Planification stratégique et problème de sac à dos multidimensionnel

J'essaie de trouver une approche de planification pour résoudre un problème qui tente de modéliser l'apprentissage de nouveaux matériaux. Nous supposons que nous n'avons qu'une seule ressource telle que Wikipedia, qui contient une liste d'articles représentés comme un vecteur de connaissances qu'il contient et un effort pour lire cet article.

Vecteur de connaissances et effort

Avant de commencer, nous définissons une taille pour le vecteur, en fonction du nombre de types de connaissances différents. Par exemple, nous pouvons définir les éléments du vecteur à être (algebra, geometry, dark ages), puis «mesurer» tous les articles de ce point de vue. Donc, un article de mathématiques sera probablement (5,7,0), car il parlera beaucoup d'algèbre et de géométrie mais pas des âges sombres. Il aura également un effort pour le lire, qui est simplement un entier.

Problème

Compte tenu de tous les articles (représentés comme des vecteurs de connaissances avec un effort), nous voulons trouver l'ensemble optimal d'articles qui nous aident à atteindre un objectif de connaissances (également représenté comme un vecteur).

Ainsi, un objectif de connaissance peut être (4,4,0), et il suffit de lire un article (2,1,0)et (2,3,0), puisqu'il est ajouté, il s'ajoute à l'objectif de connaissance. Nous voulons le faire avec un minimum d'effort .

Question

J'ai essayé quelques heuristiques pour trouver une approximation, mais je me demandais si une méthode de planification stratégique de pointe pouvait être utilisée à la place?

Voici une distribution spéculative du problème à un problème de vendeur itinérant , ce qui conduirait à des algorithmes de chemin le plus court.

Veuillez noter que cette idée suggère différentes contraintes à explorer.

• Compte tenu des vecteurs de connaissances et des efforts, construisez un graphe dirigé acyclique (acyclique, car nous ne sommes pas censés le désapprendre). Un sommet est un article, représenté par son vecteur de connaissances. Un bord relie deux articles, pondérés par l'effort de «se déplacer» vers l'article / sommet cible (c'est-à-dire acquérir la connaissance de cet article).
• Attribuez un vecteur zéro à un nouveau participant. C'est le point de départ sur le graphique est le sommet V0 = (0, ..., 0).
• Définissez un objectif d'apprentissage comme vecteur V.
• Utilisez un algorithme de chemin le plus court pour trouver un plan (V0, V).

Cette procédure est insuffisante, car il existe de nombreuses façons de construire le graphique (en d'autres termes, ce qui précède est complètement inutile tel quel ). Des contraintes supplémentaires sont nécessaires pour le rendre pratique. Par exemple, nous pouvons ordonner les sommets en les ordonnant le long de chaque dimension. Un tel paramètre amènerait les apprenants à commencer par des articles «faciles» (V [i] est faible) et à se déplacer étape par étape vers des sujets plus complexes ((V [i] devient plus élevé).

La construction du graphique dépend des données disponibles. Par exemple, les vecteurs de connaissances sont-ils "absolus" ou peuvent-ils être relatifs? Le parent peut aider à créer un chemin, car passer de V à W nécessite un effort qui dépend des conditions initiales de votre apprenant (V0 peut ne pas être 0 partout, après tout).

Est-ce une question d'IA? Absolument.