[发明专利]一种基于量子遗传算法的自适应路径优化方法

权利要求书

1.一种基于量子遗传算法的自适应路径优化方法，其特征在于，包括：

S1.构建个性化学习路径的模型，并确定学习目标；

S2.列出学习知识点，并基于学习目标使各个知识点连接，得到学习任务；

S3.基于得到的学习任务，对构建的模型进行约束；

S4.利用量子遗传算法的自适应路径优化方法对构建的模型进行优化，得到个性化学习路径优化后的学习效果。

2.根据权利要求1所述的一种基于量子遗传算法的自适应路径优化方法，其特征在于，所述步骤S1中构建个性化学习路径的模型，表示为：

其中，R_mn表示第m个学生学习第n个知识点的学习效果；t_mn表示第m个学生学习第n个知识点的时间；P_m表示第m个学生的学习偏好；A_m表示第m个学生的学习能力；T_n表示预设的基本学习时间。

3.根据权利要求2所述的一种基于量子遗传算法的自适应路径优化方法，其特征在于，所述步骤S3中对构建的模型进行约束是对学习资源的分配进行约束。

4.根据权利要求1所述的一种基于量子遗传算法的自适应路径优化方法，其特征在于，所述步骤S4中利用量子遗传算法的自适应路径优化方法对构建的模型进行优化中还包括采用多层编码对构建的模型进行优化。

5.根据权利要求4所述的一种基于量子遗传算法的自适应路径优化方法，其特征在于，所述多层编码的编码格式表示为：

X＝[X1,X2,X3]

其中，X1表示1xN的矩阵，N表示每一个学生的优先级；X2表示一个MxN的矩阵，M表示学习任务的数量；X3表示一个Nx(M-1)的矩阵，为每一个任务的缩放因子。

6.根据权利要求5所述的一种基于量子遗传算法的自适应路径优化方法，其特征在于，所述多层编码中的解码方法，具体包括：

A1.初始化与学习任务相关的状态；

A2.确定学生任务的安排顺序，得到学生的优先级；

A3.根据步骤A2确定的学生优先级，依次安排每一个学生的任务；

A4.根据学生能力和科目偏好，确定学生学习每一项学习任务并获得满分的时间，并判断获得满分的时间是否大于总课时，若是，则根据任务权重和任务花费时间进行缩减；

A5.根据学生每一项的任务优先级X3，依次安排每一项任务；

A6.根据步骤A1-A5依次安排每个学生的每个任务，得到学生的学习效果。

7.根据权利要求6所述的一种基于量子遗传算法的自适应路径优化方法，其特征在于，所述步骤A2中学生的优先级，表示为：

Pr_i＝X1_i.*A_i

其中，A_i表示学生的学习能力；Pr_i表示学生i的优先级。

8.根据权利要求6所述的一种基于量子遗传算法的自适应路径优化方法，其特征在于，所述步骤A5中依次安排每一项任务，具体包括：

A51.根据X3对当前任务的基本时间进行缩放；

A52.优先选择可用并且自身偏好度最高的学习资源；

A53.判断当前任务是否为强制分数的任务，并判断当前学习时长是否满足学生达到强制分数的需要，若否，则延长学习时间；

A54.判断当前学习得分是否超过100分，若超出，则减少学生在该项任务的学习学习时间；

A55.判断当前资源是否存在满足当前任务的空闲时间段，若是，则当前任务被安排在当前时间段；

A56.更新对应资源的占用状态，并安排下一项任务。

9.根据权利要求1所述的一种基于量子遗传算法的自适应路径优化方法，其特征在于，所述步骤S4中的量子遗传算法具体为：

B1.初始化种群Q(t)，随机生成n个以量子比特为编码的染色体；

B2.对初始种群Q(t)中的每个个体进行一次测量，得到对应的确定解P(t)；

B3.对各确定解进行适应度评估；

B4.记录最优个体和对应的适应度；

B5.判断计算过程是否可以结東，若满足结束条件则退出，否则继续计算；

B6.对种群Q(t)中的每个个体实施一次测量，得到相应的确定解；

B7.对各确定解进行适应度评估；

B8.利用量子旋转门U(t)对个体实施调整，得到新的种群Q(t+1)；

B9.记录最优个体和对应的适应度；

B10.将迭代次数t加1，返回步骤B5。