围绕解决问题能力培养的“群体智能”课程体系分析

熊 南

宁波工程学院网络空间安全学院 浙江宁波 315211

自然界中，低等社会性生物群体层面上展现出智慧的现象广泛存在，人们受到这些想象的启发，提出了群体智能[1](Swarm Intelligence，SI)概念。SI实质上是人工智能(Artificial Intelligence，AI)范畴中一类重要的求解复杂问题方法，在机器学习、大数据、物联网、隐私安全和博弈论等多领域都取得了广泛应用[2]，也是最具发展前景的AI前沿研究领域之一。

目前，国内重点大学，尤其是应用型大学中，可供参考的“群体智能”相关精品课程还非常少[3-4]，但国内外学术界对SI理论及应用的研究却大量涌现。就目前宁波工程学院网络空间安全学院计算机科学与技术专业课程方案而言，新开设的“群体智能”与已经较为成熟的“人工智能导论”相比，它们既存在联系但又应有本质区别，后者是一门AI多个子领域研究结果及方法的通识课程，属于知识点罗列式、平面型的课程建设体系，不利于目标问题导向式教学[5]，不利于学生提高应用实践能力。而“群体智能”课程目标设置为学生掌握群体智能的基本概念、基本原理和典型算法[6-7]，并着重使学生具备应用群体智能算法解决复杂工程中专门问题的能力。

为满足应用人才的市场需求，本文以“群体智能”课程为研究对象，以解决问题能力培养为中心，以课程学习目标为教学动机，进行课程教学内容体系的分析研究。

1 “群体智能”课程目标分析

宁波工程学院作为一所以应用型为发展目标的大学，注重培养学生具有较强的实际问题解决能力。因此，“群体智能”课程目标应当是以问题为导向，纵深式地展开知识学习和能力养成，以培养具有较强应用研究、能解决实际问题的复合型素质人才。

应用型本科背景下，本文提出“群体智能”课程建设目标：建立一套以优化建模问题为导向，以基本搜索理论和SI算法求解为核心，以工程优化设计实例解决方案为依归的课程体系，以期满足应用型本科大学对计算机专业学生运用所学知识解决实际问题能力的较高要求。因此，贯穿本课程的主线为问题→基本思路→具体方法→应用实践，即分别对应于四大知识板块：优化问题、搜索技术、典型SI算法和工程应用。每个知识板块之间存在耦合关系，即分别是从发现问题到解决问题的思辨关系、从一般到特殊的推理关系和从理论到实践的发展关系。三种结构化关系将四大知识板块如金字塔一般立体化，从而形成以优化问题为底层，以搜索理论和SI算法求解为中层，以实际工程问题解决为顶层的纵深式知识脉络，如下图所示。

三种结构化关系犹如血液，四大知识板块犹如人体脏器，血液流动畅旺，人体脏器才能精盈饱满。因此，清楚解析三种不同结构关系是本课程知识体系编排及教学实施的难点，决定了课程知识点是否能做到有机地融为一体，决定了学生能否融会贯通不同知识板块和领悟课程主线。

2 “群体智能”课程体系分析

“群体智能”首先教授运筹学与最优化等数学背景知识。然后，以生物界群体涌现宏观现象(例如雁群南飞、蚂蚁群采集食物、狼群捕猎等)等生动例子为切入口，通过建模、演绎，学生可以掌握SI搜索方法找寻优化问题最优解的本质，并理解其与传统搜索方法的异同。同时，注重结合群智能方法的迁移性，运用类推等手段，使学生能触类旁通其他新近出现的SI算法。最后，结合实际工程中连续型和离散型优化问题模型实例，通过建模、分析和SI算法程序调试实现特定目标问题的寻优求解，以提高学生解决实际问题能力。基于上述分析，将“群体智能”教学内容分为以下三个部分。

2.1 基于最优化建模的问题导入

为服务课程目标，力求突出问题导向型的课程模式，以最优化问题为知识背景，引出我们课程所要解决的问题是什么及其模型是怎样的(建立学生的定性认识)，使课堂教学机制适应纵深式课程建设的需要，符合“解题式”课程教学改革规律。具体来说，该部分将强调实际工程中优化问题的复杂性(多维、非线性、多约束等)，有选择性地整理和重组优化建模方面预备理论知识，主要包括优化模型三要素概念及性质：优化目标、控制变量和约束条件，并结合当下社会热点事件中的优化建模实例，例如义务教育阶段就近入学问题等。这部分理论知识难度不大，关键在于如何使学生能善于运用数学语言对给定问题进行模型描述与提炼。

2.2 基于生物群体随机搜索的主体内容

该部分内容包括优化问题解决方法有哪些以及具体是怎样的，即要解决如何找到优化模型的最优解这一问题。课程将以搜索为关键词，科学地编排主体知识。在此过程中特别强调以下三点：其一，阐述搜索与随机搜索及其之间的包含关系，盲目和启发两类搜索方法的对立关系。其二，以生物群体觅食等自然纪录片(国内外影视资源搜集)为兴趣激发点，引导学生运用数学知识对自然界搜索现象进行抽象和刻画，从而发掘其背后的规律。重点强调生物群集现象建模过程中使用的启发因子，以呼应搜索原理中启发信息概念。其三，在经典SI算法基础之上，面对层出不穷新SI算法发展形势，采用以点带面的学习策略，积极引入相关衍生算法和其他SI算法(例如鲸鱼优化算法、灰狼算法等)，从而拓宽知识点的张力面。剖析这些新算法与经典SI算法的异同之处、能否统一化等问题，养成学生的分析概括能力。可以看到，“群体智能”课程体系的核心内容具有非常强的逻辑性。

2.3 针对工程优化设计问题的实战性教学

为了使2.2中理论走向实践，该部分围绕解决特定工程优化问题为中心任务，进行实战性教学。首先，以标准测试函数为例，进行基于C语言的详细算法设计讲解。然后，考虑更一般的优化模型，例如增加线性或非线性约束条件、目标函数变为多个等，或考虑SI算法的改进，例如粒子群变异机制、蚂蚁信息素更新机制等，同时将学生分组，每一组完成一个设计任务，采取汇报形式考查学生运用C语言解决课程发散问题的能力，在答辩环节中特别注重错误和求解效果变差的原因分析，培养学生的思辨能力。最后，给定复杂工程优化设计需求，要求学生独立提交完整课程设计报告，并对报告进行质量评价。实战教学过程既注重激发学生的团队合作，又强调独立思考，有利于促进学生深刻领悟“群体最优”与“个体最优”之间区别和联系。此部分难度在于高效组织课上课下的小组活动，让每一个学生在思维跟上来的同时，手也要动起来。

3 “群体智能”课程教学实施过程分析

在确立了课程知识体系后，接下来关键一步是课程教学实施。传统的教学设计过程中，课堂教学力量往往集中在记忆知识点、公式计算等方面，学生常常感觉枯燥乏味，更遑论提高学生课堂参与度。在这种情形下，培养学生解决实际问题能力的教学目标成为一句空话。为此，本文以“粒子群优化”这一章的教学内容为例，从教学方法和学习评价两个方面来探究问题解决能力养成实现。“粒子群优化”一章授课内容涵盖标准粒子群算法、改进粒子群算法和算法评估，其中改进部分有四个方向，分别为对参数(惯性权重、加速度常数)的改进、对位置和速度更新公式的改进、群体组织结构的改进以及与其他算法的结合；算法验证部分包括实验验证和理论证明。

对于计算机专业大多数课程来说，基于传统教学理念的教学设计方案通常是以老师主动讲和学生被动听为主，“群体智能”课程教学也遵循这个最基本原则。然而，想要切实提高学生解决实际问题的能力，仅依靠传统教学设计和考评方法是远远不够的。创新性教学设计有利于提高学生对课程知识内容的系统性掌握，有利于增强学生运用群体智能算法工具解决实际优化问题的意识和能力；创新性考核方案有利于发挥学生在课堂的主人翁精神，有利于全过程化地调动学生学习的积极性。因此，在“群体智能”课程的教学实施过程中，最为核心的是对教学设计和考核方案进行创新。

3.1 教学设计方法分析

(1)基于网络资源的课堂教学补充。群体智能是受自然界生物群体行为启发而被设计出来的算法，但教学者对大自然的体验程度不同，且语言或图片难以产生具有视觉冲击力的感性认识。现今，互联网视频平台和网络教育快速发展，因而完全可以借助于优质的网络视频对课堂内容进行补充，例如纪录片《迁徙的鸟》中，鸟儿的觅食和躲避天敌等画面是粒子群算法中粒子惯性和粒子越界的生动刻画。在借助网络视频资源的同时，老师要特别注意学生从感性认识到理性认识的跨越，既能从纪录片中抽象出一般的规律(粒子速度和位置更新的数学公式)，又能从纪录片中体会数学公式之美(即鸟群行为与形象的物理意义)。

(2)激发学生创新力的项目化作业设计。围绕解决实际问题的教学目标强调以学生具备多大能力来逆向反馈教学过程，因此需要激发学生的主动性、创新和兴趣。在此借鉴项目化作业设计思路，不去设定标准答案，并将作业的设计权交给学生，最大化学生完成作业的自由空间，从而激发学生的创造力。

例如，在“粒子群优化”中作业设计中，老师布置查找科研文献、总结粒子群算法改进的方向，思考改进方向所对应的现实物理场景意义，进行计算机模拟与仿真等一体化的作业。在任何一个环节，学生多角度综合运用工具完成开放型作业，老师只提出指导意见，并鼓励学生做出系统且有条理的作业文档。在进行计算机模拟与仿真时，以5人一组，通过课后小组讨论的方式要求学生对组内结果进行比较，分析改进的优势和劣势分别是什么，从而锻炼学生的问题判断能力。

(3)传统课堂与翻转课堂相结合。传统课堂教学方式的优点是可以快速、直接传授学生本课程知识点，但其比较难于解决知识的综合应用和融会贯通等方面的问题。因此，传统课堂上有机穿插翻转课堂有助于单一教学模式的取长补短。在翻转课堂中，学生获得较大程度的学习决定权，可以使学生在被动接收知识的同时，主动思考自我感兴趣的内容。将翻转课堂有机融入传统课堂，不仅可以及时反馈学生们对知识点的掌握程度，更重要的一点是可以潜移默化地塑造学生的探索能力。

例如，考察粒子群算法的时变惯性权重对搜索速度等指标的影响，不设置正确的标准答案(可能是速率加快，也可以是速率减慢)，要求学生基于Matlab软件和PPT，对测试结果进行展示、论述和分析，并回答出现不同结果的可能原因，让其他组学生进行提问，互相进行观摩。此外，还可以对算法执行过程进行情景演绎，比如每个学生模拟一个粒子寻优解的行为等，增强知识的趣味性。

3.2 课程考核与评价创新

传统课程考核方式大多采用平时成绩和期末考试成绩的加权求和，然而这种比较机械化的课程考核方式并不有利于全面准确评价学生实际应用能力和解决问题能力，无法体现学生在实战性教学阶段对“群体”与“个体”之间关联的理解，同时也难以体现学生在合作环境下动态认知。基于以上原因，本课程采用了平时成绩40%(即项目化作业)，开放式任务成绩25%，课程设计报告35%的综合评价方法。其中开放式任务在每一章项目化作业完成后进行，将学生每5人自由组成一组，共同完成一个开放式任务，教师则根据学生答辩的合理性、正确性进行打分。

4 结论

应用型本科教育优势在于培养具有实践与理论并重的应用研究型人才。本文以解决实际问题能力培养为中心，对“群体智能”课程体系进行了分析，提出了以优化建模问题为导向，以基本搜索理论和SI算法求解为核心，以工程优化设计实例解决方案为课程建设目标，并对课程体系和教学实施过程进行了详细分析。通过引入网络视频资源、布置项目化作业、开放式任务和适时进行翻转课堂，创新地对学生学习、合作、思辨等素质进行锻炼，从而有效培养具有应用群体智能解决实际工程优化问题的创新人才。