计算机支持的协同学习是对传统教学方式的改革,可实现跨越时间和空间的教育过程,受到了越来越多研究者的关注。本文针对现有协同学习系统中普遍存在的智能性与个性化不足的问题,提出了个性化学习和联盟式协同学习的新方法,并且开发一个基于多Agent技术的个性化远程协同学习环境。主要工作包括: 1、针对当前的协同学习系统很少考虑到学习者知识水平、个性化等属性的不足,提出了一个基于学习者知识水平的多Agent学习系统模型。通过对学习者知识水平的界定实现系统的分层结构,较好地解决了现有学习系统中普遍存在而又尚未解决的无序和混乱、缺乏群体互动效果和个性化教学等问题。 2、针对基于Multi-Agent技术协同学习系统的特点,提出了一种单Agent能力描述语言。该语言综合Agent的输入/输出状态、质量、耗时、代价等重要性能指标来区分不同Agent的能力,有助于Agent之间的相互理解,有利于任务与能力之间的匹配,能够实现基于能力的推理、规划和学习,并易于用户的使用和理解。 3、针对系统需要,提出基于学习者学习目标的分组策略。该策略采用改进的效用划分规则,在保证效用非减的前提下对于共同的学习目标构造优化求解方案,有效地提高了多Agent学习系统的整体求解效率,并且能够有效防止损害全局效率的联盟接替,使系统获得具有次加性的面向任务领域的全局优化解。 4、针对目前多Agent协同学习系统中Agent之间的任务分配这一重要问题,提出了基于图的学习任务分配算法。该算法采用图结构来表示问题的状态空间,把任务分配的过程转化成图的遍历过程,对具有不同知识集的Agent进行个性化任务分配,能够有效扩展Agent的求解范围,提高多Agent系统的求解效率和求解质量。 5、采用面向对象的分析与设计思想,设计和开发了基于学习者知识水平的个性化多Agent协同学习原型系统。实现了协同学习与个性化学习相结合,学习者可根据其权限进行分层次、分小组的交互。有效地解决了分布式环境中成员之间协同学习的时空制约问题。