.png){kind=icon}
返回
Multitasking optimization for personalized exercise group recommendation in E-learning environments
.png){kind=icon}
PRE
AI
DOI：10.1016/j.engappai.2025.112820.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
个性化运动组推荐（PEGR）是为学生从大型运动库中选择一组运动，在E-learning中发挥着重要作用。由于实际应用场景的复杂性，PEGR通常被建模为一个大规模约束多目标优化问题，并通过多目标进化算法（MOEAs）求解。然而，当设计MOEAs来解决PEGR问题时，会遇到“维度灾难”和复杂约束处理这两个挑战。为此，我们提出了一种新颖的进化三任务算法ETT-PEGR来解决解决PEGR的挑战，其中构建了两个辅助任务，通过知识迁移帮助解决原始任务。具体而言，第一个概念推荐辅助任务旨在为学生推荐知识概念而非运动，由于概念数量远少于运动数量，这有助于加速原始任务的收敛速度。第二个忽略约束的辅助任务旨在帮助原始任务的解穿越不可行区域。此外，为原始任务和两个辅助任务提出了一种基于不同编码策略的新型知识迁移机制，能够有效实现它们之间的知识迁移。在四个流行数据集上的实验结果表明，ETT-PEGR在PEGR任务上优于当前最先进的算法。
