一種高職院校教學(xué)質(zhì)量評價的改進算法

葛春

摘要：首先分析了目前教學(xué)質(zhì)量評價算法的局限性，針對加權(quán)平均法、層次分析方法和神經(jīng)網(wǎng)絡(luò)算法的不足，提出結(jié)合遺傳算法的個體最優(yōu)選擇和BP神經(jīng)網(wǎng)絡(luò)的非線性擬合特性，實現(xiàn)一種高職院校教學(xué)質(zhì)量評價的改進算法。

關(guān)鍵詞：教學(xué)質(zhì)量遺傳算法神經(jīng)網(wǎng)絡(luò)改進算法

一、引言

在以質(zhì)量和特色求生存和發(fā)展的關(guān)鍵時期，高職院校全面提高教學(xué)質(zhì)量是其自身發(fā)展的客觀需要。在此背景下，高職院校始終把提高教學(xué)質(zhì)量當(dāng)作工作重點，而科學(xué)有效的教學(xué)質(zhì)量評價方法，對于充分發(fā)揮對教學(xué)過程的導(dǎo)向和激勵作用，督促教師提高授課水平，發(fā)揮著舉足輕重的作用。

實現(xiàn)教學(xué)質(zhì)量的科學(xué)評價，第步是要建立相應(yīng)的評價指標(biāo)體系，指標(biāo)體系的設(shè)置是否科學(xué)合理，直接關(guān)系到評價模型的科學(xué)性與實用性，而第二步是尋找評價體系各項指標(biāo)得分輸入值和綜合評價得分輸出值的數(shù)學(xué)關(guān)系，建立個科學(xué)合理的數(shù)學(xué)模型，即選擇種最優(yōu)評價算法。

二、目前評價算法的局限性

目前最常見的教學(xué)質(zhì)量評價算法有：加權(quán)平均法、層次分析方法、神經(jīng)網(wǎng)絡(luò)算法等。加權(quán)平均法將各評價指標(biāo)得分進行加權(quán)求和計算，將最終得分作為教學(xué)質(zhì)量的評價等級參考，其精確性主要取決于各項評價指標(biāo)設(shè)立的全面性和各項加權(quán)值的科學(xué)合理性，由于在實際應(yīng)用中指標(biāo)內(nèi)容設(shè)立相對簡單、權(quán)值設(shè)置主觀性偏大，因此該算法評價合理性較差；層次分析法將評價指標(biāo)內(nèi)容體系細(xì)分為多個層次，然后靈活選取幾種不同的標(biāo)度法對每個層次中的各項指標(biāo)進行兩輛比較，產(chǎn)生比較判斷矩陣，利用數(shù)學(xué)矩陣論相關(guān)知識求出最大特征向量，從而得出各級指標(biāo)的綜合權(quán)重，由于評價指標(biāo)劃分細(xì)致，各指標(biāo)權(quán)重計算科學(xué)，因此層次分析法相對于加權(quán)平均法其精度有所提高，但避免不了由于主觀因素去比較各項指標(biāo)重要性來構(gòu)造判斷矩陣，造成評價結(jié)果失真；神經(jīng)網(wǎng)絡(luò)算法作為

種多領(lǐng)域廣泛應(yīng)用的新技術(shù)，以其強大的非線性、自學(xué)習(xí)、實時優(yōu)化、智能學(xué)習(xí)等特性，成為當(dāng)前教學(xué)質(zhì)量自動評價的主要算法，并且很好解決了加權(quán)平均法和層次分析法出現(xiàn)的主觀性強、隨機性強、非線性弱等不足，該算法模擬人類神經(jīng)元結(jié)構(gòu)，將教學(xué)質(zhì)量各項評價指標(biāo)作為輸入，進行加權(quán)計算、非線性函數(shù)計算和閥值計算，較大增強了評價輸出值的精度，但人工神經(jīng)網(wǎng)絡(luò)工作原理是種黑箱問題，理論上其輸出可以逼近期望值，但由于基于最大梯度法、最優(yōu)激活函數(shù)和網(wǎng)絡(luò)結(jié)構(gòu)不能確定等因素，還存在收斂速度慢、易陷入局部極小值、學(xué)習(xí)泛化能力差、對于復(fù)雜系統(tǒng)預(yù)測誤差較大等明顯不足。

三、教學(xué)質(zhì)量評價的改進算法

（一）遺傳算法原理

遺傳算法（Genetic Algorithms）是模擬自然界“優(yōu)勝劣汰，適者生存”生物遺傳進化原理的種并行隨機搜索最優(yōu)化方法。該算法將系統(tǒng)所要求得的參數(shù)進行編碼，按照所選擇的適應(yīng)度函數(shù)對編碼群體進行選擇、交叉和變異等操作，在遺傳過程中對編碼群體進行篩選，使適應(yīng)度好的個體被保留，適應(yīng)度差的個體被淘汰，新的群體既繼承了上一代的信息，又優(yōu)于下一代，這樣反復(fù)循環(huán)，直至滿足條件，最終將最優(yōu)個體挑選出來，而最優(yōu)個體的編碼參數(shù)即為應(yīng)用系統(tǒng)所要求得的最佳結(jié)果。

（二）BP神經(jīng)網(wǎng)絡(luò)的改進

為改進神經(jīng)網(wǎng)絡(luò)的收斂速度和訓(xùn)練精度，國內(nèi)外學(xué)者提出了啟發(fā)式改進方法和數(shù)值優(yōu)化算法，這些改進算法大多采用了優(yōu)化反向傳播誤差模型的途徑。要進步提高網(wǎng)絡(luò)的收斂速度和訓(xùn)練精度，還可以采用優(yōu)化網(wǎng)絡(luò)最優(yōu)初始權(quán)值、閥值或網(wǎng)絡(luò)結(jié)構(gòu)的方法。本文就是利用遺傳算法原理，將BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差作為遺傳算法中個體的適應(yīng)度值，將神經(jīng)網(wǎng)絡(luò)的各層權(quán)值和閥值作為遺傳算法中個體的編碼參數(shù)，經(jīng)過定代數(shù)的遺傳或者說定次數(shù)的迭代，來獲得網(wǎng)絡(luò)的最優(yōu)初始權(quán)值和閥值，進步提高神經(jīng)網(wǎng)絡(luò)評價模型的預(yù)測精度。

（三）改進評價算法的實現(xiàn)步驟

步驟1：初建評價指標(biāo)內(nèi)容體系。參考相關(guān)文獻資料，深入研究教學(xué)規(guī)律和教學(xué)評價方法，結(jié)合院校教學(xué)評價實施辦法和制度，初步建立級指標(biāo)和具體二級指標(biāo)的層次型評價指標(biāo)內(nèi)容體系。

步驟2：綜合篩選重要指標(biāo)。綜合利用層次分析法指標(biāo)分層細(xì)致、權(quán)重計算科學(xué)的優(yōu)點，以及問卷調(diào)查法評價客觀、數(shù)據(jù)量大的優(yōu)勢，綜合兩方面信息來最終篩選重要指標(biāo)，為改進BP評價模型的確立提供網(wǎng)絡(luò)輸入。

步驟3：改進BP評價模型的確立。BP神經(jīng)網(wǎng)絡(luò)雖然具有較好的擬合能力，但其擬合能力不是絕對的，對于些復(fù)雜系統(tǒng)，預(yù)測結(jié)果會存在較大誤差；神經(jīng)網(wǎng)絡(luò)預(yù)測的準(zhǔn)確性和訓(xùn)練數(shù)據(jù)的多少有較大的關(guān)系，如果缺乏足夠多的網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)，網(wǎng)絡(luò)預(yù)測值可能存在較大的誤差。由于教學(xué)質(zhì)量評價的神經(jīng)網(wǎng)絡(luò)模型輸入（指標(biāo)分值）與輸出（總評成績）具有復(fù)雜的非線性關(guān)系，而實際評價過程中又很難得到大量數(shù)據(jù)作為訓(xùn)練樣本，所以本文利用遺傳算法GA原理，為BP神經(jīng)網(wǎng)絡(luò)選擇最優(yōu)初始權(quán)值和閥值，以提高神經(jīng)網(wǎng)絡(luò)評價模型的預(yù)測精度。

步驟4：改進BP評價模型的訓(xùn)練與測試。為檢驗改進BP評價模型的性能，在Matlab平臺下對其進行仿真實驗，輸入樣本數(shù)據(jù)對改進BP評價模型進行訓(xùn)練與測試，對仿真結(jié)果進行比較分析，總結(jié)出評價模型的優(yōu)勢和不足。