基于智能课程群的“智能信息处理”课程教学探讨

张 俊，宁 博，白 梅，李冠宇

（大连海事大学 智能科学与技术系，辽宁 大连 116024）

1 背 景

“智能信息处理”课程是智能科学与技术专业（简称智能专业）的重要专业课程。该课程具有鲜明的特点，一是包含的知识范畴比较广，不仅包含神经计算、进化计算、模糊计算等知识，还包含可拓计算、云计算、量子计算等众多智能信息处理理论、方法和技术；二是学习内容难度比较大，其学习内容在计算机科学与技术等相关专业是研究生阶段学习的内容，不仅要求学生掌握良好的数学基础知识，更要求学生具有良好的算法设计与分析能力。各个学校智能科学与技术专业各具特色，而且学时学分设置不同。例如西安电子科技大学开设“智能计算导论”[1]，主要内容包括仿生过程算法（模拟进化计算）、仿生结构算法（人工神经网络算法）和仿生行为算法（模糊逻辑与模糊推理）；河北工业大学开设“智能信息处理”课程主要内容包括模糊集与粗集理论、人工神经网络、遗传算法、群体智能、人工免疫、量子计算和信息融合等[2]。而“智能信息处理”课程实验设置也不尽相同[3]。合理设置和安排“智能信息处理”课程教学内容，提高教学效果，是值得继续关注和研究的问题。

所谓智能课程群，是指由多门具有先修或者后修关系、内容紧密相关（即内容具有承前启后或者互为补充）的智能专业的专业基础课、专业课程或者专业实践课程构成的智能类的课程群。

2 “智能信息处理”课程概述

2.1 全国各高校“智能信息处理”课程设置现状

自2004年北京大学开设智能科学与技术专业以来，到目前为止全国已有50余所高校设置了智能科学与技术专业，其中有些高校智能专业偏计算机科学与技术学科，有些偏自动化学科，有些偏测量与控制学科，这些专业特点必然导致各个学校的专业课程体系设置各具特色。表1总结了全国8所高校开设“智能信息处理”课程的情况。

由表1可知，各个学校开设“智能信息处理”的课程名称并不完全相同，北京大学、华南理工大学、大连海事大学开设“智能信息处理”，而北京邮电大学开设“计算智能”，西安电子科技大学和重庆邮电大学开设“智能计算导论”或者“智能计算基数”课程，其他大学有的开设“智能算法及应用”，有的开设“神经网络”；有的学校把“智能信息处理”课程分为多门课程单独开设，如北京科技大学开设“模糊系统理论”和“智能算法及应用”两门课程，北京邮电大学开设“计算智能”和“群体智能”两门课；各个大学相关课程的学分也不尽相同，分别从4学分、3学分到2学分不等，相应的总学时、理论课学时和实验学时也不相同。另外各个高校的开课性质和学期也不相同，有的是必修，有的是选修，有的在四年级第一学期开设，有的在三年级第一学期或者第二学期开设。

表1 部分高校智能科学与技术专业开设“智能信息处理”相关课程情况

2.2 “智能信息处理”教材概述

“智能信息处理”包含的知识范畴比较广，目前已出版的主要有“智能信息处理”和“计算智能”教材，各本教材所包含的内容也不尽相同，见表2。

由表2可知，“智能信息处理”类教材含有的知识领域比“计算智能”类教材要广，而上述两类教材一般都包含了模糊理论、粗集理论、神经网络、进化计算和群体智能等内容。

2.3 传统的“智能信息处理”课程教学方法

传统的“智能信息处理”教学方法主要是根据课程本身来设计教学内容，根据教学内容设计教学方法，并且以课堂教学为主。传统的教学方法没有从课程群的角度出发系统地设计课程体系以及课程的教学内容。从全国各高校“智能信息处理”课程设置现状和教材概述可知，各个学校根据各自的专业特点设置“智能信息处理”课程的教学内容，教学内容各不相同；相关课程的教学内容设置也会有较多重复，使得课程之间分工和衔接不够理想，从而影响学生的学习积极性，最终影响了教学效果和学习效果。

表2 “智能信息处理”教材内容

3 基于智能课程群的“智能信息处理”课程教学方法

3.1 以“智能信息处理”课程为核心的智能课程群体系设置

由于智能专业还没有官方的专业建设规范，各个学校智能专业的课程体系设置差别还是比较大的。在专业建设的过程中，我们逐渐理顺课程之间的关系，不断优化课程体系和教学内容设置，形成了以“智能信息处理”课程为核心的智能课程群，如图1所示。

图1 以 “智能信息处理”课程为核心的智能课程群

如图1所示，“智能信息处理”课程的先修课侧重智能理论的学习，包括“人工智能基础”和“模式识别”；“智能信息处理”课程则侧重智能方法和技术的学习，与其同时开设的课程还包括“不确定性计算”和“机器学习”课程；而“智能信息处理”的后修课程侧重智能系统和智能应用的学习，包括“智能系统导论”“数据仓库与数据挖掘”“智能信息检索”和“智能信息系统课程设计”等课程。

为了避免课程之间的教学内容重复，以“智能信息处理”课程为核心，先修课程、同时开设的相关课程，以及后修课程之间的教学内容需要分工与协调，如“不确定性计算”课程讲授模糊计算和粗糙集等内容，则“智能信息处理”课程不讲模糊计算，重点讲述神经计算、进化计算和群智能等内容。

3.2 教学内容设置

“智能信息处理”课程教学内容通常包括模糊计算、神经计算、进化计算和群体智能4部分。但在基于智能课程群的课程体系设置中，由于“不确定性计算”课程已包含模糊计算和粗集理论等教学内容，因此，“智能信息处理”课程教学内容只需包括神经计算、进化计算和群体智能3部分。

神经计算、进化计算和群体智能等知识领域所包含的内容非常丰富，每一部分都有很大的深度和难度，也都有相应的单独的专著或者教材来讲述。因此，针对“智能信息处理”知识范畴比较广泛和学习难度比较大的特点，“智能信息处理”课程内容设置主要遵循两个原则：一是既要与其他相关课程内容相互衔接，又要避免与其他相关课程内容重复；二是遵循讲授“基本概念、基本思想、基本算法和基本应用”等“四项基本原则”，即着重介绍智能信息处理的基本概念和基本思想，着重分析基本的智能算法，在此基础上介绍相应的改进算法及其应用。基于智能课程群的“智能信息处理”课程教学内容设置见表3。

3.3 教学方法改革

“智能信息处理”课程具有较深的学习难度和广度，一方面该课程对学生的要求比较高，在具有良好的数学基础和算法设计与分析能力的基础上，既要提高课堂学习效率，又要多花课外时间融会贯通所学知识；另一方面该课程对任课教师的要求也比较高，具有比较高的授课难度，既要求任课教师具有较高的数学功底和推导演算能力，也要求教师能够采用灵活的教学方法和深入浅出的教学语言把复杂的智能算法讲清楚讲明白。我们探索了一些课程教学方法改革。

3.3.1 遵循“四项基本原则”，培养学生智能信息处理思维

所谓“四项基本原则”是指“基本概念、基本思想、基本算法和基本应用”，即在教学过程中，着重从智能信息处理的基本概念和基本思想出发，重点讲授基本的智能算法和基本的智能应用，把学生领入智能信息处理的大门，使得学生掌握好扎实的智能信息处理基础知识、基本理论和方法，为未来进一步学习智能信息处理理论、方法和技术奠定坚实的基础。

表3 “智能信息处理”课程教学内容设置

在遵循“四项基本原则”的基础上，着重培养学生形成较为全面的智能信息处理思维。我们认为，掌握好“智能信息处理思维”比掌握更多的“智能信息处理算法”更重要。俗话说“不怕做不到，就怕想不到”，就是强调“思维和想法”比具体的“方法和技术”更重要。因此，我们在讲授“基本概念、基本思想、基本算法和基本应用”的过程中，不仅讲授“概念、思想、算法和应用”是什么，更要讲授“为什么”，让学生做到“既知其然，又知其所以然”。

3.3.2 注重智能算法设计与分析，培养学生分析问题和解决能力

智能算法设计与分析是智能信息处理的核心，几乎所有的智能信息处理理论、方法和技术最后都要落实到智能算法设计和分析上来。因此，我们在讲授基本的智能算法时，首先从算法基本思想出发，讲清楚智能算法要解决的问题、基本的原理和思想，然后重点讲述算法的四要素（输入、输出、数据结构和处理过程），并从算法遵循的数学原理、参数调节、算法优缺点和改进的方法等方面对算法进行较为深入的剖析，使得学生较为彻底地掌握好所学的智能算法。

在讲授智能算法的基本应用时，重点是培养学生分析问题和解决问题的能力。针对具体应用，从问题分析和定义、问题建模和编码，算法初始参数设定、基本算子定义，算法设计、算法实现和算法测试等各个方面一步一步引导学生掌握智能算法的基本应用方法和步骤。

3.3.3 加强智能算法对比分析和交叉应用，培养学生灵活运用知识的能力

各种智能信息处理方法既相互独立又互相渗透和交叉融合。例如，对于同一个优化问题，如旅行商问题和背包问题等，既可以采用遗传算法来解决又可以用粒群算法等群智能算法来解决；另一方面，遗传算法可以应用到神经网络的权重调整中来，模糊理论和人工神经网络相结合产生模糊神经网络等。

因此，我们在遵循“四项基本原则”讲授各个智能算法的时候，也要加强智能算法的对比分析和交叉应用方面的知识讲解，剖析同一个优化问题利用不同智能算法解决时各自优缺点是什么，或者是“取长补短”融合哪几种智能算法来解决同一个问题，在这个过程着重培养学生灵活运用智能信息处理理论、方法和技术的能力，不是把知识“学死了”，而是把知识“学活了”。

3.3.4 强调理论与实践相结合，培养学生实践动手能力

“智能信息处理”是一门既注重理论方法又强调实践性的课程，因此教师授课和学生学习过程中都要强调理论和实践相结合，以进一步培养学生实践动手能力。“智能信息处理”课程教学通常包括理论和实验两部分，根据理论教学内容，安排实验教学项目，如感知器、BP神经网络、遗传算法和禁忌搜索算法的实验。

在实验过程中，学生可以采用Matlab、Java或者Python等多种开发环境和程序设计语言来完成实验，而且也鼓励学生对同一个优化问题，利用不同的智能算法加以实现，并调节算法参数进行详细的实验对比分析。

3.3.5 教学方法改革存在的不足

在“智能信息处理”课程教学过程中也存在一些不足。例如目前“智能信息处理”相关的教材普遍出版时间较早，大多数教材出版时间已经超过10年了，需要进一步加强教材建设，选用最新教材。在教学过程中，需要融入更多的智能算法应用案例，提供更多的习题练习，以帮助学生掌握智能信息处理的理论、方法和技术。在实验方面，需要提供更具有指导意义的智能信息处理实验指导手册，以进一步提高实验效果。

4 大连海事大学“智能信息处理”课程教学实践

大连海事大学（简称海大）智能专业自2009年招生以来，已为2009级至2016级等8个年级开设了“智能信息处理”课程。海大智能专业在三年级第一学期开设“智能信息处理”必修课程，3学分54学时，其中理论学时为36学时，实验学时为18学时。

图2 各学年学生成绩优良率等对比分析图

通过分析7年来海大智能专业“智能信息处理”课程学生成绩情况，验证海大智能专业的“智能信息处理”课程教学方法改革取得较好的效果。

海大智能专业的“智能信息处理”课程采取闭卷考试、平时成绩30分、期末成绩70分综合百分制计分的考核方式评定学生最终成绩。其中平时成绩10分由考勤和作业成绩组成，实验成绩20分由4个实验报告成绩组成，每个实验报告成绩为5分。

图2展示自2011年至2016年海大智能专业学生学习“智能信息处理”课程的成绩情况，其中2014年成绩评定良好率奇高，因此不与其他年份成绩做比较。由图2可知，历年的优秀率最低为7%，最高为33%，平均优秀率为15%；良好率最低为22%，最高为59%，平均良好率为42.8%；中等率最低为24%，最高为41%，平均中等率为28.8%；及格率最低为3%，最高为19%，平均及格率为6.4%。从上述成绩比率分析来看，各年级学生，以及所有年级学生总体上的成绩基本符合正态分布，成绩优秀和良好的学生超过1/2，而成绩中等和及格的学生约占1/3多。

从图2还可知，总体上，学生成绩优良率在逐年上升，而中等和及格率在逐年下降，也表明总体上，该门课程的教学效果在逐年向好提升。

图3展示了历年的平均成绩、最高成绩和最低成绩，可以看出，历年的平均成绩和最高成绩基本稳定，其中平均成绩最低为77.96分，最高为83.93分；最高成绩最低为92分，最高为96分；最低成绩最低为62分，最高为73分。从该图也可以看出，总体上，平均成绩、最高成绩和最低成绩都在震荡中小幅提升，也从一个侧面反映本门课程的教学效果在逐年向好发展。

图3 各学年学生成绩平均成绩、最高成绩和最低成绩对比分析图

5 结 语

随着人工智能技术和大数据技术的飞速发展和应用，智能科学与技术专业必将迎来更加蓬勃的发展。“智能信息处理”课程作为智能科学与技术专业的主干专业课程，越来越显示出其重要性。海大智能专业在基于智能课程群的“智能信息处理”课程教学实践和教学方法改革方面进行了7年的探索，形成了较为成熟的教学理念和教学方法，但是在人工智能2.0时代和大数据时代，该门课程还需要结合新时代新技术发展趋势，进一步进行课程内容和教学方法改革。