Problem planowania strategicznego i wielowymiarowy plecak

11

Próbuję znaleźć podejście do planowania, aby rozwiązać problem, który próbuje modelować uczenie się nowego materiału. Zakładamy, że mamy tylko jeden zasób, taki jak Wikipedia, który zawiera listę artykułów reprezentowanych jako wektor wiedzy w nim zawartej oraz próbę przeczytania tego artykułu.

Wektor wiedzy i wysiłek

Zanim zaczniemy, ustalamy rozmiar wektora, w zależności od liczby różnych rodzajów wiedzy. Na przykład możemy zdefiniować elementy w wektorze, które mają być (algebra, geometry, dark ages), a następnie „zmierzyć” wszystkie artykuły z tego punktu widzenia. Tak więc prawdopodobnie będzie artykuł matematyczny (5,7,0), ponieważ będzie dużo mówił o algebrze i geometrii, ale nie o ciemnych wiekach. Będzie ona mieć również starania , aby ją przeczytać, co jest po prostu liczbą całkowitą.

Problem

Biorąc pod uwagę wszystkie artykuły (reprezentowane jako wektory wiedzy z trudem), chcemy znaleźć optymalny zestaw artykułów, które pomogą nam osiągnąć cel wiedzy (reprezentowany również jako wektor).

Tak więc celem wiedzy może być (4,4,0)i wystarczy przeczytać artykuł, (2,1,0)a (2,3,0)po dodaniu sumuje się z celem wiedzy. Chcemy to zrobić przy minimalnym wysiłku .

Pytanie

Próbowałem trochę heurystyki, aby znaleźć przybliżenie, ale zastanawiałem się, czy istnieje jakaś najnowocześniejsza metoda planowania strategicznego, którą można zastosować zamiast tego?

research heuristics knapsack-problem użytkownik10482
źródło
Pomoże to podzielić wektor wiedzy przez wysiłek - w ten sposób dowiesz się, ile wiedzy na wysiłek daje artykuł.
user6916458
Bardzo dobrze skonstruowane i interesujące pytanie. Witamy w AI!
DukeZhou
Czy dodanie wektorów jest więc jedynym kryterium? Jeśli tak, to masz problem, wydaje się być wielowymiarowa przypadek problemu monety en.wikipedia.org/wiki/Coin_problem msp.org/involve/2011/4-2/involve-v4-n2-p07-p. pdf
Daniel
Czy możesz wyjaśnić, że nie chcesz krytyki modelu „uczenia się nowego materiału” (który IMO wydaje się nietypowym sposobem modelowania zdobywania wiedzy, podczas gdy cel uzyskania arbitralnej oceny w modelu jest bardziej precyzyjnie zdefiniowany)? Nie sądzę, że robisz to na podstawie tego, co napisano, ale teraz zostało to podniesione do góry, możliwe, że ktoś zareaguje na to, a nie na przedstawiony problem plecaka
Neil Slater

Odpowiedzi:

1

Oto spekulatywna obsada problemu na problem wędrownego sprzedawcy , który prowadziłby do algorytmów najkrótszej ścieżki.

Uwaga: ten pomysł sugeruje różne ograniczenia do zbadania.

  • Biorąc pod uwagę wektory wiedzy i wysiłki, zbuduj wykres acykliczny (acykliczny, czego nie powinniśmy się odczytywać). Wierzchołek to artykuł reprezentowany przez jego wektor wiedzy. Krawędź łączy dwa artykuły, ważone wysiłkiem „przejścia” do artykułu docelowego / wierzchołka (tj. Zdobywania wiedzy o tym artykule).
  • Przypisz wektor zerowy do nowego uczestnika. To jest punkt początkowy na wykresie: wierzchołek V0 = (0, ..., 0).
  • Zdefiniuj cel uczenia się jako wektor V.
  • Użyj algorytmu najkrótszej ścieżki, aby znaleźć plan (V0, V).

Procedura ta jest niewystarczająca, gdyż istnieje wiele sposobów budowania wykresu (innymi słowy, powyższe jest zupełnie bez sensu jak jest ). Konieczne są dodatkowe ograniczenia, aby było to praktyczne. Na przykład możemy uporządkować wierzchołki, uporządkując je wzdłuż każdego wymiaru. Takie ustawienie prowadziłoby uczniów do rozpoczynania od „łatwych” artykułów (V [i] jest niska) i przechodził krok po kroku w kierunku bardziej złożonych tematów ((V [i] staje się wyższy).

Budowa wykresu zależy od dostępnych danych. Na przykład, czy wektory wiedzy są „absolutne”, czy mogą być względne? Względny może pomóc w tworzeniu ścieżki, ponieważ przejście z V do W wymaga wysiłku, który zależy od początkowych warunków twojego ucznia (V0 może nie być wszędzie 0, przecież).

Czy to pytanie AI? Zdecydowanie.

Eric Platon
źródło