随着人工智能技术与教育应用研究的深度融合发展,以教师引导、学习者主导、领域知识模型为架构的在线学习系统服务不断完善。在线学习不仅能解决传统学习领域中的地理位置、学习时间以及学习资源等方面限制问题,而且也能为学习者提供方便、实时、互动的在线学习环境,已成为互联网领域重要的应用之一。学习情境可计算、学习主体可理解以及学习服务可定制是实现个性化在线学习的三大核心问题,根据学习者的个体认知能力差异,从众多的在线学习资源中发现、导入、组合、生成以及分发给与学习者能力和需求相匹配的资源内容与资源序列,需要为学习者提供智能化、动态化、个性化的在线学习资源序列化服务,从而提高在线学习者的学习效率,已成为在线智能学习领域重要研究内容。然而,在线学习过程中学习者个性化特征具有多变性和难以量化性,在线学习资源的海量性和复杂性,导致在线学习资源序列化服务研究方面存在着学习资源推荐难度大、推荐方法速度慢、推荐精度不高以及学习路径匹配度低等一系列问题。在这样的背景下,本文从在线学习资源序列化服务不同阶段的数学模型构建入手,深入分析在线学习资源序列化服务特征,通过对计算智能领域粒子群算法的优化研究,提高学习资源推荐和学习路径优化的匹配度,提升在线学习者的学习效率,探索在线学习资源序列化服务有效机制,构建完整的在线学习资源序列化服务理论体系。本文的研究工作及贡献主要包括:1.提出了基于进化状态判定的模糊二进制粒子群优化算法(EFBPSO)。该算法采用模糊分类方法将种群进化状态分为S1和S2状态,迭代过程S1状态期,采用S型映射函数和较大的惯性权重值,在提高收敛速度的同时保证算法的稳定性;S2状态期采用V型映射函数和动态增减的惯性权重值调整策略,增强算法后期全局探索能力以避免过早陷入局部最优,仿真实验结果表明,EFBPSO算法具有更好的收敛速度和精度;并将EFBPSO算法应用于在线学习资源推荐领域,提出了在线学习资源推荐方法EFBPSO-RA,详细分析了该方法的在线学习资源推荐性能。2.提出了基于多维特征差异发现的在线学习资源推荐方法。开展基于多维特征差异发现的在线学习资源推荐服务研究,构建基于学习者和学习资源多维特征差异的在线学习资源推荐模型POLMRM;考虑学习者偏好,引入协同过滤技术对模型中学习者特征偏好数据进行预测,并将协同过滤算法和EFBPSO粒子群优化算法相结合,使用混沌函数初始化种群,将海明距离的惯性权重调整方法与惯性权重线性递减方法相结合,根据每个粒子与群体最优粒子之间海明距离均值变化,对粒子群优化算法EFBPSO中的惯性权重参数与种群多样性特征进行协同动态优化,进而设计了自适应二进制粒子群优化算法ABPSOA,该算法与在线学习资源推荐模型POLMRM相融合,提出了基于多维特征差异发现的在线学习资源推荐方法POLMRM-RA,优化个性化在线学习资源推荐性能。3.提出了基于多维信息特征映射模型的在线学习路径规划方法。开展基于多维信息特征映射模型的在线学习路径规划服务研究,在分析学习资源难度与学习者能力差异、学习支出、学习资源与知识点匹配度等因素基础上,构建了在线学习路径的多维信息特征映射模型(MIFMM),引入在线学习资源排序规则——相斥度,根据相斥度由小到大实现待推荐在线学习资源序列优化服务;在优化EFBPSO算法速度更新策略基础上,将海明距离值较小的前一半种群与后一半种群替换,增强算法的全局探索能力,跳出局部最优,提出了改进二进制粒子群优化算法NBPSO;并将NBPSO算法与多维信息特征映射模型MIFMM相融合并应用于在线学习路径优化领域,提出了在线学习路径优化方法MIFMM-POA,并从路径生成过程和路径生成综合性能两方面详细分析了该优化方法相关性能。4.提出了基于邻居均值变异多目标粒子群优化算法的在线课程资源生成方法。开展多目标优化视角下的在线课程资源生成服务研究,结合知识地图学习引导功能,构建在线课程资源生成多目标优化模型,开展在线课程资源生成子目标冲突性分析;引入邻居均值变异算子以提高多目标粒子群算法的收敛性能和稳定性,在分析无速度多目标粒子群优化算法工作原理基础上,提出了基于邻居均值变异多目标粒子群优化算法(AMOPSO);将AMOPSO算法与在线课程资源生成多目标优化模型相融合,提出了基于多目标粒子群优化算法的在线课程资源生成方法AMOPSO-GA。