基于智能优化算法的教学质量评价方法.pdf

《基于智能优化算法的教学质量评价方法.pdf》由会员分享，可在线阅读，更多相关《基于智能优化算法的教学质量评价方法.pdf（5页珍藏版）》请在三一文库上搜索。

1、第 3 4卷第 6 期 2 0 1 4年 1 1 月 杭 州 电 子 科 技 大 学 学 报 J o u r n a l o f Ha n g z h o u D i a n z i Un i v e r s i ty Vo 1 3 4 N o 6 N o v 2 0 1 4 基 于智能优化算法的教学质量评价方法 朱娅妮 ( 杭州电子科技大学工程研究院， 浙江 杭州3 1 0 0 1 8 ) 摘要： 为了提高教学质量评价的准确性， 提出了一种基于智能优化算法的教学质量评价方法。首先 采用层次分析法构建评价指标体系， 然后用多群体遗传算法优化设计 B P神经网络， 最后用 B P神经 网络评价教

2、学质量。实验结果证明， 该文提出的方法由于结合了神经网络和遗传算法的优点， 克服了 评价系统的盲目性， 采用非线性逼近的方法提高了教学质量评价的准确率， 是一种高效的评价方法。 关键词： 层次分析法 ； 多群体遗传算法； 神经网络 ； 教学质量评价 中图分类号： T P 1 8 3 ， G 4 2 0 文献标识码： A 文章编号： 1 0 0 1 9 1 4 6 ( 2 0 1 4 ) 0 6 0 0 6 6 0 5 0 引 言 随着我 国高等教育普及程度 的不断提高 ， 高等学校的教学质量越来越受到社会的关注， 很多高校开 始采用各种方法对教学质量进行评价 。最早采用人工方式来评价教学质量

3、， 但是评价结果受到评价对 象的主观性影响评价精度较低 ， 不能反映真实的高校教师教学水平 。随后 出现的基于专家系统的教学 质量评价方法 ， 虽从一定程度上提高了评价精度， 但是评价指标 的选择主要根据专家的经验值来确定 ， 所 以评价结果的客观性较差。近年来 ， 基于信息技术 的教学质量评价方法开始 出现 ， 多元线性 回归 、 层 次分析法、 遗传算法 、 支持向量机和神经网络等多种技术开始应用到教学质量评价中n 。 。但是单一的 评价方法往往运行效率很低 ， 建立一种具有实时优化和智能学习等优点的教学质量评价算法 ， 成为当前 自动评价的主要趋势 。本文在对教学质量评估现状进行深入分析

4、的基础上 ， 提出了一种基于智能优化 算法的高校教学质量评估方法。将层次分析法的定性定量分析与多群体遗传算法良好的并行优化性能 相结合， 并充分发挥神经网络在处理大样本、 非线性问题的优势对教学质量体进行评价。仿真实验证 明 ， 本文提 出的评价模型能够很好地评价高校教学质量。 1 层次分 析法 层次分析法 ( A n a l y t i c H i e r a r c h y P r o c e s s ， A HP ) 的基本原理是把一个复杂问题看作一个大系统 ， 通 过对这个大系统中涉及的多个元素进行详细分析 ， 确定各因素之间的层次关系 ， 再对每个层次中的全部 元素进行客观比较， 通

5、过建立判断矩阵分析同层次中各元素之间的相对重要性并定量表示出来， 从而得 到层次之间以及每一层次中所有元素的权重比例系数， 最后根据各因素之间的权重比例来规划系统的 层次关系。这种方法将定性分析与定量分析有机地结合起来 ， 具有很强的系统性和逻辑性 ， 是解决多层 次、 多 目标规划决策问题的有效方法 。 1 1 建立层次结构模型 运用 A HP法建立高校教学质量评价体系， 首先需要深入分析影响高校教学质量的诸 多实际因素 ， 将所有对教学质量有影响的因素按照不同属性分成若干层次。本文在调查参考一线教师、 教学专家和 收稿日期： 2 0 1 4 0 7 2 8 基金项目： t O 州电子科技大

6、学高等教育研究资助项目( Y B 1 3 4 3 ) 作者简介： 朱娅妮( 1 9 8 0一) ， 女， 湖北襄阳人 ， 讲师， 人工智能 第 6期 朱娅妮 ： 基于智能优化算法的教学质量评价方法 6 7 教学管理人员意见的基础上， 将高校教学质量评价指标体系分解为 3 个层次。最上层为教学质量评价 指标体系； 中间层为教学内容、 教学方法、 教学态度、 教学效果4个因素； 最下层为影响中间层的 1 1 个二级 指标。中间层的4个因素从属于最上层 ， 同时又支配下层的 1 1 个因素。详细的层次关系如图 1 所示。 图 1 教学质量评价指标体 系 1 2 确定指标权重 建立层次结构模型之后，

7、清楚地看到指标之间的诸因素相互影响， 重要性各不相同。通过反复比较 同层次间各个指标对上层次因素影响的程度构造两两比较判断矩阵， 对不同的重要程度采用不同的数 值来说明， 从而得到相应的权重比例系数 J 。 对于最终的教学质量决策 目 标 u ， 中间层的4 个影响因素对它的重要性权重系数分别为 i ( i =1 ， 2， 3 ， 4 ) ， 则 U= o V， + ： V 2 + I ) 3 V + I ) 4 V 。每个影响因素 V i 对 目标 u的影响程度即权重系数 I ) i 都不 一 样 ， 将 目标 u的4个权重系数根据相互 的影响程度两两 比较 J ， 比较结果用判断矩阵 A表

8、示 ， 即 A= t c o l C O 2 c o 1 3 1 C O 4 I I 2 C O 2 o 2 3 1 ) 2 4 2 I c o 3 2 ( o 3 3 ( | ) 3 4 c o 3 1) 1 c o 4 2 4 3 c o 4 c o 4 o 4 。若 A满足一致性条件， 则解特征值问题 A =n ( 1) 所得到的 ( 1) = ( |) ， c o ： ， c o ， c o ) 经归一化后就是 目标 u的影响因素 V ， V ， V ， ， V 的权重。l 1 个 二级指标也用相同 的方法来确定， 最终计算出的权重如表 1 所示。 表 l 教 学质量评价指标权重 6

9、8 杭 州 电 子 科 技 大 学 学 报 2 0 1 4矩 2 多群体遗传算法优化设计 B P神经网络 2 1 多群体遗传算法基本原理 多群体遗传算法是采用多个子群体同时进化， 每个子群体内部独立进行遗传操作， 遗传进行到一定 的时候各子群体之间相互交换遗传个体， 从而保持种群的多样化。本文将整个进化群体划分为 3 个子 群体同时进行进化。 1 ) 子群体 I 的群体规模为 N ， 群体中每个个体采用浮点数编码方法 ， 部分匹配交叉 ， 动态变异 ， 因 而该群体具有较强的局部探索能力， 易于在局部范围内搜索到优秀个体， 并将优秀个体保存下来， 因此 这个群体被称做“ 开发” 子群体。 2

10、) 子群体 I I 的群体规模为N ， 群体中每个个体采用二进制编码方法， 单点交叉， 动态变异的方法进 行遗传进化， 因而该群体具有较强的全局搜索能力， 易于在全局范围内搜索到优秀的遗传个体， 因此这 个群体被称做“ 探测” 子群体。 3 ) 子群体 I I I 的群体规模为( N + N ) 2 ， 这个子群体用来保存前两类子群体在进化过程中产生的 优秀个体， 同时群体 自身也进行遗传进化操作， 因此这个群体被称做“ 精华” 子群体。 同时在进化过程中， 定期地在子群体 I 和子群体 I I 之间进行“ 移民” ， 即相互交换一些优秀的遗传 个体 ， 保持遗传个体分布的多样性 ， 克服早熟

11、收敛 。 2 2 B P神经网络的基本原理 B P神经网络又称为多层前馈神经网络 ， 是具有 3层或 3层 以上 的阶层型神经网络 ， 网络由输入层 、 隐含层和输出层构成， 隐含层的个数根据需要来设计。B P训练算法分为两步： 第一步( 正向传播过 程) ： 从输入层输入样本数据， 经过隐层一层一层地处理， 最后从输出层输出。正向传播过程中神经网 络各层的权系数不变 ， 也称为“ 信息检索” 过程； 如果输出不等于期望输出， 则进入反向传播。第二步 ( 反向传播过程) ： 输出误差逐层向前算出隐层各单元的误差， 并用此误差修正前层权值， 以使偏差信号 趋向最小 ， 直到达到期望输出为止 J

12、。 2 3 多群体遗传算法优化设计 B P神经网络 1 ) 参数初始化。确定神经网络的层数 L和输入输出元个数分别为 P ， Q ； 设定遗传子群体 I 群体规 模为 N ， 遗传子群体 群体规模为 N ， 用不同的编码方法在参数空间随机产生两组初始群体； P Q 2 ) 遗 传个 体适 应度 评价。 定义 适应 度评 价函 数 ) = ( y ( f ) 一 Y i ( ) ) ， Y i ( ) 和 ( ) 分 别为训练数据t 在第i 个节点的实际输出和期望输出， 根据遗传个体适应度值的高低来决定该个体是否 能进入下一代， 按适应度值的大小对子群体 I 和子群体 内的遗传个体进行排序； 3

13、 ) 遗传进化。设置算法的交叉概率为 P c ， 变异概率 P m和进化代数 t ； 在两个子群体内独立进行选 择 、 交叉和变异等遗传操作 ， 生成下一代遗 传群体 ， 选择两个群体中优 秀的个体进入子群体 ， 规模为 ( N + N ： ) 2 ， 子群体中个体进行选择、 交叉、 变异遗传操作， 评价个体适应度并进行排序； 4 ) 遗传终止判定。判断子群体中遗传群体性能是否满足终止条件， 若满足则转向步骤5 ， 否则返 回步骤 3 ； 5 ) 遗传解码。将子群体中最优秀的个体按照编码顺序依次解码， 作为 B P神经网络的初始权值 和阈值 ； 6 ) B P网络正向传播。从输入层开始逐层计算

14、 ， 判断 B P神经 网络 的全局误差是否满足终止条件 ， 满足则结束 网络学习， 不满足转 向步骤 7 ； 7 ) B P网络反向传播。如果不满足终止条件则进行 B P网络反向传播， 输出误差逐层向前计算各隐 层单元误差， 并对隐层的权系数进行修改以使全局误差满足要求， 结束网络学习。 第 6 期 朱娅妮： 基于智能优化算法的教学质量评价方法 6 9 3 教学质量评价 3 1 数据来源 根据 A H P的分析结果制定高校教学质量评分表， 请教学专家、 相关教师、 听课教师和上课学生对上 课教师进行打分， 然后选取打分比较一致的评价样本作为案例。由于二级指标是采用百分制的， 各个分 值间数量

15、级差异很大， 可能导致神经网络的饱和现象 ， 因此本文先对输入神经网络的样本数据进行归一 化处理， 使得输入数据归一化至 O ， 1 之间 ， 如表 2 所示。 表 2 教学评价样本数据 3 2 仿真实验 将得到的数据分为两部分， 表 2中前 1 2组数据作为评价系统的训练数据， 后6组数据作为测试数 据 ， 对训练生成的神经网络模型进行测试 ， 测试结果 图 2所示。从 图 2中可 以看 出， 用原始样本数据训 练过的B P神经网络输出的测试值与评价结果非常接近， 实验数据表明， 用基于多群体遗传算法优化设 计的神经网络进行教学质量评价是可行 的。 3 3 模型比较 为了评价本文提 出的模型

16、的优劣 ， 将本文的方法和多元线性 回归 ( ML R) 、 层次分析法 ( A HP ) 和 B P 人工神经网络( B P N N ) 等方法进行对比实验， 采用评价精度和相关系数作为衡量标准， 对比结果如表 3 所示。 7 0 杭 州 电 子 科 技 大 学 学 报 2 0 1 4钷 田 1 样本序号 图 2原 始数据 与 B P网络 测试值 比较 表 3 各评价模型评价性能比较 从表 3中可以看出， B P人工神经网络的评价结果要优于多元线性回归法和层次分析法， 这主要是 由于多元线性回归法和层次分析法是基于线性建模的 ， 不能很好反映教学质量评价指标 和评价等级之 间的非线性关系，

17、而神经网络则可以模拟一切非线性的评价关系。从实验结果可以看出， 本文提出的评 价方法评价精度是最高的。 4 结束语 本文提出的智能优化评价方法集合了其他模型的优点， 评价过程中步骤明确、 规则清晰， 性能良好， 评价效率高。与传统的单一评价方法相比， 评价精度更高。这种智能的评价方法克服了以往教学质量 评价中的主观随意陛， 对高校提高教学质量有较强的实用价值。 参考文献 1 丁家玲 ， 叶金华 层次分析法和模糊综合评判在教师教学质量评价中的应用 J 武汉大学学报 ( 社会科学版) ， 2 0 0 3 ， 5 6 ( 2 ) ： 2 4 1 2 4 5 2 葛琳 基于遗传算法的模糊层次综合评判在

18、高职教学评价中的应用 D 广州： 广州大学 ， 2 0 1 1 ： I 1 1 4 3 冯莹莹， 于干， 周红志 层次分析法和神经网络相融合的教学质量评价 J 计算机工程与应用， 2 0 1 3 ， 4 9 ( 1 7 ) ： 2 3 5 23 8 4 朱娅妮， 吴国华， 杜加友 基于多群体遗传算法的人脸表情识别 J 杭州电子科技大学学报， 2 0 1 3 ， 3 3 ( 1 ) ： 4 4 4 7 5 胡春萍 基于神经网络的高校教学质量智能评估体系的研究与实现 D 广州 ： 广东工业大学， 2 0 0 7 ： l 2一l 7 6 干敏梁， 干羽 基于 A H P和模糊综合评判法的课堂教学质量

19、评价研究 J 三江高教， 2 0 1 3 ， 9 ( 1 ) ： 1 7 T e a c h i n g Qu a l i t y E v a l u a t i o n B a s e d o n I n t e l l i g e n t Op t i mi z a t i o n Al g o r i t h m s Zhu Ya n i ( I n s tit u t e of E n g in e e r i n g R e s e a r c h ， H a n g z h o u D i a n z i U n iv e rs i ty ， H a n g z h o u Z h

20、 ej i a n g 3 1 0 0 1 8 ， C h i n a ) Abs t r a c t ：I n o r d e r t o i mp r o v e t h e a c c u r a c y o f c o l l e g e t e a c h i n g q u a l i t y e v a l u a t i o nt h i s p a p e r p u t s f o r w a r d a t e a c h i n g q u a l i t y e v a l u a t i o n me t h o d b a s e d o n i n t e l

21、l i g e n t o p t i mi z a t i o n a l g o ri t h mF i r s t l y ，t h e e v a l u a t i o n i n d e x s y s t e m i s e s t a b l i s h e d b y t h e a n a l y t i c h i e r a r c h y p r o c e s s S e c o n d l y， mu l t i p o p u l a t i o n g e n e t i c alg o r i t h m i s u s e d t o o p t i mi

22、 z e B P n e u r a l n e t w o r k F i n all y， t h e o p t i mi z e d BP n e u r al n e t wo r k i s u s e d t o e v alu a t e t h e t e a c h i n g q u ali t y T h e e x p e ri me n t s r e s u l t s p r o v e t h a t t h e p r o p o s e d me t h o d n o t o n l y o v e r c o me s t h e b l i n d

23、n e s s o f t h e n e u r al n e t w o r k，b u t a l s o i mp r o v e t h e e v a l u a t i o n a c c u r a c y i n u s e o f n o n l i n e a r a p p r o x i ma t i o n T h e r e s u l t s s h o w t h a t t h e p r o p o s e d me t h o d i s f e a s i b l e a n d e f f e c t i v e Ke y wo r d s： a na l y t i c h i e r a r c h y pr o c e s s； mu l t i p o p u l a t i o n g e n e t i c a l g o rit h m ； n e u r a l n e t wo r k； t e a c hi ng qu a l i t y e v a l ua t i o n ：3