基于果蝇算法优化支持向量机的语文教学策略

潘淑芳

(安康职业技术学院,工程学院， 陕西,安康 725000)

0 引言

语文是中小学教学的重点，提升语文教学课堂教学质量不仅仅可以提高学校水平，同时对中小学生个人未来的健康成长也具有至关重要的作用。语文课堂教学质量受到多种因素的影响，实施科学化的语文教学策略必须对语文课堂教学效果进行科学评价和预测[1]。支持向量机(Support Vector Machines，SVM)是一种广义线性分类器，可以被有效地用于语文课堂教学质量评价中。SVM参数对SVM分类性能具有比较大的影响，许多学者对SVM参数优化进行研究，被广泛应用于各行各业。黄晓璐等[2]将改进果蝇优化算法优化支持向量机应用于齿轮故障诊断中，有效地提升了齿轮故障诊断的准确率。肖晓晖[3]将改进果蝇优化算法优化支持向量机应用于模拟电路故障诊断中，对某型设备A01电路板信号选择电路进行故障诊断，有效提高了电路故障诊断的效果。杨春霞等[4]将改进果蝇算法优化支持向量机应用于个人信用风险评估中，同时将该算法和遗传算法、网络法优化支持向量机参数进行对比，指出改进果蝇优化算法优化支持向量机模型对个人信用风险评估的准确率最高。本文在前人研究的基础上，对果蝇优化算法(Fruit Fly Optimization Algorithm，FOA)进行改进，应用于SVM参数优化中，获得语文教学课堂教学质量评价模型，并通过具体实例验证模型的有效性。

1 语文教学质量评价模型

1.1 语文教学质量评价指标

语文教学课堂质量直接关系到语文教学的效果，本文从教学目标、教学内容和教学过程等3个角度来建立评价教学质量的指标[5]，具体如图1所示。

从教学目标的角度来讲，提升语文课堂教学质量必须确保教学目标和课程的标准符合，从课程定位出发来开展教学。制定的教学目标必须与学生的实际相符合，否则教学目标就是一纸空文，不能起到任何的作用。另外，教学目标要具有可操作性，按照教学目标，教师可以更加高质量地开展语文教学活动。

从教学内容的角度来讲，所有的教学内容必须紧紧围绕教学目标，以教学目标为依据来组织语文教学内容。语文教学内容要与学生的认知相匹配，符合学生对事物的认知规律，这样才能更好地便于学生接受，提升语文课堂教学质量。语文教师在组织教学的过程中必须重点关注学生的接受程度，只有学生接受教师的教学内容，才能达到教学的目的。兴趣是最好的老师，语文教学的内容必须能够有效地激发学生的学习兴趣，促进学生积极主动去学习。

图1 语文教学质量评价指标体系

从教学过程的角度来讲，课堂教学是一个将各种知识点科学分配的过程，必须注重教学环节各部分的时间安排，从而使得课堂教学有序、高效开展。高效的课堂教学必须以学生为主体，教师辅助引导，同时具有比较高的师生互动程度，这样才能够使得学生积极参与到教师的教学中来，课堂气氛变得更加浓厚，语文教学课堂质量得到大大提升。

1.2 支持向量机

SVM是按照监督学习的方式对数据进行二元分类的广义线性分类器，核心思想是通过非线性变换将原始数据空间转换到高维特征空间，同时在高维特征空间求取最大分类间隔超平面，该超平面能够实现对样本的两类分且误差最小。设数据集合为D，

D={(x1,y1),(x2,y2),…,(xm,ym)}

(1)

其中，yi∈{-1,1}。

SVM能够对样本数据集进行正确分割，分割样本的超平面有许多个，其中最优分类超平面就是使得分类间隔最大的那个平面，具体如图2所示[6]。

图2 最优分类超平面

不妨设最优分割超平面方程为

wTx+b=0

(2)

其中，w为法向量，反映分割超平面的方向，b为偏移的位移量。

对样本的正确分割满足

(3)

通过转化，求解最优分界超平面问题可以转化为

(4)

其中，C为惩罚参数，εi为松弛变量。通过引入拉格朗日乘子αi将式(4)转化为对偶问题，即

(5)

求解该优化问题，得到决策函数

(6)

其中，K(xi,x)为核函数，核函数的一般表达式为

(7)

实践证明，SVM需要确定的参数C和g对SVM分类性能具有比较大的影响，样本分类准确率和参数组合(C,g)之间是一种多峰值的极不规则函数映射关系，需要通过智能优化算法对参数组合(C,g)进行优化，从而提升SVM的分类准确率。

1.3 果蝇算法优化支持向量机

FOA是通过模拟果蝇觅食行为而提出的群体迭代搜索智能优化算法，具有较强的局部搜索能力。FOA步骤[7]如下。

(1) 设定果蝇群体规模Sizepop和最大迭代次数Maxgen，随机初始化果蝇种群的初始位置(Xaxis,Yaxis)。

(2) 赋予个体觅食的随机方向和距离，R为搜索距离，即

(8)

(3) 估计果蝇个体和原点之间的距离Di，计算味道浓度判定值Si，即

(9)

(4) 将味道浓度判定值Si代入适应度函数f，计算果蝇个体所在位置的食物味道浓度Smelli，即

Smelli=f(Si)

(10)

(5) 找出果蝇群体中食物味道浓度最大的果蝇个体信息，即

[bestSmell,bestindex]=max(Smelli)

(11)

(6) 记录保留最大食物味道浓度值和对应的位置坐标值，果蝇群体中的其他果蝇个体向该位置聚集，即

(12)

(7) 重复执行步骤(2)～(5)，判断食物味道浓度值是否优于上一次迭代的食物味道浓度值。如果优于上一次迭代的食物味道浓度值，那么执行步骤(6)，直到迭代次数超过预先设定的最大迭代次数Maxgen为止。

通过对FOA的分析可知，果蝇其他个体向最大食物味道浓度值个体聚体时没有考虑自身曾经的最优觅食轨迹，使得寻优轨迹迂回曲折，种群的多样性降低，导致全局最优解错过，优化算法陷入局部最优状态。基于此，对FOA进行改进，即果蝇个体位置更新考虑历史位置的信息，同时通过系数ω调整向自己寻优历史轨迹学习的权值。系数ω计算式[8]为

(13)

其中，ωs和ωe为开始系数和结束系数，通过多次试验得到。

在引入调整系数ω之后，果蝇个体位置更新公式为

(14)

改进后的FOA不仅确保了果蝇群体的其他个体向最大食物味道浓度值所在位置聚集，同时也充分地考虑了其对自身“历史路径”的学习程度。在初始迭代时，对“历史路径”的学习程度比较低，而伴随着迭代次数的增加，其对“历史路径”的学习程度在不断地增强，符合经验逐渐积累沉淀的规律[9]。

1.4 语文教学质量评价建模

将语文教学质量评价样本分为训练样本和测试样本，使用训练样本对SVM进行训练，同时采用改进的FOA对SVM的参数组合(C,g)进行优化，得到优化后的SVM模型[10]。将测试样本输入优化后的SVM模型中进行语文课堂教学质量的预测。具体流程如图3所示。

图3 语文课堂教学质量评价流程

2 实例分析

2.1 数据来源

以湖北省为例，邀请高中语文教学专家对该省362名语文教师的课程标准符合度、学生实际符合度、可操作性、围绕教学目标程度、难度与认知匹配度、学生接受程度、学生兴趣激发程度、教学环节时间安排、师生主体地位占比、师生互动程度10项二级指标和教学效果指标进行打分，获得用于分析的样本数据集。将样本数据集分为训练集和测试集，其中，训练集样本数据量为180，测试集样本数据量为182。

2.2 结果分析

分别采用SVM、果蝇优化SVM、改进果蝇优化SVM对语文教学效果进行预测。算法的相关参数设置如表1所示。

表1 算法参数设置

为对比3种模型对语文教学效果评价的预测性能，图4给出了果蝇优化SVM和改进果蝇优化SVM 2种模型的分类准确率迭代寻优曲线，表2给出了3种模型测试的结果。

图4 分类准确率迭代寻优曲线

表2 3种模型测试结果对比

由图4可知，改进果蝇优化SVM的收敛曲线逐渐上升，准确率不断提高，所输出的SVM参数在不断地优化。果蝇优化SVM的收敛曲线在经过多次迭代之后准确率才会提升一次，同时比较容易陷入最优，同时在最后一次陷入局部最优之后没有跳出，导致寻找到的SVM参数不是最优的参数。

由表2可知，改进果蝇优化SVM对测试数据集的测试精度高于果蝇优化SVM，远远高于SVM。尽管从时间上SVM模型的运行时间最短，但是其测试精度太差，不能够满足实际需要，而果蝇优化SVM和改进果蝇优化SVM在运行时间上的差别非常小，可以忽略不计。

3 总结

语文课堂教学质量评价预测是提升课堂教学质量的关键。本文构建了包含11个二级指标的教学质量评价指标体系，通过采用改进的FOA对SVM参数进行优化，获得了用于语文课堂教学质量预测的SVM模型，并将SVM模型、果蝇优化SVM模型和改进果蝇优化SVM模型应用于湖北省高中语文教学质量评价预测中。预测结果表明，改进果蝇优化SVM模型对语文课堂教学质量预测的准确率大大提升，算法的运行时间相差很小，这对提升语文课堂教学质量具有一定的参考价值。