战略规划和多维背包问题

我正在尝试找到一种规划方法来解决试图对新材料进行学习建模的问题。我们假设我们只有一个资源，例如Wikipedia，其中包含一系列文章，这些文章表示为它所包含的知识的载体，并且努力阅读该文章。

知识载体和努力

在开始之前，我们根据不同类型知识的数量来设置向量的大小。例如，我们可以将向量中的项目定义为(algebra, geometry, dark ages)，然后从这种角度“测量”所有文章。因此，一篇数学文章可能会是(5,7,0)，因为它将谈论很多关于代数和几何的知识，而不是关于黑暗时代的话题。它还将努力读取它，它只是一个整数。

问题

给定所有文章（努力表示为知识向量），我们希望找到有助于我们达到知识目标（也表示为向量）的最佳文章集。

因此，知识目标可以是(4,4,0)，并且足以阅读文章(2,1,0)和(2,3,0)，因为添加后，知识目标就等于知识目标。我们希望以最小的努力做到这一点。

题

我尝试了一些启发式方法来找到一个近似值，但是我想知道是否可以使用任何最先进的战略规划方法来代替？

这是将问题投机到旅行商问题的推测性投稿，这将导致最短路径算法。

请注意，这个想法建议探索不同的约束。

• 给定知识载体和努力，建立一个非循环有向图（非循环，因为我们不应该学习）。顶点是用知识向量表示的文章。一条边将两篇文章链接在一起，并以“移动”到目标文章/顶点（即获得该文章的知识）的努力来加权。
• 将零向量分配给新参与者。那就是图形的起点是顶点V0 =（0，...，0）。
• 将学习目标定义为向量V。
• 使用最短路径算法查找（V0，V）计划。

本程序是不够的，因为有许多方法来建立曲线图（换句话说，上面的是完全没有意义的是）。要使其实用，必须有额外的限制。例如，我们可以通过沿每个维度对顶点进行排序来对它们进行排序。这样的设置会使学习者从“简单”的文章开始（V [i]偏低），然后逐步走向更复杂的主题（（V [i]变得更高）。

图形的构造取决于可用数据。例如，知识向量是“绝对的”，还是可以是相对的？相对可以帮助您创建一条路径，因为从V到W的移动需要依赖于学习者的初始条件的努力（毕竟V0到处都不是0）。

这是一个AI问题吗？绝对是