“新工科”下“智能优化算法”课程的教学方式探索与实践.pdf

2023年12 月计算机应用文摘第39 卷第2 3期“新工科”下“智能优化算法”课程的教学方式探索与实践王洁，屠良平，熊焱（辽宁科技大学理学院，辽宁鞍山1140 51）摘要：文章围绕教学内容、教学方法与方式、教学实验等，根据课程特点对“智能优化算法”课程进行了改革，其中将启发式教学、案例教学和翻转课堂等方法综合应用于课程教学实践，利用线上教学平台、多媒体教学等手段激发了学生的学习兴趣，并提高了其学习能力，取得了较好的教学效果。关键词：智能优化算法；课程教学设计；混合教学中图法分类号：G642Exploration and practice of teaching method of“intelligentoptimization algorithm under“Emerging Engineering Education(School of science,University of science and technology Liaoning,Anshan,114051,China)Abstract:This article focuses on teaching content,teaching methods and methods,teachingexperiments,etc.,and reforms the“intelligent optimization algorithm course according to thecharacteristics of the course.Among them,heuristic teaching,case teaching,and reverse classroommethods are comprehensively applied to the teaching practice of the course.Online teachingplatforms,multimedia teaching,and other means are used to stimulate students interest in learning,improve their learning ability,and achieve good teaching results.Key words:intelligent optimization algorithm,course teaching design,mixed teaching1引言许多高校开设了人工智能相关课程,虽然课程名称有所不同,但内容基本相同 1 3。“智能优化算法”课程是其中的代表课程之一。该课程主要为求解优化和数字图像等问题提供算法基础，其教学主要包括理论和实践两部分，理论教学主要讲授模拟退火、遗传算法、粒子群算法、神经网络等算法的基本原理和步骤，实践教学主要引导学生通过算法框架实现代码,并在具体的优化、图像处理等问题上进行仿真计算,该课程的理论和实践教学是相辅相成的。2课程现状作为一门理论与实践紧密结合的交叉型算法课程“智能优化算法”课程与传统的“运筹学”“最优化方法”等课程具有互补性，一些传统方法无法解决问题可通过智能优化算法进行解决。国内外许多机构和学者均提供了最新的研究成果和程序代码,为该课文献标识码：AWANG Jie,TU Liangping,XIONG Yan程的教学提供了便利。辽宁科技大学（以下简称“我校”）的“智能优化算法”课程是数据计算及应用专业的一门专业选修课,开设于第7 学期。在此之前，学生已完成“数学分析”“概率论与数理统计”“最优化方法”等理论课程和C+,Matlab,Python等编程语言的学习。该课程具有学时短、内容多、任务重等特点,因此教师须在4 6学时内完成单个核心算法的理论和实践教学,其中须合理地设计教学内容，使学生更好地掌握知识。3教学改革设计在“互联网+教育”背景下，“智能优化算法”课程的主要教学目标是帮助学生将理论知识有效转化为实践能力,从而达到学以致用的目的 4。通过本课程,学生可了解智能优化算法的理论知识,掌握应用智能优化算法求解复杂优化问题的整体思路、求解步骤和算法分析,能够编写结构清晰、正确易懂的智能优化算法程序，从而为后续的毕业设计及工作奠定基金项目：2 0 2 1年度辽宁省普通高等教育本科教学改革研究项目2-5：数据计算及应用专业人才培养体系的研究与实践2023 年第2 3 期基础。我校“智能优化算法”课程的教学内容主要包含表1“智能优化算法”课程的教学内容、主要知识点、教学方式及教学实验教学内容主要知识点绪论智能优化算法的产生、发展、应用遗传算法的基本原理（模式定理、隐含并行性、收敛性分析）及遗传算法算法主要功能模块的实现免疫算法算法基本原理、功能模块设计介绍粒子群、鱼群、蚁群等群智能算法的产生原理、基本思想，群智能算法算法框架及各个功能模块的实现模拟退火算法模拟退火算法的基本原理，模拟退火算法框架及实现神经网络算法神经网络算法基本原理、算法框架及实现禁忌搜索算法禁忌搜索算法基本原理、算法框架及实现4教学过程与实施方法与“数学分析”“高等代数”等培养学生的理论推导和思维密性的课程不同，“智能优化算法”课程主要培养学生的动手能力，引导其利用智能优化算法完成仿真求解优化及图像处理等。针对课程特点，本文将结合教学实践对教学过程和实施方法进行探讨。4.1课前准备在课程开始之前，教师须设计并发放调查问卷，从而了解学生的学习兴趣、计算机编程语言（C+，Matlab,Python等）掌握情况及对混合式教学模式的接受程度等，通过学情摸底为混合教学奠定良好基础。同时,教师须根据教学大纲撰写教案并制作课件，在学校搭建的线上教学平台中上传课件、参考书、前沿文献、程序相关代码、微课等教学资料，以供学生自主学习使用。4.2设课程教学智能优化算法发展起步较晚，但其凭借简单的算法结构和突出的问题求解能力吸引了众多研究者的目光,并取得了令人瞩目的成果 5。随着研究的深入和问题的发展,产生了一些由经典算法混合而成的算法或新的仿生智能算法。然而,在课堂上详细地介绍所有的算法是不现实的，因此教师须在教学内容有所侧重,以经典算法为主,突出重点并注重实效。例如，在粒子群算法部分，教师须详细讲授算法的基本原理、特点、流程及代码实现的重点和难点，对其他群智能算法仅需重点讲授与粒子群算法的不同之处。在掌握遗传算法、粒子群算法、模拟退火、神经网络等算法后,学生可顺势学习其他智能算法，进而求解大多数的优化问题。4.3教学手段本文将启发式教学和案例教学相结合，以案例教计算机应用文摘算法的产生原理、基本思想、算法框架、主要模块功能实现、算法改进及前沿应用等,如表1所列。教学方式线下讲授线上自学、线下课堂讲授相混合翻转课堂线上自学、线下课堂讲授混合线上自学、线下课堂讲授混合线上自学、线下课堂讲授混合线上自学、线下课堂讲授混合学为主，以启发式为辅。启发式教学指教师提出问题，学生根据已有的知识、经验给出答案。启发式教学可以拓展学生的知识层次并提升其学习兴趣。例如,针对经典的优化测试函数Griewank：n1G(x1,x2,xn)=1+4 000台1教师可向学生提问：该函数的最小值是多少？在x为何值时取得？求解方法是什么？若用遗传算法求解，应如何设计编码、选择、交叉、变异算子？学生可能会回答:该函数的最小值为0,在所有x取0 时得到,求解过程较为简单,为何需使用遗传算法求解？此时,教师须向学生进行解释:测试函数是一类已知最优解的函数,旨在测试设计算法的有效性；作为偏导存在的函数,Griewank函数是测试函数之一,因此可用传统优化方法求解，但在解决实际应用问题如TSP时，包含遗传算法在内的智能优化算法则优于传统方法。以上启发过程不仅能解答学生的疑问,还能拓宽其视野。相较于启发式教学方法，实例教学法更为直观。在讲授遗传算法的理论部分时，教师须利用多媒体播放DNA相关的视频片段,如判断两人是否具有亲缘关系,从而引出DNA编码,进而使学生粗略了解遗传算法。然后，教师可通过仿生模拟引出遗传算法的框架和流程。最后,教师可利用现实案例具体讲授算法操作。例如,旅游可被视为一类TSP 问题,该问题是一类离散型的优化问题,可利用遗传算法进行求解。其中,教师须以数字编码为例,向学生介绍编码代表的路径,随后介绍选择、交叉、变异等操作，讲解变异概率、不合理路径的处理方式、最优路径的保存等。通过实例教学，教师可使学生深刻认识遗传算法的基本思想和流程。免疫算法与遗传算法类似，教师可将该部分内容设计为翻转课堂。学生可在课下通过文献、在线视频39教学实验实现主要功能模块代码实现群智能算法代码实现模拟退火算法代码实现神经网络算法代码-IIcosni=1(1)40等方式学习算法的基本思想和主要功能模块的作用，并进行代码实现；教师可在课上解答学生关于理论和实验的问题,从而加深学生对算法的认识,进而提高其学习兴趣和自主学习能力。4.4实验教学本课程的实验教学内容如表1所列,教师可根据课前问卷的调研结果将学生进行分组，确保每个小组可以完成实验任务。学生须以小组为单位进行实验操作，从而优化课程学时少的问题，进而减轻实验负担。其中，教师已在学习平台中上传实验内容、基本要求和算法的非核心功能模块，学生须在实验中完成各算法核心模块的代码实现及模块之间的调用,能力较强的小组或学生可对基本算法进行合理的改进。为了更好地体现算法的应用性，学生须事先选定应用问题，随后针对问题分别利用不同智能算法进行求解,从而获得相应的结论。学生可通过仿真实验学习进一步掌握算法框架和流程；可通过不同算法求解结果的分析体会各算法的优缺点及适用条件等。5教学效果的评价方法为了科学有效地评价学生的学习效果,本课程的考查方法主要包括三个方面：（1）平时成绩(2 0%）：主要考核学生对知识点的理解和掌握程度,包含是否理解算法的基本原理和框架、算法中不同参数的含义等；（2）实践成绩（40%）：主要考核学生对智能优化算法知识的综合应用能力，包含是否能分析具体、复(上接第37 页)机科学领域。以交叉学科的视角可以明确线性代数对机器学习算法设计的理论指导价值。从数据表征、特征观测、模型建构到算法设计及优化，整个机器学习算法流程都蕴含着线性代数的核心概念。参考文献：1 刘浩.在AI专业数学课堂中融人计算思维的研究以线性代数为例 J.数学学习与研究,2 0 2 1(2 4)：2-3.2 吴迪.人工智能专业数学基础课教学的研究 J.数学学习与研究,2 0 2 1(30):10-11.3林伟.人工智能中的数学基础之一（线性代数篇）J.高等数学研究,2 0 19,2 2(6):6 1-6 2.【4】刘海江，张海侠.基于主成分分析法的城市大气环境质量计算机应用文摘杂的工程问题,是否能利用相应的智能算法进行仿真编程实现并对结果进行合理分析；（3）撰写课程论文（40%）：主要考核学生对智能优化算法知识的探索程度，包含是否能全面地分析算法的原理、设计技巧、改进方式和适用范围。6结束语“智能优化算法”课程内容丰富，教学方法灵活，学生的学习兴趣较高。作为数据计算专业建设和发展中的一部分,本课程的教学改革涉及多门课程的融合和支撑，本文提出的教学方法和方式可以有效提高学生对理论知识的理解程度,培养其实践动手能力和科研创新兴趣，为其后续的学习和工作奠定良好的基础。参考文献：1王勇，蔡自兴“智能优化算法及其应用”课程教学的实践与探索 J.计算机教育,2 0 0 9(11）：12 7-12 8+115.2】李春贵，王萌，何春华.基于案例教学的“人工智能”教学的实践与探索 J.计算机教育,2 0 0 8（9）：53-54.3于宏宇.算法设计课程中的智能优化算法教学 J.计算机教育,2 0 13(4):6 5-6 7.【4李宏“智能优化算法”硕士课程教学设计与实践 J.教育现代化,2 0 2 0,7(50)：135-138.5杜勇,齐肖阳,王秀娟.数学建模中智能优化算法教学方法探究 J.高师理科学刊,2 0 19,39（6)：7 3-7 6.作者简介：王洁(19 7 9 一）,硕士,讲师,研究方向：智能优化算法。评价 J.中国资源综合利用，2 0 19,37（12：141-143.5鲁晓磊，吕学斌.大数据背景下人工智能发展对大学数学教学的启示 J.大学数学,2 0 2 0,36（4）：6 0-6 7.6徐阳.大数据视角下线性代数课程教学改革探究 J.教育教学论坛,2 0 2 0,48 3(37)：17 4-17 5.7武立军.数学思维在人工智能计算的基础作用 J.信息记录材料,2 0 2 1,2 2(1):54-55.8冯跃飞，柳萍.论马克思主义的“简单性”原则 J.三峡大学学报（人文社会科学版），2 0 0 5（S1）：3-4.9胥凌.面向TensorFlow和PyTorch的线性代数基准测试J.航空计算技术,2 0 2 2,52(3):5-9.作者简介：邱煜炎（19 8 2 一）硕士，讲师,研究方向：机器学习。2023年第2 3期