基于復合神經網絡的學習風格動態分析與研究

李超，周泓

北京航空航天大學經濟管理學院，北京100191

基于復合神經網絡的學習風格動態分析與研究

李超，周泓

北京航空航天大學經濟管理學院，北京100191

1 引言

早在2 500年前，中國古代偉大的教育家孔子就提出了“因材施教”的教育理念，也是至今為止廣大教育工作者所追求的理想目標。然而由于資源限制，學習者風格往往會隨其先修知識、學習目標、狀態和內容的不同而動態發生變化，因而很難大規模推行。2012年出現的大規模在線開放課程（Massive Open Online Courses，MOOCs）推動了在線學習模式的快速發展，與此同時還演化出了用于單一教育機構范圍內使用的小規模私有在線課程（Small Private Online Course，SPOC）等不同模式。目前已經超過7 000萬人通過MOOC學習全球的優質課程，為緩解教育資源的緊張和實現教育公平化提供了一條有效途徑。然而，即使是像MOOC這樣的由優秀教師團隊精心設計和運行的課程還是會面臨內容固定化、對所有學習者一視同仁的“機械化”教育方法的問題，對于學習者的不同需要和特性并未有太多考慮，比如：他們的學習動機、先修知識背景以及所適應的學習風格等，因此還是無法實現“因材施教”的本質特征，即個性化教學。

近年來有越來越多的研究聚焦在學習者個性[1]、學習風格[2]及其對學習過程的影響[3-4]等相關領域[5-6]，包括學習風格的有效性[7]、從在校生學習行為分析學習風格[8]以及通過智能算法將學習者根據其特征進行在線協作學習分組[9]等。相關研究表明，為學習者提供適應其個性風格的課程內容、學習路徑以及協作學習分組可以有效提升學習效率和效果[10-11]。

本文針對以上問題研究設計了一種實時的智能分析方法，通過對學習者學習行為的分析，動態地測量和識別每個學習者學習風格，并用來為學習者提供不同的學習內容，這對于在大規模在線學習環境下提升學習者學習效率具有一定的應用和參考價值。

2 學習風格動態分析問題

在傳統的教學過程中為了取得良好的效果，教師不僅需要精心準備教學內容、設計教學過程，而且更加需要在教學過程中關注學生的反應并適時地改變教學路徑和策略。在互聯網時代，隨著計算機和人工智能的快速發展，上10萬人可以同時學習一門MOOC課程，大規模在線學習環境可以為學習者提供7×24 h的教學服務。然而，相對于傳統教學環境中在某一時刻的學習對象僅是限定于來自同一個班水平基本相當的學生而言，大規模環境需要同時為知識背景、學習習慣、學習目的各不相同的學習者群體提供學習服務。如何實現個性化的教學服務和體驗就成為一個十分嚴峻的問題，這將是確保和提升教學效果的最重要的手段之一。本章將著重介紹實施個性化教學需解決的兩個關鍵問題：學習風格的表示與度量。

2.1 學習風格模型

在過去50年中出現過許多學習風格模型，它們往往是從學習者不同的角度出發提出的，包括學習者個性、情感狀態、認知能力以及所處環境等。Felder-Silverman學習風格模型（Felder-Silverman Learning Style Model，FSLSM）是目前被廣泛使用的一種學習風格模型，它綜合了前期主流的學習風格模型之長處，在自適應學習系統中尤其受到關注。這個模型根據學習者感知、輸入、處理和理解四個維度方面的偏好將其劃分為八種學習風格，在這四個維度的各個方向設計中都融入了包括Kolb[12]、Pask[13]以及Myers-Briggs[14]等學習風格模型的優點，模型結構如圖1所示。

為了能夠度量FSLSM四個不同維度的具體數值，Felder和Soloman同時開發了一套由44道問卷題目組成的學習風格量表（Index of Learning Styles，ILS）[15]，每個維度由從+11到-11的數值來標明其偏好的傾向。通過這樣的量表，不僅可以識別用戶的學習風格，而且還可以評估學習偏好的程度。

圖1 FSLSM的四個維度和八個方向

2.2 指標動態測量問題

ILS通過一套問卷中的問題答案計數來識別用戶的學習風格，這種模式對于處于小規模或封閉環境中的應用場景是可行的，正如大多數教育機構目前使用的學習管理系統（Learning Management System，LMS）所使用的方法：讓用戶在使用之前填寫相應ILS讓系統記錄和識別他們的學習風格。然而這種模式在大規模在線學習環境的應用情況下（如MOOC模式），其使用范圍就受到較多的限制：首先，由于系統是開放給大量不同背景、不同學習目的的學習者使用，在學習前要完成2～5 min的測試問卷對于很多人來說是件價值不大的事情，導致填寫完成率不高，在數據質量上也存在較多的隱患，無法準確得到初始學習風格狀態。其次，學習是一個動態的過程，FSLSM的幾個維度在學習的不同階段可能會發生變化[16]，比如在課程學習過程比較順暢時，大部分人在“理解”維度將會是“順序型”，行為上是按照設計的學習路線順序學習；而在遇到難點時，從行為上則會變為“全局型”，跳躍性地往前回顧或往后跳過難點。

實現基于FSLSM的學習風格測量主要有兩類方法：一類方法是通過對學習者學習行為進行建模，將相關用戶行為模式進行標記，并通過決策樹和隱藏馬爾科夫過程[17]或貝葉斯網絡[18-19]來分析和預測用戶可能的學習風格。這種方法的局限在于每一門課程對于每一位學習者的學習難度和背景知識都是不同的，固定的參數體系很難適用于大規模在線學習環境中的所有課程；另一類方法是通過使用一套規則體系來定性衡量某種行為的得分，并將這一類行為次數進行累計后依據FSLSM推斷該用戶屬于哪類學習風格。這種方法適用于任何通過系統記錄學習者在線學習過程數據的課程，具有一定的適應性，但是在不同課程和用戶的情況下，每種行為所具備的權重都可能不同，因此在預測精度方面存在較大的偏差。

3 動態學習風格識別模型設計

近年來，隨著人工智能和智能分析方法的快速發展，神經網絡和深度學習在機器學習領域得到了廣泛應用，特別是圖像、語音和語義識別方面，部分改進后的CNN模型在識別酒店評論的情感分類問題中準確率可達95.19%[20]。因此通過智能算法實時分析用戶在LMS中的學習行為數據，動態地識別用戶學習行為風格，系統地為各個用戶提供相適應的個性化內容、學習路徑以及學習方法，從而能夠有效提高用戶的學習效率。在上一章中所提到的兩種方法能夠提供一定程度上的識別和預測能力，但在實際應用中也存在非常明顯的限制，例如學生可能會根據其背景知識和學習習慣而導致在不同的課程表現出完全不同的學習行為，而且即便是在同一門課程中若具有難度顯著不同的章節，學習行為和風格也會發生變化。在有老師面授的情況下，可以由老師根據學生的反饋來調整教學進度和教學方法；然而在大規模在線學習環境下，傳統的學習平臺將無法為具有不同學習習慣和能力的學生提供有效的教學服務，因此動態地識別學習者學習風格并及時地為其提供合適的教學路徑和內容是非常核心而重要的功能。

3.1 用戶建模

為了識別每個用戶情況，首先需要根據FSLSM所定義的四個維度八個方向對用戶的靜態和動態學習風格進行建模，系統才能動態地為學習者提供相應的教學方法。比如，對反思型的學習者應該使用基于問題的學習方法（Problem Based Learning，PBL），利用問題去引導學生學習并找到答案；而對于主動型的學習者，他們傾向于主動去獲取信息，因此可持續地將課程的在線社區中的最新帖子推送給他們，這將有助于他們深入而高效地學習。

本文設計的學習風格模型可由用戶在不同時刻所表現出的狀態加以刻畫。第i個用戶在t時刻的狀態Ui,t定義如下：

其中Di為用戶i的人口分布數據（包含用戶年齡、性別、所在院校、所學專業等四個維度），學習風格Li,t由學習風格的四個維度及其權重加以描述：

對于t=0時的初始學習風格，可由該用戶在其他課程學習的最后狀態加以確定，若不存在前序課程學習風格，則通過人口特征初始化賦值。初始化后，將通過持續的學習行為監測來動態更新每個時刻t的用戶學習風格狀態。

3.2 學習行為識別

根據FSLSM體系，用戶學習行為的維度和程度可以通過不同的學習者學習行為序列來反映，FSLSM同時也提供了一套ILS量表來進行測量。然而，由于課程結構的不同以及學生在課程學習過程中所面臨的壓力不同有可能導致學習風格發生變化，靜態的ILS量表將難以準確刻畫學習者的學習風格，而通過對用戶行為進行歸類并且進行相應分析將會得出更加有效的結果。按照FSLSM的維度，本文將用戶學習特征進行了歸類匯總，如表1所示。

表1 基于FSLSM體系的用戶行為模式歸類

Graf曾提出一種在LMS中通過分析學習行為來判斷學習風格的方法：通過設定一系列學習行為計數的閾值來處理學習過程完成之后的學習行為數據，通過不同學習行為的比例綜合判斷用戶所屬的學習風格維度[21]。但是由于需要使用學習過程完成后的數據來進行統一分析，因此該方法并不適用于對用戶學習行為的實時分析。然而，可以在這種方法基礎之上通過將用戶行為特征映射到學習風格上，對用戶學習行為進行動態識別。本文建立的映射關系如表2所示。

表2 用戶實時行為與學習風格傾向映射關系

由于每個時刻的用戶學習風格可視為一個時間狀態下的行為切片，學習風格識別模塊持續對輸入的用戶行為切片進行識別，同時，為刻畫過渡過程還應考慮前序狀態。每一類日志被映射為基于時間的多維序列，序列上的節點根據其行為特征不同而具有不同屬性，所有屬性統一進行歸一化。以學習密度日志為例，序列LEi,j節點根據特定用戶的學習時間和相對學習進度映射到按天為單位的學習進度：

其中，tvi是每一個學習活動i的視頻播放時間，而T是課程的總視頻長度，ti是學習的絕對時間長度，Cj是學習內容區塊的索引ID。以某MOOC平臺課程《數據結構》為例，23 000多名學生進行了學習，這門課程包含8章，整個有效學習時長為74天。將隨機選擇的兩名學生的學習密度日志進行可視化后，得到圖2結果。

圖2 兩個隨機用戶學習行為圖譜對比

圖2中的兩個用戶學習行為顯示了兩種完全不同的學習風格，分別體現在感知維度（主動型/反思型）和理解維度（順序型/全局型）。第4441580號用戶的順序學習行為均勻分布在整個學習過程中，在學期即將結束也進行了大量的復習行為顯示了明顯的反思型和順序型的特征；而對應的，第6565569號用戶密集地在學期剛開始的時間把所有的課程都學習完畢，充分體現了主動型和全局型的特征。

3.3 學習風格預測

卷積神經網絡（Convolutional Neural Networks，CNN）是一類前饋型神經網絡，是深度學習算法在模式識別領域的一種有效應用。在學習風格識別領域，Bernard等曾對神經網絡、遺傳算法、聚類算法和粒子群優化算法這四類智能分析算法在學習風格識別方面的應用進行了綜合比較，神經網絡以80.7%的精度取得了最好的識別效果[22]。然而由于CNN一般要求輸入是固定長度的，因此較為適用于在取得了完整的學習記錄后對學習者學習風格進行識別。那么如何能夠在學習過程中根據收集到的學習行為數據動態地識別學習者學習風格?引入了循環神經網絡（Recurrent Neural Networks，RNN）。

RNN是近期研究較多的另外一種神經網絡，神經元之間既有內部的反饋連接又有前饋連接，被設計用于處理變長的序列化數據，通常用于連續的自然語言或相關時序敏感的處理領域[23]。通過在卷積層之間增加了一個隱含狀態并傳遞到下一次迭代中，實現對前序狀態的記憶和計算。標準的RNN通常使用如下算法來更新隱含狀態ht：

其中，g通常是一個類似sigmoid的平滑閾值函數，xt是t時刻的輸入單元值。RNN的輸出通常為在給定的狀態ht下，輸出序列下一個可能的值及其概率。然而，不同的特征值在輸入序列之間可能間隔較遠的情況下RNN的隱含層會逐漸衰減掉對于這些特征值的記憶，從而導致標準RNN無法處理具有長期依賴特性的序列。在學習風格識別問題中，由于同一學習者的初始和前期的學習風格特征對于后期可能的學習風格變化會產生一定的影響，因此需要在預測過程中記錄并考慮這些歷史狀態。由Hochreiter&Schmidhuber在1997年提出的長短期記憶（Long Short-Term Memory，LSTM）網絡能夠很好地解決這個問題，通過在RNN的單元結構中增加輸入門、遺忘門和輸出門來實現在重復循環下對有效信息的記憶。門控循環單元（Gated Recurrent Unit，GRU）則是為了解決在RNN中常見的梯度消失問題而對LSTM做出的改進[24]，在邏輯上將輸入門和遺忘門合成為一個更新門，由更新門和輸出門共同控制新隱藏狀態，在這個模型中隱含狀態ht通過式（5）計算得出：

其中，更新門zt定義為：

rt為重置門：

GRU的特點對于處理學習風格具有很大優勢，前期記憶下來的學習風格歷史在識別和預測后續學習風格時能夠被關聯進來，而且相對LSTM RNN而言GRU的計算量也要小，更加適合實時計算。

本文設計的動態學習風格識別模型結合了CNN和GRU的優勢，由兩個核心模塊組成：識別器和推理機。第一部分核心是“識別器”，它是一個典型多層CNN模型，主要用于處理輸入的七類用戶行為序列，輸出所識別用戶的相應學習風格。由于學習行為序列特征值在某些通道上較為稀疏，且某些部分的行為具有一定的模式性，但在時間或內容上跨度較大的問題。為了在較大跨度上提取用戶行為特征，嘗試引入空洞卷積（Dilated Convolution）。空洞卷積是通過在卷積層引入定義卷積核處理數據時各值的間距的“擴張率（dilation rate）”，用以調整卷積核的“疏松”程度。例如：一個擴張率為2的3×3卷積核，感受野與5×5的卷積核相同，而參數仍為9個，并沒有增加，因此在相同的計算條件下，空洞卷積提供了更大的感受野。第二部分是將“識別器”的輸出連接到“推理機”模塊，設計的推理機是一個GRU RNN，通過給定的Li,t，來預測Li,t+1，由于可以通過隱含狀態將學習者過去的學習風格在多個GRU層中進行記憶和傳遞，因而可以使系統的預測結果更加貼近學習者的個人特征。整個“識別-推理”雙層模型邏輯結構示意如圖3。

圖3 “識別-推理”學習者學習風格動態分析模型

4 模型訓練及測試

4.1 數據集合預處理

本文采集了使用近3個月的某MOOC平臺的部分用戶行為數據進行分析，包含153 550名獨立用戶在968門課程上的學習行為：7 350 367條學習導航及視頻觀看記錄、31 942條課程論壇/發帖記錄。首先對學習有效長度小于3的數據進行了清洗和過濾，過濾完成后剩余103 426名用戶的相關數據。由于訓練數據集是已經存在的歷史數據，可以按照Sabine Graf的方法[21]根據FSLSM的相關定義使用閾值法來推定各個用戶的學習風格。預處理完成后的數據按課程為組隨機亂序后按照80%（82 740名用戶）定義為訓練數據集，而20%（20 686名用戶）定義為測試數據集。

4.2 模型訓練與測試結果

本文模型使用Google推出的TensorFlow 1.2.1實現，使用訓練和測試數據集對模型進行訓練和測試。通過多次試驗對比，CNN模型的輸入層按照輸入向量的特征設計由324個單元組成，隱含層包含128個單元，使用ReLU激活函數；使用擴張率為2的3×3卷積核；輸出層對應為四個維度的學習風格輸出Li,t，使用softmax激活函數，應用自適應時刻估計（Adaptive Moment Estimation，Adam）優化算法[25]，收斂速度最佳。在學習批次為10，學習率設定為0.000 1的情況下學習效率最佳。

通過使用測試數據集對調試和訓練過的模型進行最終測試，將預測結果與測試數據在學習風格的四個維度分別相比，最佳準確率可以達到90.765%。相對Bernard等所使用的LSID-ANN模型[22]，本文使用的改進CNN模型（I-CNN）模型在隱含節點數量和卷積方式等的方面都有一定的優化，在學習風格四個維度上的識別精度對比如圖4。

圖4 I-CNN模型與LSID-ANN模型精度對比

從測試數據應用結果的分析看，發現在學習過程中存在用戶學習風格發生變化的情況，如表3所示，一共出現了1 828次學習風格變化事件，其中1 125次（61.54%）發生在計算機、工程、電子等科學工程類課程中，說明課程內容的難度和結構設置會影響學習者學習風格使之在學習過程中發生變化，同時從目前課程結構設置上看，發生在科學及工程類課程的偏多一些。

表3 測試數據集中發生的學習風格變化事件統計

另一方面，在輸入維度上可以看出視覺型/言語型的轉化也相對偏少，這主要是因為在MOOC模式下大部分內容本身就是視頻或圖片格式，而基于文字的閱讀內容提供較少。明顯看出，從反思型到主動型的用戶較多，從數據上推斷主要是由于學習者在課程論壇中的活動所帶來的積極影響，這為后續教學法的設計提供了一定的參考，即通過課程論壇推送等主動推送方式是有可能增加學生參與度的。但在學習路徑的優化方面，以及基于視覺或言語型的學習材料如何能夠取得更好的效果，在本階段的研究中的體現還不夠明顯，需要在后續研究中進一步加強內容形式以及學習路徑的測試和對比研究。

5 結論

本文在對Felder-Silverman學習風格模型深入分析基礎之上，提出了一套適用于大規模在線學習環境中動態分析學習者風格的模型和方法。主要的研究結果包括以下幾個方面：（1）本文所設計的復合神經網絡模型通過引入空洞卷積等手段，提高了對學習行為特征的識別精度。（2）學習風格在同一門課程中也有可能發生改變，而非一成不變。實驗表明，即使對于同一個學習者，由于課程內容和難度的變化，其學習風格在各個維度上都有可能發生變化，因此需要動態根據學習者的學習風格為其提供相應適應的學習方法。（3）基于LSTM的GRU設計可以幫助模型記憶學習者曾經有過的學習風格，所輸出的結果更加貼近用戶個性。現階段僅在基于互聯網的智能教學方面進行了比較初步的探索和嘗試，下一步將在教學法和教學內容的設計，應用計算機技術實現線上線下結合的教學協同優化等方面進行深入研究和實踐。

[1] Klobas J E.Measuring the success of scaleable open online courses[J].Performance Measurement&Metrics，2014，15（3）：145-162.

[2] Viola S R，Graf S，Kinshuk，et al.Analysis of feldersilverman index of learning styles by a data-driven statistical approach[C]//Eighth IEEE International Symposium on Multimedia，2006：959-964.

[3] Gesa R F，Lázaro J L M，Carrillo C I P D.Teaching support units[M]//Computers and Education in the 21st Century.Netherlands：Springer，2000：163-174.

[4] Demirkan H.An inquiry into the learning-style and knowledge-building preferences of interior architecture students[J].Design Studies，2016，44：28-51.

[5] Dissanayake D，Perera T，Elladeniya C，et al.Identifying the learning style of students in MOOCs using video interactions[C]//International Conference on Society，Education and Psychology，2017.

[6] 王若賓，付瑞平，程楠楠，等.學習風格對大學計算機課程MOOC學習的影響[J].計算機教育，2016（10）：106-108.

[7] Felder R M，Spurlin J.Application，reliability and validity of the index of learning styles[J].International Journal of Continuing Engineering Education and Life-Long Learning，2005，21（1）：103-112.

[8] Bicans J，Grundspenkis J.Student learning style extraction from on-campus learning context data[J].Procedia Computer Science，2017：272-278.

[9] 羅凌，楊有，馬燕.基于模糊C均值的在線協作學習混合分組研究[J].計算機工程與應用，2017，53（16）：68-73.

[10] Felder R M.Reaching the second tier—learning and teaching styles in college science education[J].Journal of College Science Teaching，1993，22（5）：286-290.

[11] Graf S.Adaptivity in Learning management systems focussing on learning styles[C]//Proceedings of the 2009 IEEE/WIC/ACM International Conference，Vienna，December 2007：71.

[12] Kolb D.Experiential learning：Experience as the source of learning and development[J].Pearson Schweiz Ag，1984，1（3）：16-17.

[13] Pask G.Styles and strategies of learning[J].British Journal of Educational Psychology，1976，46（2）：128-148.

[14] Myers I B.Manual：The myers-briggs type indicator[M].Palo Alto，CA：Consulting Psychologists Press，1983.

[15] Felder R M，Soloman B A.Index of learning styles questionnaire[EB/OL].（2007-11-30）.http：//www.engr.ncsu.edu/learningstyles/ilsweb.html.

[16] Felder R M，Spurlin J E.Applications，reliability and validity of the index of learning styles[J].International Journal of Continuing Engineering Education and Life-Long Learning，2005，21（1）：103-112.

[17] Cha H J，Yong S K，Park S H，et al.Learning styles diagnosis based on user interface behaviors for the customization of learning interfaces in an intelligent tutoring system[C]//Proceedings International Conference on Intelligent Tutoring Systems（ITS 2006），Jhongli，Taiwan，China，June 26-30，2006：513-524.

[18] García P，Amandi A，Schiaffino S，et al.Evaluating Bayesian networks’precision for detecting students’learning styles[J].Computers&Education，2007，49（3）：794-808.

[19] 王晨煜，管明輝，殷傳濤，等.基于Felder-Silverman學習風格模型的網絡學習風格研究[J].重慶理工大學學報，2017，31（2）：102-109.

[20] 張綺琦，張樹群，雷兆宜.基于改進的卷積神經網絡的中文情感分類[J].計算機工程與應用，2017，53（22）：111-115.

[21] Graf S，Kinshuk P.An approach for detecting learning styles in learning management systems[C]//IEEE International Conference on Advanced Learning Technologies，2006：161-163.

[22] Bernard J，Chang T W，Popescu E，et al.Learning style Identifier：Improving the precision of learning style identification through computational intelligence algorithms[J].Expert Systems with Applications，2017，75：94-108.

[23] Hidasi B，Karatzoglou A，Baltrunas L，et al.Session-based recommendationswithrecurrentneuralnetworks[J].Computer Science，2015.

[24] Cho K，Merrienboer B V，Bahdanau D，et al.On the properties of neural machine translation：Encoder-decoder approaches[J].Computer Science，2014.

[25] Kingma D P，Ba J.Adam：A method for stochastic optimization[J].Computer Science，2014.

LI Chao,ZHOU Hong.Research on dynamic learning style identification based on hybrid Neural Networks.Computer Engineering andApplications,2018,54（6）：150-155.

LI Chao,ZHOU Hong

School of Economics and Management,Beihang University,Beijing 100191,China

The emergence of Massive Open Online Courses（MOOCs）in 2012 has been boomed in recent years,learners’learning behaviors can be recorded and analyzed by the system.According Felder-Silverman learning style model,this paper applies a hybrid Neural Networks（NN）which combines a Convolutional Neural Networks（CNN）and connects with a Gated Recurrent Unit（GRU）based Recurrent Neural Networks（RNN）,to detecte learning style dynamically.The model is applied in analyzing the learners’learning behavior,including online-community interaction,learning content browsing log,click and drag the behavior,identifying learning style dynamically,and the using GRU based RNN to process and predict the possible learning styles and provides learning content and path for optimizing learning process efficiency,improving learning experience,supports large-scale,personalized and high quality education.

learning styles;machine learning;Gated Recurrent Unit（GRU）;learning management system;Massive Open Online Courses（MOOCs）

近年隨著慕課（MOOC）等新興教育教學手段的快速發展，大量的學習者學習行為可以被系統所記錄和分析，從而為個性化教學奠定了重要基礎。在Felder-Silverman學習風格模型的理論基礎上，通過引入智能分析算法動態地分析和識別學習者學習風格，構建了一套融合了卷積神經網絡和循環神經網絡的“識別-推理”復合模型，通過學習者的線上學習行為、社區交互行為、學習內容瀏覽行為、點擊拖動行為等學習過程識別其學習行為特征，并使用基于門控循環單元（Gated Recurrent Unit，GRU）的循環神經網絡處理和預測其可能的學習風格及對學習內容形式的偏好，以更高效地為學習者提供適應于其學習風格的學習內容和路徑，優化學習體驗，為大規模、個性化和高質量的下一代學習平臺提供技術支撐。

學習風格；機器學習；門控循環單元（GRU）；學習管理系統；大規模在線開放課程（MOOCs）

2018-01-26

2018-02-28

1002-8331（2018）06-0150-06

A

TP18

10.3778/j.issn.1002-8331.1801-0410

“聯合國教科文組織國際工程科技知識中心”建設項目。

李超（1978—），男，在讀博士生，研究領域為管理科學與工程、智能優化算法和教育過程管理，E-mail：lichao.sem@buaa.edu.cn；周泓（1965—），男，教授，研究領域為管理系統的優化理論與仿真。