Соединение информационных технологий и инновационных педагогических методик позволяет во многих случаях повысить качество учебного процесса, усилить образовательные эффекты от применения инновационных педагогических программ и методик, поскольку дает преподавателям дополнительные возможности для построения индивидуальных образовательных траекторий путем реализации дифференцированного подхода к учащимся с разным уровнем готовности к обучению.
Для разработки алгоритма оптимизации траектории индивидуального обучения предлагается использовать метод генетических алгоритмов, принцип работы которого основан на классических эволюционных законах природы.
В основу модели входит разработанный класс Gen, каждый элемент которого является генотипом для составления траектории индивидуального студента.
Способ хранения траектории обучения представлен двусвязным списком (вектором) из элементов класса Gen. Данная структура наиболее удобна для хранения информации, т.к. может содержаться в одном текстовом файле. Чтобы изменить элемент этой структуры, достаточно воспользоваться механизмом указателей следующего и предыдущего элемента списка. Количество элементов (вопросов) может быть ограниченно системными ресурсами ЭВМ на размер файла.
В ходе своей работы алгоритм реализует «выживание сильнейших» среди рассматриваемых возможных решений задачи. В отличие от чисто случайного поиска алгоритмы генетического поиска для выбора направления используют оценки близости имеющихся решений к оптимальным. Создание начальной популяции подразумевает чаще всего случайный набор некоторого множества 
из N векторов, называемых обычно в теории генетических алгоритмов особями и показывающих различные варианты траекторий изучения курса.
Процесс поиска решения представляет собой последовательную смену популяций 
. При этом осуществляется поиск глобального экстремума функционала 
, называемого целевой функцией, что соответствует нахождению траектории, оптимальной по ожидаемому эффекту и затратам на изучение курса.
Переход от популяции к 
производится путем последовательного применения выбранных механизмов репродукции R, скрещивания S и мутации М, то есть
(1)
Среди операторов репродукции предложим использование турнирной схемы с параметром t. В данном случае из множества после случайного выбора t векторов производится сравнение их значений целевой функции.
После этого вектор с наилучшим показателем качества помещается в новое множество 
.
С помощью оператора скрещивания происходит наследование генетической информации, и производится поиск более приспособленных решений.
При применении данного оператора из множества 
опять создается новая популяция 
, в которой каждый индивидуум будет нести в себе частично информацию некоторых двух решений из предыдущей популяции, то есть будет являться «ребенком» некоторых двух «родителей». В то же время часть особей может переходить в новую популяцию без изменений.
В общем виде механизм скрещивания можно представить следующим образом. Задается вероятность pc, которая показывает долю особей популяции , участвующих в скрещивании, определяется правило набора пар «родителей» 
и в соответствии с выбранным механизмом скрещивания 
получают потомков 
, то есть,
(2)
при этом 
и 
, либо 
и 
для всех 
.
Для оптимизации индивидуальной траектории обучения при помощи алгоритма генетического поиска, необходимо проверить функционал отношения суммарного ожидаемого эффекта и суммарных временных затрат для траектории, составленной случайным образом из вопросов, которые прошли по критериям баллов из первоначального теста. При нахождении новой траектории, функционал которой превосходит первоначальный, происходит замещение. После итерационных замещений траекторий с показаниями наибольшего функционала происходит остановка поиска экстремума целевой функции, и траектория сохраняется в папке текущего пользователя для дальнейшего его обучения. Правильное составление этого функционала позволит разгрузить программу учащегося путем исключения материала, ранее им изученного.
С целью анализа работы системы при различных конфигурационных показателях путем моделирования была проведена серия экспериментов. Генетический алгоритм работал эффективно при любой длине создаваемой траектории обучения.
Работа представлена на научную конференцию с международным участием, 6-13 августа 2006г. Кемер (Турция) «Проблемы качества образования». Поступила в редакцию 02.08.2006 г.