知無所不在環境可歸納出以下四個特徵[11]:

(1) 具有對環境的感知功能、學習者的感知功能。

(2) 具有整合環境感知參數、學習者感知參數、學習者基本資料、學習歷程的功能,

且能將整合後的結果做分析,在適當的時間、地點,主動提供給學習者最適合 的服務。

(3) 學習者不會因為位置的移動,導致學習中斷,必要時將在不同的通訊系通間切 換,達到無縫學習。

(4) 不會因為在不同的使用者裝置上而需要安裝額外的驅動程式,系統將自動適應 不同裝置,給予不同主題的學習內容。

而目前 u-Learning 的研究議題有、「情境感知無所不在學習平台」、「無所不在學習 工具技術」、「情境感知環境建置與應用」、「情境感知學習教材內容」、「情境感知無所不 在學習策略」…幾種,以下就列舉其相關研究:

(1) 「情境感知無所不在學習平台」:Sakamura, K. et al. [22]在 2005 年,提出了如 何將現有的 Ubiquitous ID Architecture 應用在 u-Learning 上,並且提出許多可 行的 u-Learning 應用方式;Hwang, G.J. [11]則在 2006 年,提出了無所不在環 境的特徵與環境感測參數,並且提出了在情境感知環境下可行的 12 項戶外學 習活動;Brid C. [2]在 2006 年,提出了一套以現有 Moodle 數位學習平台為基

(22)

礎,額外加入 「Agent Platform」的學習平台,其特點是可藉由各種代理模組 蒐集學習者使用平台的行為、基本資料,挑選適合的教材,以最適合的方式呈 現給學習者。

(2) 「無所不在學習工具技術」:Cássia Pereira Nino et al. [4]在 2007 年,提出了架 構在情境感知無所不在學習環境的學習模型,也設計出了內容管理教育的服務 與代理介面。

(3) 「情境感知環境建置與應用」:Mitchell, K. et al. [19]在 2005 年則以二維條碼搭 配上有相機的手機,建置了一套半自動的無所不在學習系統,將運用在校外教 學上,讓學生隨時可獲得學習資訊;Verdejo, M.F. et al. [26]在 2006 年,設計 了一套以 GPS 為感測系統的戶外學習環境,再加入室內實驗室的分析,讓學 生的學習歷程更加的完整;楊子奇、蔡佩珊與黃國禎[41]則在 2006 年,建置 了一套情境感知學習系統,用在單晶 X 光繞射人員培訓上,除了提升了培訓 的效率外,也減少人為操作出錯的機會。

(4) 「情境感知學習教材內容」:Yang, S.J.H. et al. [29]在 2006 年,設計了情境感 知模型(Context Model),利用此模型正規化對「學習者」與「教材內容」的情 境感知資訊,不僅如此,還設計了一套智慧的情境探測機制,可以根據學生週 遭的環境情況,智慧的提供學習教材內容。

(5) 「情境感知無所不在學習策略」:Zxue Cheng et al. [30]在2006年,提出以行 為科學( behavior science )根據,提出無所不在的學習方式,透過蒐集學生基本 資料、學習行為,根據資料分析來決定提供的學習支援。

2.2.2 情境感知無所不在學習策略

學習策略是一種輔助學生學習,使學習更有效率的方法,而數位學習通出現至今已 有十多年的時間,而其學習策略可歸納成以下幾群,「資訊傳達」、「認知」、「知識建構」、

「社會文化」、「後設認知」…等。而因為無所不在學習概念的提出,除了原本的數個類

(23)

型的策略可再做延伸之外,還有更多的策略等待發掘。

目前已發表的無所不在學習策略相關研究,在「資訊傳達策略」方面,Shengguo Sun et al. [24]在2006年,提出一個可讓學生簡單使用學習資源的模型,分析推導學生學習模 式,以Rule-based Reasoning(RBR)的方式,推導出較佳的學習方式,讓學生更有效的學 習且養成良好的學習習慣。

在「社會文化策略」方面,Moushir M. et al. [20]在2006年,提出以合作學習可刺激 學生學習成效的增進,以電腦硬體組裝為例,設計出一套系統,可輔助學生找到教學資 源以及可給予幫助的同學,除此之外還可透過系統遠端發問,讓同學間的合作零距離;

Ching-Chiu Chao et al.(2006)[5]則提出以遊戲學習策略與學生間的合作互動增進學習興 趣,結果顯示的確可藉由此策略調整學生學習情況,促進學生更深入思考、增進解決問 題能力、終生學習技能。

由以上可知,現有無所不在學習的策略研究中,有許多策略是由傳統數位學習所延 伸而來。但是,在無所不在學習環境中,只有運用以上的策略是不夠的。黃國禎在 2006 年,指出在情境感知無所不在學習環境中,可提供學習者真實環境的操作演練與多元的 學習資訊,也就是說現實中的物體必須與數位教材結合,才能成為完整的學習資源。因 此不論是哪一種學習資源,在現實生活中,都會有使用人數上的限制。但是,若因為時 間空間的限制,讓學生失去實際操作的機會,將會降低學習效益。

不但如此,白如婷[31]曾提出,便利的數位學習仍然會有「缺乏適當的導引機制」、

「無法提供差異性的、個人化的服務」、「系統缺乏即時修正的能力」問題,而無所不在 學習不僅可能有相同的問題,且在動態學習活動中,更突顯出「即時修正能力」的重要 性。依照情境感知無所不在學習環境而言,動態學習活動需要在不同地點間移動,如果 學習者的學習路徑沒有視實際環境變化,即時調整學習路徑,常常會導致學習過程中的 互相干擾,影響學習品質。因此,如何感測學習者在環境中的現在位置,並即時規劃出 最佳的學習路徑,是一個十分重要的問題。

有鑑於此,本研究希望設計出情境感知無所不在動態學習活動的學習導引方法,在 變化快速的動態環境下,不僅可輔助各種學習策略進行學習路徑規劃,還能立即處理回

(24)

覆學習者,有效的提升無所不在學習的效率。

2.3 路徑規劃演算法

規劃路徑問題可視為最佳化問題,常見解決最佳化演算法有以下幾種:線性規劃 (Linear Programming)、動態規劃法(Dynamic Programming)、啟發式演算法(Heuristic Algorithm)、萬用啟發式演算法(Meta-Heuristic Algorithm),以下針對這些演算法做介紹,

並且評估這些演算法是否適合用於無所不在學習環境。

2.3.1 線性規劃演算法

在數學領域中,線性規劃(Linear Programming) [1]問題是一種有目標函數以及約束 條件的最佳化問題。很多現實中的問題都可以使用線性規劃來描述,如:企業管理領域、

經濟領域中的成本最小化問題以及獲利最大化問題。而線性規劃問題最標準的型態包含 以下兩個部分:

(1) 限制函數:可將問題中的限制條件轉換成線性函數,如 a11x1+ a12x2≦b1,而且可能 同時有多個限制函數來加以描述問題。

(2) 目標函數:問題會有一個需要極大化或極小化的線性函數,如 c1x1+ c2x2

因此,假設一個線性規劃問題,限制條件可表示為 a11x1 + a12x2≦b1,a21x1 + a22x2≦b2,a31x1+ a32x2≦b3, x1≧0,x2≧0;目標函數可表示為 c1x1+ c2x2。由於限制函 數以及目標函數皆為線性函數,因此問題通常可以表示成矩陣形式。如:Ax≦b,x≧0,

目標為最大化 cTx,A=





32 22 12

31 21 11

a a a

a a a

,x=

 

2 1

x

x

,b=

 

2 1

b

b

,c=

 

2 1

c c

在幾何上,多個限制條件所包圍形成的一個多邊區域,稱為可行域,而在此區域中 的解,稱為可行解(feasible solution)。而且因為目標函數為線性函數,所以最大值必出 現在可行域的邊界上。但是,因為有多個限制條件,最佳解出現在可行域的頂點上,可

(25)

能是一點、一邊甚至一面,則造成最佳解可能有多組的最佳解,如圖 2.1。

圖 2.1 線性規劃示意圖

若要在可行域的邊界中,以窮舉的方式尋找最佳解,則此最佳化問題為 NP-hard 問 題,無法在確定的多項式時間求得最佳解。因此在 1947 年,線性規劃之父 George Dantzig 設計出了第一個解題演算法,單形法(Simplex Algorithm),其方法須先選定在可行域邊 界上的一可行解,再沿著邊界尋找,直到找到一可行解,其具有最大目標函數值為止。

而後續的演算法中,投影法(Projective Method)在最壞的情況下,可在多項式時間求得最 佳解,如KarmarkarAlgorithm[21],在最差的狀況下時間複雜度只需要 O(n3.5*L),其中 n 為輸入(input)的數目,L 為輸入值的位數(the number of bits)。

由以上敘述可知,若將問題轉換成線性規劃問題來解決,理論上可保證找到最佳 解,但也有兩個缺點,因為限制條件已預先設定完成,所以缺乏彈性無法依問題參數變 化,即時的動態調整限制條件為其缺點之一,再來,因為其最佳化時間十分龐大,無法 做到即時運算,為其缺點之二。

若考慮無所不在學習導引問題之三個特性來評估線性規劃,在「資源限制」的部分,

可使用條件限制來達到資源限制的考量;在「動態參數」部分,因線性規劃在規劃前必 須先確定好條件以及參數,若條件或參數改變則必須重新尋找最佳解,因此不適合解決 有動態參數的問題;「即時運算」部分,Karmarkar 演算法的時間複雜度為 O(n3.5*L),難 以達到即時運算的程度。

(26)

2.3.2 動態規劃法

動態規劃法(Dynamic Programming)[17][37]為一種解最佳化問題的概念,在 1957 年 由 Bellman 所提出,其解題方式為:將問題重新拆解成子問題,從簡單的子問題求最佳 解,由下而上逐一解決,直到整個問題求得解答為止。而且,為了避免重複計算子問題,

將每個子問題最佳解作紀錄,不會對相同的問題花費重複的運算時間,但只能在問題可 拆解為子問題來解決時,才可用動態規劃來解決,即問題本身為最佳化結構,局部最佳 化可決定整體最佳化。使用動態規劃法解決的最佳化問題,在最好的狀態下,時間複雜 度可由指數時間降低為線性時間。

要判斷問題是否可使用動態規劃來解決,可檢查此問題是否有以下幾樣特性:

(1) 問題可分成數個階段(子問題)一一解決,而且每個階段皆會有其狀態,而其狀態必 須為最佳解,且最佳解具有唯一性。

(2) 下階段問題的最佳解,不會受到前階段之影響,意即往後階段的最佳解與先前的最 佳解無關聯性,目前的最佳解只與目前狀態有關。

(3) 可轉化成遞迴形式解決問題,意即知道第 n 階段的最佳解,可利用遞迴關係,求得 第 n-1 階段的最佳解。

動態規劃法也可應用在找尋「最短路徑問題」之上,一般路徑從起點至終點,中間 會經過許多其他的點,點與點間距離有一定的耗費成本,而最短路徑的目標就是找到一 條路徑,具有最小的總耗費成本,而此路徑即為最佳解。若使用動態規劃法解決最短路 徑問題,則採取逆向搜尋的方式,從終點開始尋找每個點到終點的最短路徑,並且記錄 下此路徑,以供下階段找尋最短路徑使用。最後,當逆向搜尋到達起點時,則可找到最 短路徑。以圖 2.2 找尋 A 點到 C 點最短路徑為例。

(27)

圖 2.2 最短路徑範例圖

首先,從終點 C 逆向搜尋,在第一階段的最短路徑選擇中,直接與 C 有邊相連的 頂點有 A 點、B 點與 D 點,其中 B 點與 D 點只存在唯一的選擇,因此唯一的選擇即為 最短路徑,即點 B 到點 C 最短路徑為 B->C,點 D 到點 C 最短路徑為 D->C,而 A 點有 兩個選擇,可選擇經由 B 點或是 D 點到達終點 C,此時兩種選擇的耗費值分別為路經 點 B:Distance(A,B)+Min(B,C)、路經點 D:Distance (A,B)+Min(B,C),由於之前已經得 到點 B 以及點 D 到達點 C 的最小耗費值,因此可得到這兩條路徑的耗費值分別為 4、6,

因此 A->C 的最短路徑為 A->B->C,其花費為 4。

在以上範例中,可利用動態規劃找到最短路徑,但是應用在解決實際的問題上面,

動態規畫還需要考慮到問題的條件限制,因此先要觀察問題條件限制,將如何影響到各 階段的可行解,而確定變化的規律之後,再加以修改動態規劃的細部內容,才可應用在 實際的問題上。

由以上敘述可知,動態規劃法是一個可找到最佳解的方法,其可將問題分割成子問 題,因為此種特性,當問題參數變動時,只需要重新運算與此參數有關之子問題即可,

在解決有動態參數的問題時,具有較佳的彈性。而動態規劃子問題不需重新運算的特 性,讓時間複雜度降為 O(n2),與線性規劃相比,時間花費大大的降低。

評估動態規劃於本研究問題的適用性,在「資源限制」部分,必須根據實際問題的 狀況,設計限制條件,手動加入資源限制的考量;在「動態參數」部分,動態規劃在參 數有變化時,也需要重新計算,但因為其問題最佳化結構,需要重新計算與參數相關子

(28)

問題即可;在「即時運算」部分,動態規劃部分,雖然時間複雜度為 O(n2),但是離即 時運算還有一段距離。

2.3.3 啟發式演算法

啟發式演算法(Heuristic Algorithm),是用運用「經驗法則」來解決問題的一種方法。

在科學界中,有許多的問題都希望藉由演算法找到最佳解或是次最佳解,而啟發式演算 法則藉由經驗法則來尋找一個階段或是全部階段的解。在大部份的情況下可發現不錯的 解,但是因為經驗法則不一定適用於所有的情況,因此無法保證不會找到較差的解,也 無法保證在一定時間內能找到最佳解。而由啟發式演算法又延伸出了萬用啟發式演算法 (Meta-Heuristic Algorithm),將在 2.3.5 小節中做介紹。

最簡單易懂的啟發式演算法是貪婪演算法(Greedy Algorithm),在每一次選擇時,

以目前狀況最佳的解優先選取。此法廣泛應用在解決實際問題上,如用來尋找最短路徑 的 Dijkstra’s 演算法,此法是以貪婪演算法試圖找到整體的最佳解,由起點對其餘每一 點做循序搜尋,在每階段搜尋新頂點,若將此頂點加入路徑中可使得新路徑比原本最短 路徑長度更短,則新路徑取而代之成為新的最短路徑,最後當搜尋到達終點時,即可找 到最短路徑。範例如圖 2.2,其 A 點到 C 點的最短路徑為 A->B->C,花費為 4,解題過 程如表 2.1。

Iteration S Vertex Select

Distance SSSP(A->C) A B C D ---

Initial -- ---- 0 1 5 4 A->C 1 A B 0 1 4 4 A->B->C 2 A,B D 0 1 4 4 A->B->C 3 A,B,D 0 1 4 4 A->B->C

表 2.1 Dijkstra’s 演算法過程表

在解決最短路徑問題中,Dijkstra’s 演算法已經確實證明可以找到最佳解,這是因 為最短路徑問題為最佳化結構問題,所以使用貪婪演算法可找到最佳解,不代表在解決 其他問題時也可以找到最佳解。由此可知,使用啟發式演算法求解,找到最佳解的速度,

(29)

將視問題的特性以及條件限制而定。

而由以上敘述可知,從整體看來,啟發式演算法可分階段求解,總和每一個階段求 出來的解,不一定為最佳解;但是,每階段在求解時,可以照當時問題參數的變化,找 到此階段的最佳解,十分的有彈性。而且,每一階段的時間複雜度為 O(n),時間花費 少。

評估啟發式演算法於本研究問題的適用性,在「資源限制」部分,可使用經驗法則 制定成目標函數,在目標函數中加入資源限制的考慮;在「動態參數」部分,啟發式演 算法則因為可分階段運算,每階段運算時使用動態參數最新的數值,因此可考慮到動態 參數;在「即時運算」部分,啟發式演算法,若採用分階段式運算,則每階段運算時間 複雜度為 O(n),花費時間甚少,可達到即時運算的程度。

2.3.4 萬用啟發式演算法

萬用啟發式演算法(Meta-Heuristic Algorithm)是近 20 年發展出來的近似演算法,其 概念是以啟發式概念為基礎,再加上不同引導方式來找尋較佳解的方法。較著名的萬用 啟 發 式 演 算 法 如 : 基 因 演 算 法 (Genetic Algorithm)[10] , 模 擬 退 火 法 (Simulated Annealing),禁忌搜尋法(Tabu Search) [8],螞蟻演算法(Ant Colony Optimization)…等。

整體而言,萬用啟發式演算法是一種導引導向的近似演算法,通用於所有最佳化問題,

只需要相當少的改變,即可將演算法用來解決不同的問題。但是,因為啟發式演算法是 以啟發式策略來引導搜尋解的方向,無法保證一定找的最佳解。雖然萬用啟發式演算法 不保證一定可以找到最佳解,但是其適用於各類型問題的特性以及能有效率的找到近似 最佳解的優點,被大量運用在解決實際的問題之中,如:物流系統設計、系統優化、網 路拓樸結構設計、行程安排以及路徑規劃問題。

萬用啟發式演算法的解題流程都大同小異,舉基因演算法為例說明之。基因演算法 以物競天擇的概念為基礎,首先使用亂數搜尋技巧進行染色體的選擇,選擇出較適合生 存的染色體父代之後,複製出與父代一樣的子代,而子代們有一定的機率進行兩兩交配

(30)

的動作,接下來每個染色體都有一定的機率進行自我突變。突變完成後,即完成一個世 代的循環。藉由每個世代的重新選擇、複製、交配以及突變,引導子代的解在可行域中 向下挖掘與廣域搜尋,藉此避免陷入區域最佳解(Local Optimal)。

而若將基因演算法解最佳學習路徑問題上,目標是依目前學習環境的狀況,給予學 習者最適合的學習路徑。以學習者目前剩餘時間為限制,考量目前環境狀況,找出可行 的學習路徑,再以適配函數為標準,挑選較佳的路徑進行複製、交配與突變。最後,在 整個族群收斂的時候,即可找到最佳近似解,圖 2.2 為範例,可能的路徑染色體為圖 2.4。

圖 2.3 圖 2.2 路徑染色體編碼示意圖

由以上敘述可知,萬用啟發式演算法可適用於有條件限制的最佳化問題,而且因為 每世代循環都需重新進行複製、交配與突變的關係,當問題參數所變動的時候,新一個 世代的排序結果也會跟著變動,因此萬用啟發式演算法也適用於解決具有動態參數的問 題。再來,此種演算法的時間法雜度大致呈現 O(n2),與動態規劃一樣,僅次於啟發式 演算法。

評估萬用啟發式演算法於本研究問題的適用性,在「資源限制」部分,可直接使用 演算法的限制條件來滿足資源限制的規劃;在「動態參數」部分,萬用啟發式演算法則 為引導的方式搜尋最佳解,在參數改變的同時,搜尋解的方向也會改變,因此也適合於 求動態參數問題;在「即時運算」部分,萬用啟發式演算法雖然可用停止條件控制運算 時間,但無法保證找到最佳解,必須在時間與最佳化程度取得平衡,因此要達到即時運 算也有其困難度。

2.3.5 路徑規劃演算法於無所不在學習導引之適用性比較

由以上四個小節的說明可知,現有的導引演算法皆有各自的優點。總和以上的四類 型路徑規劃的方法,一一的去探討是否有考慮到「資源限制」、「動態參數」、「即時運算」

此三個問題特性,產生了以下表 2.2 路徑規劃方法適用性比較表。

(31)

適用性 線性規劃 動態規劃 啟發式演算法 萬用啟發式演算法

資源限制

動態參數

即時運算

表 2.2 路徑規劃方法適用性比較表

(○代表適用性佳;△代表適用性普通;╳代表不適用)

由表 2.2 可知,啟發式演算法以及萬用啟發式演算法為較佳的選擇。於是本研究期 望設計出一個評分函數,該函數以目前學習環境的狀況為參數,計算出可前往學習點之 的適合程度,提供路徑規畫演算法參考使用。所以本研究將以現有的三種演算法概念為 基礎,搭配適合的評分函數,兩者結合成為「情境感知無所不在學習環境」的導引演算 法。

(32)

第三章 情境感知無所不在學習導引方法

在本章中,介紹本研究提出的無所不在學習導引的方法。第 3.1 節中,針對無所不 在學習導引作問題分析以及環境參數分析;第 3.2 節中,介紹本研究提出的目標極大化 導引演算法(MOLGA),第 3.3 節則以一個假設的環境作 MOLGA 執行範例;第 3.4 節中,

介紹學習導引之基因演算法(GAFUL),第 3.4 節以執行範例來講解 GAFUL 如何運作。

3.1 無所不在學習導引問題

由於在無所不在的學習環境中,學習者從原本的虛擬數位學習環境,回歸到實際的 空間中進行學習,若是缺乏適合的導引機制,學習者將不知何去何從,而且也可能因為 沒有規劃適合的學習路徑,造成在有限時間內無法達成學習目標,導致學習成效不彰。

因此本研究期望設計一個有效率的演算法提供學習者適合的學習引導,提升學習者在情 境感知無所不在學習環境中的學習效益。

3.1.1 問題分析

在設計解題方法前,我們必須先將整個學習環境作明確的定義。假設在一個學習環 境中,散佈著許多個學習點,每個學習點同一時間有使用人數的上限,而兩個學習點之 間,有路徑直接相通,學習者在其上移動需要一段的時間。當學習者到達新的一個學習 點時,需要停留一段時間進行學習活動,而學習完畢後,就可以獲得一定的學習效益值。

在此假設每個學習者學習獲得效益為百分之百。

我們以蝴蝶生態園區為例子說明之。假設園區依照不同種類的蝴蝶生態需求劃分為 五個生態區域,分別為「鳳蝶區」、「斑蝶區」、「灰蝶區」、「蛺蝶區」、「蔭蝶區」,其學 習環境示意圖如圖 3.1。

每個學習者身上都配戴了一個可攜式上網設備,且已建構一個學習導引系統,此系 統可以依照學習者目前所在的位置、各學習點即時的學習人數負載情況,透過可攜式上

(33)

網設備導引學習者前往下個學習點,讓學習者在限制的總學習時間內,得到最大的學習 效益值。

我們可將每一個學習點視為圖上的一個頂點(Vertex),而學習點之間的路徑視為圖 上的一個邊(Edge)。且兩兩學習點之間都有路徑(Path)相通,那麼整個環境即可視為一 個無向的連通圖(Complete Connected Graph)。

圖 3.1 蝴蝶生態園區之學習環境示意圖

G (V,E)為一個連通的無向加權圖。

Pi  (V,E)為 G 上的學習者 i 的學習路徑(Path)。

  E

e Cost e

ETi ( )為 iP 上所有邊的時間花費之和。

 

V

v Cost v

VTi ( )為所有學習點的時間花費之和。

V

v Gain )(v 為所有學習點的目標權重值之和。

在無所不在學習環境圖中,目標是在條件限制下,找出學習獲益極大化的路徑。即

LTi VTi

ETi 的條件限制下,極大化 (  ( ))

Vv

v Gain

Avg

3.1.2 參數分析

根據黃國禎[11]的研究發現,在一般的情境感測無所不在的環境中,可歸納出五類 型的參數,「學習者個人情境的感知」、「學習環境參數的感知」、「行動學習載具的感應

(34)

器所回傳的信息」、「資料庫取得的個人資料與學習歷程」、「資料庫取得的環境資料」, 而本研究中將最直接影響到學習路徑導引的參數分為三類,「學習環境參數」、「學習 點參數」以及「學習者參數」,詳述如下:

1. 學習環境參數

這類參數是與整個學習環境相關的全域參數,且在學習環境開始啟動後為常數型 態,主要有以下六個參數:

(1) n:學習點總數。在學習環境中學習點的數目,且nN

(2) Cj:學習點編號。代表在學習環境中編號為 j 的學習點,且 jN,j ≦ n。

(3) Ei,j:Ci 與 Cj 中間相連的路徑,且i , jN,i, jnij

(4) ti,j:Ci到 Cj 的移動時間。單位為分鐘,且i , jN,i, jnij

(5) LT:學習時間總限制。學習者在學習環境中停留的時間限制,單位為分鐘,LT N。 (6) S:限制飽和率。由於每個學習點均有學習人數限制,為了容納未經導引而進入學

習點之學習者,需要預留空間,因此我們設定了限制飽和率,以最大容納人數乘以 限制飽和率為人數限制條件,在學習點的人數到達此人數限制條件時,則不再導引 學習者進入此學習點,S[0,1]

2. 學習點參數

這類型的參數是與學習點有相關性的,可分為兩種參數-靜態參數以及動態參數。

學習環境開始啟動後,固定參數數值不再變動,而動態參數在學習者進出任何一個學習 點時,將會有所變動,學習點的6個參數如下:

(1) PLj:學習點之人數限制。代表學習點 Cj 人數限制, jN,j ≦ n。

(2) Gj:學習點之學習效益。代表學習點 Cj 之學習效益,越重要的學習點之學習效益 數值越大,此參數可由教師依當次教學主題設定之, jN,j ≦ n。在本研究 中也代表此「可獲得的學習效益」。

(3) Tj:預估學習時間。代表學習點 Cj 的預估學習時間,單位為分鐘, jN,j ≦ n。

(4) Mj:目前位於學習點上之學習人數。代表學習點 Cj 目前點上人數,此參數為動態 參數,即此參數會因學習環境的即時變化而改變, jN,j ≦ n,MjPLj(5) Rj:目前學習點之飽和率。代表學習點 Cj 目前點上飽和百分比,為動態參數,

(35)

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,

jN,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,CTLT

(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 jN,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。

3.2 啟發式學習導引演算法

啟發式演算法可說是以經驗法則來找尋最佳解的方法,為科學界經常使用的求解方 法之ㄧ。啟發式演算法常用來處理實際的問題,如:最短路徑問題、最小生成樹,一般 的情況下將會找尋到不錯的可行解,但可能發現在某些特殊情況下會求出很差的解或是 求解的效率極差。最常用的演算法為:貪婪演算法(Greedy Algorithm)。

3.2.1 MOLGA 學習導引演算法

MOLGA 在本研究中歸類為第一類演算法,其基本概念來自於執行時間迅速的啟發

(36)

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

「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

(37)

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。

(38)

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)。

3.2.2 MOLGA 學習導引範例

在 3.2.1 小節中,介紹了 MOLGA 法,在本小節則以範例來說明運作方式,以下假 設一個無所不在學習環境,為蝴蝶生態園區,區分為五個主題區。

圖 3.3 蝴蝶生態園區之學習環境參數設定圖

以圖 3.3 所示意之蝴蝶園學習導引為例,五個生態區的參數狀態如下:

(1) 「鳳蝶區」:代號 C1,最大容納學習人數為 3,學習點目標權重值為 2,需要 2 分

參考文獻

相關文件

十一 第三單元:西方歷史 情境引導及小組討論 十二 第三單元:西方歷史 情境引導並完成英文學習單 十三 第三單元:西方歷史

1.建設安全優質雅緻、環保的學習環境:規劃學校整體建設及改善

問題類型 非結構化問題 結構化問題 結構化問題 結構化問題 學習能力 不具學習能力 不具學習能力 自錯誤中學習 自錯誤中學習 學習能力 不具學習能力 不具學習能力

在培養學生語文能力時,要適當引導學生了解聽、說、讀、寫的

課題  感動一刻  學習階段  第三學習階段  科目  視覺藝術 ..

有關學生參與全方位學習活動的安全事宜,學校須參考教育局相

初中科技教育學習領域課程資源 課題: 商業、營商環境和全球一體化 策略和管理— 核心學習元素.. 單元 K7

透過文學的學 習,引導學生 感受語言文字 和思想內容之