基于Internet的智能教学规划系统终稿.docx
《基于Internet的智能教学规划系统终稿.docx》由会员分享，可在线阅读，更多相关《基于Internet的智能教学规划系统终稿.docx（59页珍藏版）》请在冰豆网上搜索。
基于Internet的智能教学规划系统终稿
韶关学院
毕业论文
题目：
基于Internet的智能教学规划系统
学生姓名：
张国昌
学号：
041110042
系（院）：
信息工程学院
专业：
计算机科学与技术
班级：
04级
（1）班
指导教师姓名及职称：
段琢华副教授
起止时间：
2007年11月——2008年5月
（教务处制表）
基于Internet的智能教学规划系统
摘要：
本论文运用智能规划技术，利用扩展知识结构图（EKSG）表示知识结构、课件以及学习者的关系，并基于Internet实现智能教学规划系统。
智能教学规划系统以Internet为媒介实现与学习者交互，它能够根据学习者的实际情况给学习者制定最优教学方案完成教学目的，换句话说，基于Internet的智能教学规划系统是一个因材施教的老师。
本文先介绍EKSG的概念，其次在EKSG的基础上给出智能规划算法及其在SQLServer2000下的存储过程实现：
规划问题是否有解的判定算法、在有解时求最优解的算法以及精确匹配算法，最后给出了实现智能规划系统的设计方案及原型系统，并通过实验验证了系统的正确性。
关键词：
智能规划；计算机辅助教学；存储过程；智能教学系统
Anintelligenttutorialplanningsystem
basedontheInternet
Abstract：
Anintelligenttutorialplanning（ITP）systemisimplementedbasedontheInternet,whichemploysintelligentplanningtechnique,andrepresentstherelationsbetweentheknowledgestructure,thecoursewareandthelearnerbasedontheextendedknowledgestructuregraph（EKSG）.ThepresentedITPsysteminteractswiththelearnerviatheInternet,andprovidesthebesttutorialschemeforthelearneraccordingtothelearninggoaltheknowledgestructureofthelearner.Firstly,thepaperintroducestheconceptsofEKSG.Secondly,theintelligenttutorialplanningalgorithm,includingthejudgealgorithm,theoptimalsolutionfindingalgorithmandtheexactmatchingalgorithm,areputforwardandimplementedwithstorageprocessinSQLServer2000.Finally,thedesignschemaandtheprototypeofthesystemaregiven,andtheexperimentalresultsshowthecorrectnessofthesystem.
Keywords:
Intelligentplanning,Computeraidedinstruction,storageprocess,intelligenttutorialsystem
目录
目录3
1绪论1
1.1选题背景与研究意义1
1.2国内外研究现状2
1.3论文结构3
2基于扩展知识结构图的智能教学规划4
2.1领域知识表示及问题定义4
2.2学习者模型6
2.3智能教学规划问题及其智能教学规划的表示6
2.4基于扩展知识结构图的智能规划算法9
3智能教学规划系统关键技术16
3.1智能规划系统的分析16
3.1.1系统功能需求分析16
3.1.2系统数据需求分析19
3.1.3系统界面需求分析19
3.1.4系统运行环境需求分析20
3.2智能规划系统的设计21
3.2.1系统的数据模型设计21
3.2.2系统的总体结构设计22
3.2.3功能模块的划分24
3.2.4系统的分层实现24
3.2.5基于MVC设计模式的实现25
3.3智能规划系统核心算法的存储过程实现26
3.3.1规划问题的判定算法的实现与测试28
3.3.2规划生成算法的实现与测试32
3.3.3环的检测算法的实现与测试35
3.3.4精确匹配算法的实现与测试35
3.3.5用Java语句调用智能规划算法存储过程36
4总结37
致谢38
参考文献39
附录40
基于Internet的智能教学规划系统
计算机科学与技术04级
（1）班张国昌
指导老师：
段琢华副教授
1绪论
近年来，计算机辅助教学已经成为国内教育技术领域的研究热点,基于Internet的智能教学规划系统是人工智能在计算机辅助教学领域的重要应用，智能教学规划系统能够根据学生掌握的知识水平、学习目标知识和学习者类型，给出学习者学习目标知识的最优教学方案，换句话说，基于Internet的智能教学规划系统是一个因材施教的老师。
1.1选题背景与研究意义
随着计算机技术、信息技术的发展和完善以及Internet的普及，网上学习资源呈加速增长，以及越来越多的学习者将Internet作为学习与提高的手段。
在Internet这个信息与知识的海洋里，学习者迫切需要一个学习导航者。
基于Internet的智能教学规划系统是根据智能规划研究实现的应用系统，它能够胜任信息与知识的海洋的导航者。
本论文研究并实现了一个基于Internet的智能教学规划系统,该系统是以tomcat+SQLServer2000为开发平台，核心算法用存储过程实现，运用基于J2EE中的JSP/Servlet/JavaBean技术的MVC设计模式来实现整个系统，并结合面向对象的软件开发思想进行构建的，基于J2EE技术框架的教学规划系统可以实现跨平台，即程序不用修改就可以在任何一种计算机平台上运行。
基于Internet的智能教学规划系统的开发具有较大的实用价值，系统根据扩展的知识结构图（ExtendedKnowledgeStructureGraph）、基础知识集合、学习者类型和学习目标制定学生关于某一课程（或知识点）的最优教学规划。
在教学规划的制定过程中，充分利用领域依赖的启发式因子以及控制知识，提高规划搜索速度，提高规划质量。
1.2国内外研究现状
智能教学系统兴起于上世纪七十年代，Bolt Neranek Newman公司开发了Scholar系统，它被认为是最早出现的智能教学系统。
当时应用人工智能技术在计算机教学系统中添加了学生的学习行为、能力以及训练策略。
同时人工智能技术还被用于建立学习顾问之中，即存放所要教授课程的问题和技能，控制训练策略并给出适合学生的学习内容，使之产生根据学生的能力、弱点以及所喜爱的学习风格进行教学的软件系统。
随后又将知识表示、专家系统、问题求解、推理方法等人工智能技术用于智能教学规划系统，取得了丰硕的成果。
我国智能教学系统的研究起步较晚，开始的研究工作主要集中在少数大学和研究机构里断续进行，且多为研究和演示用的系统，经过严格评测的系统很少。
最近几年则发展较快，一些计算机公司也投入其中，伴随着智能教学系统的迅猛发展，必将对我国的教育改革起到积极的推动作用。
目前，智能规划采用的主流方法有以下几类[1]：
１）基于约束的模型（Constraint-basedmodel）。
在这种模型中，规划作为一个约束满足问题，典型的算法有GRAPHPLAN和SATPLAN。
GRAPHPLAN采用了向后链（backwardchaining）搜索技术。
此外，使用可达性信息和领域特定的控制信息（如不变式）提高规划速度。
２）启发式搜索技术
启发式搜索的基本思想是设计一个评价函数，赋予每个搜索状态一个值，用于标记该状态的优劣，在搜索过程中，优先考虑最优的状态。
导出启发式因子的可信度直接影响到规划的质量和搜索速度。
３）基于有序二进决策图（ＯＢＤＤ）的规划
OBDD广泛应用于计算机辅助验证，特别是符号模型验证。
规划等价于模型检查问题，因而，OBDD被借鉴作为一种智能规划技术。
对于不完全信息的规划，OBDD是一种较好的方法。
4）条件规划和或然规划
规划系统的学习通常表现在以下几个方面：
1）学习控制知识以提高规划效率。
典型的算法有：
EBL,STATIC,DYNAMIC,ALPINE,ANALOGY,HAMLAT等。
2）学习领域知识。
在规划领域的特征未被完全刻画出来时提炼领域知识。
典型的算法有：
EXPERIMENT,OBSERVE,APPRENTIC等。
3）学习以提高规划质量。
如PRODIGY中采用的QUALITY。
1.3论文结构
为了使论文条理清楚、通俗易懂，本文各章节的组织顺序如下。
论文共4章，分别是：
第1章——绪论：
概要介绍了课题的选题背景与研究意义，和国内外研究现状。
第2章——基于扩展知识结构图的智能教学规划：
给出一组知识表示方法以及有关的相关的概念，包括EKSG，规划问题，规划，费用，基础知识集合，目标知识等，然后给出智能教学规划的算法：
规划问题的判定算法、规划生成算法、精确匹配算法。
第3章——智能教学规划系统关键技术：
用结构化分析和设计对智能规划系统进行设计，并对系统的核心算法用存储过程实现和对它进行测试。
第4章——结论：
对全部工作进行总结并提出项目的改进方面。
2基于扩展知识结构图的智能教学规划
基于扩展知识结构图的智能教学系统包含三个重要的相互联系的模型：
领域知识模型，教学策略模型和学生模型。
在基于Internet的智能教学规划系统中，将知识点和方法用与/或图表示，并称这种与/或图为EKSG图（扩展的知识结构图ExtendedKnowledgeStructureGraph）。
在EKSG中表达了知识点与知识点之间，知识点与方法之间的关系，并以学习费用（也称学习成本）的方式将学习者对于方法的影响定量地表示到EKSG中，因此扩展的知识结构图把领域知识、教学策略（教学方法的统称）和学生模型联系起来。
智能教学规划算法的第一步是用自底向上的搜索策略找出相关的子图。
这一过程还计算有关知识点的费用，并判断规划问题是否有解。
在有解的情况下，智能规划的第二步采用自顶向下的搜索策略求出最优解。
本章我们先给出一组相关的概念，包括EKSG，规划问题，规划，费用，基础知识集合，目标知识等，然后给出智能教学规划系统算法。
2.1领域知识表示及问题定义
许多学者给出不同的数据结构来表示领域知识。
李益才和张小真[1]给出了知识点关系图的概念，知识点关系图是一下带有源点和汇点的有向无环图，节点表示知识点，用有向弧表示学习知识点的前后关系。
姜云飞[2]给出了知识结构图（KSG）的概念，KSG的特点是用AND/OR图表示知识之间的关系，图中的边赋予权值。
KSG的OR节点隐含地表示了某一知识点的多种可选的教学/学习方法。
本文利用扩展的知识结构图来表示领域知识。
EKSG的两个重要特点：
其一，用节点表示方法，因而可以更好地对方法信息进行维护。
由于学习者不仅需要知道学习知识点的顺序，同时希望知道用什么方法学习它，所以方法节点能指导学生的具体学习。
其二，将学科知识、教学策略、学习者三者有机地结合在EKSG中。
定义2-1扩展的知识结构图（EKSG）是一个有向无环图，当且仅当满足以下条件：
1）EKSG包含两类节点：
知识节点和方法节点；
2）知识节点的后继点为方法节点，表示完成该知识点教学的多种可选的教学方法。
方法节点的后继点为知识节点，表示运用该方法完成学习目标所需掌握的基础知识；
3）每个方法节点设置多个权值，表示不同学习者通过该方法完成教学目标所需的费用;
A图中各知识节点表示的知识点为：
A:
平行四边形面积计算
B:
平行四边形概念
M1M2C:
直角三角形面积计算
D:
矩形面积计算
CE:
直角三角形等价
BF:
平行概念
G:
四边形概念
M4M3各方法节点表示的方法为：
M1:
通过B,D,E学习A
M2:
通过B,C学习A
M3:
通过D,E学习C
DEFGM4:
通过F,G学习B
图2-1EKSG的例子
各方法节点对于不同的学习者模型的费用表2-1所示：
表2-1学习者模型的方法费用
M1
M2
M3
M4
P1
3
100
2
2
P2
100
2
2
2
图2-1是一个EKSG的例子，A、B、C、D、E、F和G是知识节点，M1、M2、M3和M4是方法节点。
M1和M2是学习A的两种可选的方法，利用M1来学习A,要求学生掌握B、D和E三个基础知识点，若利用M2来学习知识点A，则要求学生掌握B和C两个知识点。
方法节点的权值表示在掌握了该方法的基础知识的前提下利用该方法学习目标节点的费用。
例如，在掌握了B,C的基础上，对于P1类型的学生利用M2来学习A的费用为100,对于P1类型的学生利用M2来学习A的费用为2。
对于每个方法节点m,我们设g（m）为m的教学目标（即m的父节点），bs（m）为m的基础知识集合（即m的子节点）。
显然，g（m）为知识节点，bs（m）为知识节点集合。
一个方法节点可能是一个课件，也可能是一段教材，或者一个网页等。
如图2-2所示：
bs（m）
g（m）
m:
URL（n）
URL表示该方法的位置
n为m的费用
图2-2方法节点的有关信息
2.2学习者模型
某一种方法并不是对于所有的学习者都有效。
对于不同类型的学习者，有的方法可能比另外一些方法更好一些。
为了能较精确地研究学习者对于方法的影响，必须考虑学习者模型。
学习者模型主要由三个方面组成：
学习者的知识水平、学习者的认知水平以及学习者的生理局限。
我们已知道采用方法m所需的基础知识bs（m），如果某学习者不具备bs（m），方法m显然不适合该学习者。
所以我们着重研究认知水平和生理局限对于方法的影响。
我们将学习者分为若干类并用pi（i=1，2，3…）刻画一类学习者认知水平和生理局限的一组参数。
例如我们设p1表示认知能力中等以及具有听力失常的学习者,p2表示认知能力较强以及具有视觉失常的学习者。
显然对于p1类学生和p2类学生，采用的教学方法是不同的，若m1是一个有声课件，m1对于p1显然不是一种好的学习方法，而对于p2来说可能是一种有效的方法。
考虑了学习者的因素之后，我们以学习费用（也称学习成本）的方式将学习者对于方法的影响定量地表示到EKSG中来。
至此，我们已经将学习者模型结合的EKSG中，EKSG因而统一表示了一个智能规划系统的三个要素。
2.3智能教学规划问题及其智能教学规划的表示
一个教学规划问题必须提供几方面的信息：
EKSG，学习目标g，基础知识集合bs以及学习者特征参数p。
其中，EKSG由教学专家提供，ITP管理一个全部学习者共享的全局EKSG。
因而一个教学规划问题只要给出三个方面的信息：
用三元组（g,bs,p）表示；其中g为知识点，表示要到达的教学目标，bs为知识点集合，表示已掌握的知识集合，p为提出规划问题的学习者特征参数。
对于某个教学规划问题（g,bs,p）,它的教学规划表示为TP（g,bs,p）。
对于系统而言，教学规划TP（g,bs,p）为一个以g为根，bs为叶节点的解图。
但这种解图不能直接为用户所用，对于用户而言，TP（g,bs,p）表示为一个方法序列。
定义2-2一个教学规划问题（g,bs,p）的教学规划TP（g,bs,p）定义为一方法节点序列，递归定义如下：
1）若g∈bs,则教学规划为{Done}，否则：
2）若g没有儿子节点，则规划不存在（tp（g,bs,p）=nil），否则：
3）设m为g的子节点，对于bs（m）中的每个元素ki，tp（ki,bs,p）都存在，则tp（g,bs,p）=combine（tp（ki,bs,p）,m）,其中i=1,2,…,|bs（m）|；
4）若对于g的所有子节点m，都存在k∈bs（m）,使得tp（k,bs,p）为nil，则tp（g,bs,p）=nil（规划不存在）
在定义2.2中，Done为一个元方法，表示完成；nil为空表，表示规划不存在；combine表示如下操作：
将多个序列合并为一个序列，该序列中每个方法只出现一次，且保持原来的顺序，Done出现在最后。
（g,bs,p）
tp（g,bs,p）
ITP
图2-3教学规划问题以及教学规划
定义2-3教学规划费用C（tp）
一个教学规划tp的费用（即用该规划完成学习目标所花费的代价）表示为规划中各方法节点的权的和，表示为C（tp）=∑c（m）,m∈tp。
其中c（Done）=0。
定义2-4知识点的费用设k∈ks（tp（g,bs,p））,若k∈bs,C（k）=0,否则C（k）=C（m,p）+∑C（t）,其中g（m）=k,t∈bs（m）。
定义2-5最优教学规划设tp（g,bs,p）为学习者p根据bs学习g的教学规划,如果对于任意规划tp’（g,bs,p），都有C（tp）<=C（tp’），称tp为最优规划。
例如，设tpq1=（A,{D,E,F,G},P1）,tpq2=（A,{D,E,F,G},P2）。
则tpq1,tpq2为两个教学规划问题，tpq1表示对于学习者P1在掌握了B,E,F,G的情况学习A;tpq2表示对于学习者P1在掌握了B,E,F,G的情况学习A。
系统的EKSG为图2-1。
（在本文的所有规划例子中，如果没有特殊说明，EKSG为图2-1）。
tpq1（A,{D,E,F,G},P1）的两个解tp1,tp2如图2-4所示：
对于学习者P1来说，根据D,E,F,G学习A的最优规划为tp1，费用为5。
tp1的解图：
tp2的解图：
A（5）A（104）
M1（3）M2（100）
C
（2）
B
（2）B
（2）
M4
（2）M4
（2）M3
（2）
DEFGDEFG
tp1={M2,M1,Done}tp2={M3,M4,M2，Done}
或{M4,M3,M2，Done}
C（tp1）=5C（tp2）=104
图2-4教学规划问题tpq1的两个解
tpq2（A,{D,E,F,G},P2）的两个解tp3,tp4图2-5所示：
对于学习者P2来说，根据D,E,F,G学习A的最优规划为tp4，费用为6。
tp3的解图：
tp4的解图：
A（102）A（6）
M1（100）M2
（2）
C
（2）
B
（2）B
（2）
M4
（2）M4
（2）M3
（2）
DEFGDEFG
tp3={M2,M1,Done}tp4={M3,M4,M2，Done}
或{M4,M3,M2，Done}
C（tp3）=102C（tp4）=6
图2-5教学规划问题tpq2的两个解
2.4基于扩展知识结构图的智能规划算法
EKSG图是针对所有学习者的，对于某一给定的规划问题（g,bs,p），规划不一定存在，因为在EKSG中，不一定存在某一子图SUB_EKSG，使得g为SUB_EKSG的根节点，SUB_EKSG的叶节点都属于bs。
直观的说，就是在该EKSG中，根据学习者目前的基础知识bs,不能完成目标g的学习。
例如，规划问题（A,{D,E,F},P1）和规划问题（A,{E,F,G},P2）都没有解。
系统维护一个规划事例库（TPL）,TPL的每个元素为某一具体规划，以及学习者使用该规划取得的学习效果。
如果学习者提交的是已经给出的规划问题并且规划问题对应的规划已经取得正面效果，我们将它直接提交给学习者，不必再进行智能规划，因为一方面规划问题是针对一类学习者，一类学习者可能对应很多的学习者；另一方面进行智能规划要消耗很多系统的资源，特别是EKSG图很大时，而检索已存在的规划则需要很少的资源。
所以，学习者提出规划问题（g,bs,p），系统首先搜索TPL中是否有匹配的事例（产生正面效果的），若有则提交给学习者，这是精确匹配的情况（EM）。
如果事例库中没有与（g,bs,p）完全匹配的事例，则判断该规划问题是否有解，在有解的情况下，规划算法必须给出最优规划。
如果没有解，有可能的原因：
学习者的基础知识不足。
对于给定的规划问题，学习者可以利用按图2-6进行求解。
1.利用EM，如果匹配时直接把规划提交给学习者，结束程序，否则转2
2.利用Judge判定问题是否有解，有解时求出最优解图（SUB_EKSG（g））
3.利用TPLAN根据SUB_EKSG（g）求最优规划
图2-6规划问题求解过程
先研究精确匹配算法（EM），下面是TPL的一个局部，我们以它为例进行分析
表2-1TPL中的部分事例
编号
规划问题
教学规划
学习效果
1
（A,{D,E,F,G},P1）
（M4,M1,Done）
成功
2
（A,{D,E,B},P2）
（M1,Done）
成功
3
（B,{F,G},P2）
（M4,Done）
成功
4
（A,{D,E,F,G},P2）
（M4,M5,Done）
5
（H,{D,E,F,G,I},P1）
（M4,M1,M6,Done）
例如，在TPL中有如下事例（A,（D,E,F,G）,P1）,其中学习者P1运用规划（M4,M1,Done）成功地学习了目标A，并且取得了良好的效果。
那么，对于另一个具有P1特点的学习者给出的规划问题（A,（D,E,F,G）,P1），EM将给出教学规划（M4,M1,Done）。
精确匹配算法描述如图2-7。
输入：
规划问题（g,bs,p）
输出：
在事例库中存在（g,bs,p）的解tp,且tp对于学习者p产生正面效果时，输出tp;
否则输出NULL
1.搜索案例库中满足以下条件的事例tp1（g1,bs1,p1）:
g1=g1,p1=p,bs1=bs，tp1对于学习者p产生正面效果。
由于案例库用关系数据库表示，所以这一步骤可以用SQL语言实现
2.若结果集为空，返回NULL
3．若结果集不空，返回tp1
图2-7精确匹配算法（EM）：
现在我们讨论的规划算法：
规划问题是否有解的判定，在有解的情况下求最优解。
我们先给出Cl（bs,p）和Clg（g,bs,p）两个概念。
定义2-6Cl（bs,p）定义为学习者p根据基础知识集合bs能学习的所有知识点集合。
定义2-7Clg（g,bs,p）定义为学习者p根据基础知识集合bs能学习的知识点k的集合，且g不是k的后代。
定义2-8方法m可满足定义为如果bs（m）中的知识点都属于基础知识点集合，则称m可满足,亦称为m可被运用。
例如：
Cl（{D,E,F,G},P1）={D,E,F,G,B,C,A}
Cl（{F,G},P1）={F,G,B
升级会员 