随着信息技术与教育应用不断深度融合,在线学习在教育领域已得到广泛应用。然而,现有的在线学习系统仍然存在诸多问题,主要表现为三个方面:第一是学习者在面对在线学习系统中大量的学习资源的时候,易出现"学习迷航"和"认知超载"等现象;第二是大多数在线学习系统不能准确并全面的分析学习者的个性化特征,造成现有在线学习系统推送的个性化学习路径与学习者需求的匹配度较低,推荐精确度不高;第三是当前在线学习系统提供的个性化学习路径推荐功能所使用的算法收敛速度慢,收敛精度不高,导致推荐给学习者的个性化学习路径不能满足学习者的需求。为解决上述问题,本文提出了基于惯性权重非线性增大和对未知空间探索的改进二进制粒子群算法的个性化学习路径推荐方法MABPSO-PLP。首先,梳理了国内外关于个性化学习路径推荐和智能优化算法相关文献;其次,分析了在线学习环境下学习者当前的认知能力、期望目标、有效学习时间,并结合学习资源难度、学习资源包含的知识点和时间特征,为学习者和学习资源构建特征模型(LEET);再次,针对BSPO算法在寻优后期存在不易逃离局部最优的问题,设计了改进二进制粒子群优化算法MABPSO,通过对算法的改进,提升了算法的收敛速度和收敛精度且易于跳出局部最优,进而解决了个性化学习路径推荐精度不高的问题,提高了推荐效率。最后,利用所提推荐算法MABPSO对LEET模型进行优化,提出个性化学习路径推荐方法MABPSO-PLP。为了验证模型和算法的推荐效果,本文设计了仿真实验和以C语言课程为例的学习平台分别验证了所提方法的运行性能和实际应用效果。上述实验表明,所提方法能够提高个性化学习路径与学习者需求的匹配度,提升了MABSPO应用于个性化学习路径推荐的精准度。