ga_sort_courses

sort courses with ga algorithm

本项目主要复现论文《基于知识图谱的学习路径图生成技术研究_胡文韬.caj》 第四章遗传算法

遗传算法主要参考https://blog.csdn.net/czrzchao/article/details/52314455 阅读笔记

入口：SimpleGA/ga.py 二进制表示的遗传算法，与原博客有关，本项目无关 入口：SimpleGA/ga_my.py 自然数表示课程的遗传算法，最后得出最优课程序列

主要工作如下：

1. 从慕课网爬取一系列课程数据 file/course_group2.txt
2. 数据预处理：删除第x课以及空格，分号等其他字符 file/course_group2_1.txt,extractCourse.py
3. 将课程分别编码成向量，数字。相关文件：file/course_group2_2.txt
4. 随机初始化课程的相对重要程度，基础程度，初始化数据见文件 [file/course_group2_3_important_list.npy]（https://github.com/JulseJiang/ga_sort_courses/blob/master/file/course_group2_3_important_list.npy） file/course_group2_4_elementary_list.npy 代码：calculate.py
5. 计算课程向量间的余弦相似度 相关代码calculate.py
6. 列出适应度函数 SimpleGA/calfitValue.py
7. 修改原遗传算法（二进制编码）的部分内容，使之可用于课程序列排序 修改：geneEncoding.py,calobjValue.py,selection.py,crossover.py,mutation.py 分别为 问题描述，适应度函数表示，选择，交叉，变异（也是遗传算法的主要流程）

• 问题描述：生成初始种群序列，将原二进制表示改为自然数表述 SimpleGA/geneEncoding.p
• 适应度函数表示：论文中的适应度公式 SimpleGA/calobjValue.py
• 选择：该算法中的轮盘选择和论文一致，不用做修改
• 交叉：交叉后的序列，重复课程位置与被交换父序列一致，解决交叉后出现重复课程的问题 SimpleGA/crossover.py
• 变异：随机生成变异对，如该条序列中， 编号 25 的课程变异为56，编号为56的课程变异为25 SimpleGA/mutation.py

参数设置参考论文：

初始种群100，交叉概率0.4，变异概率0.1， 适应度函数的基础性，重要性，关联性特征权值为 1：85.6：1

迭代300次的结果

解：

适应度，课程序列
[51.53, [[55, 30, 21, 11, 34, 74, 66, 59, 31, 76, 42, 40, 49, 23, 79, 47, 25, 64, 27, 52, 72, 65, 18, 7, 48, 77, 20, 69, 75, 67, 51, 13, 81, 26, 56, 63, 16, 53, 10, 36, 37, 24, 9, 35, 12, 70, 73, 2, 32, 78, 62, 41, 38, 43, 3, 1, 8, 44, 58, 68, 22, 28, 57, 19, 17, 45, 4, 54, 15, 39, 0, 46, 6, 5, 29, 50, 71, 33, 80, 14, 61, 60]]]

序列再映射到课程即可得出结果

其他

计算余弦相似度

适应度函数：

轮盘式选择：

交叉：

变异：