一种高职院校教学质量评价的改进算法

葛春

摘要：首先分析了目前教学质量评价算法的局限性，针对加权平均法、层次分析方法和神经网络算法的不足，提出结合遗传算法的个体最优选择和BP神经网络的非线性拟合特性，实现一种高职院校教学质量评价的改进算法。

关键词：教学质量遗传算法神经网络改进算法

一、引言

在以质量和特色求生存和发展的关键时期，高职院校全面提高教学质量是其自身发展的客观需要。在此背景下，高职院校始终把提高教学质量当作工作重点，而科学有效的教学质量评价方法，对于充分发挥对教学过程的导向和激励作用，督促教师提高授课水平，发挥着举足轻重的作用。

实现教学质量的科学评价，第步是要建立相应的评价指标体系，指标体系的设置是否科学合理，直接关系到评价模型的科学性与实用性，而第二步是寻找评价体系各项指标得分输入值和综合评价得分输出值的数学关系，建立个科学合理的数学模型，即选择种最优评价算法。

二、目前评价算法的局限性

目前最常见的教学质量评价算法有：加权平均法、层次分析方法、神经网络算法等。加权平均法将各评价指标得分进行加权求和计算，将最终得分作为教学质量的评价等级参考，其精确性主要取决于各项评价指标设立的全面性和各项加权值的科学合理性，由于在实际应用中指标内容设立相对简单、权值设置主观性偏大，因此该算法评价合理性较差；层次分析法将评价指标内容体系细分为多个层次，然后灵活选取几种不同的标度法对每个层次中的各项指标进行两辆比较，产生比较判断矩阵，利用数学矩阵论相关知识求出最大特征向量，从而得出各级指标的综合权重，由于评价指标划分细致，各指标权重计算科学，因此层次分析法相对于加权平均法其精度有所提高，但避免不了由于主观因素去比较各项指标重要性来构造判断矩阵，造成评价结果失真；神经网络算法作为

种多领域广泛应用的新技术，以其强大的非线性、自学习、实时优化、智能学习等特性，成为当前教学质量自动评价的主要算法，并且很好解决了加权平均法和层次分析法出现的主观性强、随机性强、非线性弱等不足，该算法模拟人类神经元结构，将教学质量各项评价指标作为输入，进行加权计算、非线性函数计算和阀值计算，较大增强了评价输出值的精度，但人工神经网络工作原理是种黑箱问题，理论上其输出可以逼近期望值，但由于基于最大梯度法、最优激活函数和网络结构不能确定等因素，还存在收敛速度慢、易陷入局部极小值、学习泛化能力差、对于复杂系统预测误差较大等明显不足。

三、教学质量评价的改进算法

（一）遗传算法原理

遗传算法（Genetic Algorithms）是模拟自然界“优胜劣汰，适者生存”生物遗传进化原理的种并行随机搜索最优化方法。该算法将系统所要求得的参数进行编码，按照所选择的适应度函数对编码群体进行选择、交叉和变异等操作，在遗传过程中对编码群体进行筛选，使适应度好的个体被保留，适应度差的个体被淘汰，新的群体既继承了上一代的信息，又优于下一代，这样反复循环，直至满足条件，最终将最优个体挑选出来，而最优个体的编码参数即为应用系统所要求得的最佳结果。

（二）BP神经网络的改进

为改进神经网络的收敛速度和训练精度，国内外学者提出了启发式改进方法和数值优化算法，这些改进算法大多采用了优化反向传播误差模型的途径。要进步提高网络的收敛速度和训练精度，还可以采用优化网络最优初始权值、阀值或网络结构的方法。本文就是利用遗传算法原理，将BP神经网络训练误差作为遗传算法中个体的适应度值，将神经网络的各层权值和阀值作为遗传算法中个体的编码参数，经过定代数的遗传或者说定次数的迭代，来获得网络的最优初始权值和阀值，进步提高神经网络评价模型的预测精度。

（三）改进评价算法的实现步骤

步骤1：初建评价指标内容体系。参考相关文献资料，深入研究教学规律和教学评价方法，结合院校教学评价实施办法和制度，初步建立级指标和具体二级指标的层次型评价指标内容体系。

步骤2：综合筛选重要指标。综合利用层次分析法指标分层细致、权重计算科学的优点，以及问卷调查法评价客观、数据量大的优势，综合两方面信息来最终筛选重要指标，为改进BP评价模型的确立提供网络输入。

步骤3：改进BP评价模型的确立。BP神经网络虽然具有较好的拟合能力，但其拟合能力不是绝对的，对于些复杂系统，预测结果会存在较大误差；神经网络预测的准确性和训练数据的多少有较大的关系，如果缺乏足够多的网络训练数据，网络预测值可能存在较大的误差。由于教学质量评价的神经网络模型输入（指标分值）与输出（总评成绩）具有复杂的非线性关系，而实际评价过程中又很难得到大量数据作为训练样本，所以本文利用遗传算法GA原理，为BP神经网络选择最优初始权值和阀值，以提高神经网络评价模型的预测精度。

步骤4：改进BP评价模型的训练与测试。为检验改进BP评价模型的性能，在Matlab平台下对其进行仿真实验，输入样本数据对改进BP评价模型进行训练与测试，对仿真结果进行比较分析，总结出评价模型的优势和不足。