مدل سازی ریاضی چندهدفه در یک سیستم آموزشی با در نظر گرفتن دوره‌های حضوری و مجازی در دوران پاندمی کرونا
محورهای موضوعی : تحقیق در عملیات
محمدساویز اسدی لاری
1
(گروه مهندسی صنایع، دانشگاه پیام نور، تهران، ایران)
مریم عباس‌قربانی
2
(گروه مهندسی صنایع، دانشگاه پیام نور، تهران، ایران)
رضا توکلی مقدم
3
(دانشکده مهندسی صنایع، دانشکدگان فنی، دانشگاه تهران، تهران، ایران)
کلید واژه: الگوریتم دسته‌های میگو, دوره‌‌ی آموزشی مجازی, پاندمی کرونا, الگوریتم ژنتیک, یادگیری الکترونیکی,
چکیده مقاله :
برنامه‌ریزی صحیح و مطلوب سیستم آموزشی امری ضروری است که دستاورد‌های فعلی و آینده‌ی هر کشوری را تضمین می‌کند. در سال‌های اخیر به سبب پاندمی بیماری کرونا بسیاری از سازمان‌ها و مؤسسات علمی تصمیم گرفتند که دوره‌های آموزشی، پژوهشی و غیره را برای فراگیران به صورت دوره‌های الکترونیکی برگزار کنند. سپس با گذشت زمان و واکسینه شدن جمعیت قابل قبولی از جوامع تصمیم سازمان‌ها و مؤسسات مذکور بر آن شد که دوره‌ها به صورت تلفیقی از دوره‌های الکترونیکی و دوره‌های حضوری اجرا گردند. در مقاله‌ی حاضر با توجه به مسئله‌ی ذکر شده، مدل‌سازی ریاضی مبتنی بر چگونگی برنامه‌ریزی سیستم آموزشی با هدف کمینه‌سازی هزینه‌یابی چندهدفه مرتبط با این سیستم صورت گرفت. در بخش‌هایی از مدل‌سازی که مرتبط با دوره‌های حضوری است، عناصری چون هزینه‌های تأمین امکانات، تجهیزات، فضای برگزاری دوره‌ها با توجه به رعایت نکات مرتبط با بیماری کووید -۱۹ مد نظر قرار گرفته است. به جهت پیچیدگی ساختار مسئله مدل شده، مسئله حاضر جز مدل‌های NP-hard محسوب می‌گردد؛ لذا جهت حل آن در ابعاد کوچک از نرم‌افزار گمز و برای دستیابی به مجموعه جواب پارتو در ابعاد متوسط و بزرگ از الگوریتم فراابتکاری ژنتیک و دسته‌ی میگوها بهره گرفته شده است. در نهایت نتایج مستخرج از حل مدل‌سازی ریاضی با استراتژی‌های منتخب، دستیابی به جواب‌های بهینه در زمان کمتر و سریع‌تر با به‌کارگیری الگوریتم‌های فراابتکاری نسبت به روش دقیق و کارایی مطلوب الگوریتم‌های مذکور را نشان داده است.
The correct and optimal planning of the educational system is essential to guarantee the current and future achievements of any country. In recent years, due to the coronavirus pandemic, many organizations and scientific institutions have decided to hold educational, research, and courses for learners in the form of electronic (online) courses. Then, by passing the time and the vaccination of an acceptable population of the communities, the aforementioned organizations and institutions have decided that the courses should be conducted as a combination of electronic and in-person courses. In this article, according to the mentioned problem, a mathematical model is built based on how to plan the educational system with the aim of minimizing the multi-objective costing related to this system. Educational institutions and the Internethave been noted. In the parts of the modeling that are related to in-person courses, elements (e.g., the costs of providing facilities, equipment, and the space for holding courses) have been taken into consideration with regard to the points related to the Covid-19 disease. Due to the complexity of the problem, it is considered one of the NP-hard ones. Therefore, to solve small-sized problems, GAMS software was used. To obtain the set of Pareto solutions in medium- and large-sized problems, two meta-heuristic algorithms, namely genetic algorithm and Krill herd optimization, are used. Finally, the results with selected strategies have shown the achievement of optimal solutions in less and faster time by using meta-heuristic algorithms than the exact method and the optimal efficiency of the aforementioned algorithms.
Cinquin, P. A., Guitton, P., & Sauzéon, H. (2019). Online e-learning and cognitive disabilities: A systematic review. Computers & Education, 130, 152-167.
Shaw, S. C., Hennessy, L. R., & Anderson, J. L. (2022). The learning experiences of dyslexic medical students during the COVID-19 pandemic: a phenomenological study. Advances in Health Sciences Education, 27(1), 107-124.
Ramakrisnan, P., Yahya, Y. B., Hasrol, M. N. H., & Aziz, A. A. (2012). Blended learning: A suitable framework for e-learning in higher education. Procedia-Social and Behavioral Sciences, 67, 513-526.
Owusu-Ansah, A., Neill, P., & Haralson, M. K. (2011). Distance education technology: Higher education barriers during the first decade of the twenty-first century. Online Journal of Distance Learning Administration, 14(2), 1-12.
Owusu-Ansah, A., Neill, P., & Haralson, M. K. (2011). Distance education technology: Higher education barriers during the first decade of the twenty-first century. Online Journal of Distance Learning Administration, 14(2), 1-12.
Jawaid, M., & Ashraf, J. (2012). Initial experience of eLearning research module in undergraduate medical curriculum of Dow University of Health Sciences: Development and students perceptions. Pakistan Journal of Medical Sciences, 28(3).
Syakur, A. (2019). Application of E-Learning As a Method In Educational Model to Increase The TOEFL Score In Higher Education. Journal of Development Research, 3(2), 111-116.
Valverde-Berrocoso, J., Garrido-Arroyo, M. D. C., Burgos-Videla, C., & Morales-Cevallos, M. B. (2020). Trends in educational research about e-learning: A systematic literature review (2009–2018). Sustainability, 12(12), 5153.
Li, F., Yu, D., Yang, H., Yu, J., Karl, H., & Cheng, X. (2020). Multi-armed-bandit-based spectrum scheduling algorithms in wireless networks: A survey. IEEE Wireless Communications, 27(1), 24-30.
Wang, X., Ning, Z., Guo, S., & Wang, L. (2020). Imitation learning enabled task scheduling for online vehicular edge computing. IEEE Transactions on Mobile Computing. Wang, X., Ning, Z., Guo, S., & Wang, L. (2020). Imitation learning enabled task scheduling for online vehicular edge computing. IEEE Transactions on Mobile Computing.
Hubbs, C. D., Li, C., Sahinidis, N. V., Grossmann, I. E., & Wassick, J. M. (2020). A deep reinforcement learning approach for chemical production scheduling. Computers & Chemical Engineering, 141, 106982.
Rajabalee, Y. B., & Santally, M. I. (2021). Learner satisfaction, engagement and performances in an online module: Implications for institutional e-learning policy. Education and Information Technologies, 26(3), 2623-2656.
Roumell Erichsen, E., & Salajan, F. D. (2014). A comparative analysis of e-learning policy formulation in the European Union and the United States: Discursive convergence and divergence. Comparative Education Review, 58(1), 135-165.
Al-Marzouqi, A. H., & Ahmed, W. K. (2016). Experimenting E-Learning for Postgraduate Courses. International Journal of Emerging Technologies in Learning, 11(4).
Huang, M. J., Huang, H. S., & Chen, M. Y. (2007). Constructing a personalized e-learning system based on genetic algorithm and case-based reasoning approach. Expert Systems with applications, 33(3), 551-564.
Tan, X. H., Shen, R. M., & Wang, Y. (2012). Personalized course generation and evolution based on genetic algorithms. Journal of Zhejiang University SCIENCE C, 13(12), 909-917.
Christudas, B. C. L., Kirubakaran, E., & Thangaiah, P. R. J. (2018). An evolutionary approach for personalization of content delivery in e-learning systems based on learner behavior forcing compatibility of learning materials. Telematics and Informatics, 35(3), 520-533.
Sun, G., & Shen, J. (2016). Towards organizing smart collaboration and enhancing teamwork performance: a GA-supported system oriented to mobile learning through cloud-based online course. International Journal of Machine Learning and Cybernetics, 7(3), 391-409.
Studenovský, J. (2009). Polynomial reduction of time–space scheduling to time scheduling. Discrete Applied Mathematics, 157(7), 1364-1378.