思想政治教育策略的IKH算法最優選擇

黃愛軍

摘要：為了提高思想政治教育策略選擇的精度和有效性，有針對性地做大學生思想政治教育工作具有重要的現實意義。在預設大學生群體意識行為正負激勵的背景下，運用改進的磷蝦群算法的良好尋優能力優化投影尋蹤分析模型，建立IKHPP的思想政治教育策略模型。與KHPP相比，思想政治教育策略選擇精度提高了3.95%和4.09%，從而說明IKHPP可以有效提高思想政治教育策略選擇的精度。

關鍵詞：思想政治教育;磷蝦群算法;正激勵;投影尋蹤分析;最佳投影方向

中圖分類號：G643

文獻標志碼：A

BestChoiceofIdeologicalandPoliticalEducationStrategyBasedonIKHAlgorithm

HUANGAijun

（EducationDepartment，XiantaoVocationalCollege，Xiantao433000，China）

Abstract：Inordertoimprovetheaccuracyandeffectivenessofideologicalandpoliticaleducationschemeselection，itisofgreatpracticalsignificancetodoagoodjobinideologicalandpoliticaleducationforcollegestudents.Underthebackgroundofpresettingpositiveandnegativeincentiveofcollegestudentsgroupconsciousnessbehavior，theprojectionpursuitanalysismodelisoptimizedbyusingthegoodsearchingabilityoftheimprovedkrillswarmalgorithm，andtheideologicalandpoliticaleducationstrategymodelofIKHPPisestablished.ComparedwithKHPP，theaccuracyofideologicalandpoliticaleducationstrategyselectionisimprovedby3.95%and4.09%，indicatingthatIKHPPcaneffectivelyimprovetheaccuracyofideologicalandpoliticaleducationstrategyselection.

Keywords：ideologicalandpoliticaleducation;Krillswarmalgorithm;positiveincentives;projectionpursuitanalysis;optimumprojectiondirection

0引言

隨著社會經濟的發展和大學招生人數規模的不斷擴大，有針對性地做好大學生思想政治教育工作具有重要的現實意義。大量研究表明[1]，大學生的個人意識和行為具有正相關性，因此通過正確合理的思想政治策略選擇教育（正激勵、負激勵、樹立榜樣和標桿等），可以實現很好的教育工作效果。

為了提高思想政治教育策略選擇的精度，在預設大學生群體意識行為正負激勵的背景下[2]，運用改進的磷蝦群（ImprovedKrillHerd，IKH）算法的良好尋優能力優化投影尋蹤分析（ProjectionPursuit，PP）模型，建立IKHPP的思想政治教育策略模型。與KHPP相比，思想政治教育策略選擇精度提高了3.95%和4.09%，從而說明IKHPP可以有效提高思想政治教育策略選擇的精度。

1思想政治教育正負激勵策略

正激勵是指主動性的激勵[3]，對于學生而言，正激勵主要通過肯定、認可學生的積極行為，適當的物質獎勵，以調動學生爭當正面典型的積極性，正確的教育引導和科學管理，營造健康的輿論氛圍，為學生個體樹立學習的榜樣，為集體指引正確的方向，用正確的輿論力量來抵制錯誤輿論。

負激勵是被動性的激勵，對人們的某種行為給予否定、制止和懲罰，弱化這種行為，朝著有利于個體需要和組織目標實現的方向發展。正激勵與負激勵都是必要而有效的，因為這兩種方式的激勵效果不僅會直接作用于個人，而且會間接地影響周圍的個體與群體。丹尼爾森.卡爾曼從心理學角度證明，負激勵所具有的懲罰作用更明顯。

因此，對于從事學生工作的輔導員來說，要慎用負激勵，因為懲罰會給人帶來心靈上的創傷。我們對于學生采用的負激勵方式大致是：批評、取消評優、警告處分、留校察看之類的，這些負激勵措施也許可以起到以儆效尤的作用，但一定要把握負激勵的尺度和力度，不能產生任何的偏差。在思想政治教育工作中，對學生采取正負激勵策略，確實有助于形成一種健康積極向上的群體氛圍和輿論導向，提高大學生辨別是非的能力，增強個體的自我意識，從而引導理性的群體意識行為。

2改進的磷蝦群算法

在KH算法中，每個磷蝦個體為解空間內的一個可行解，食物為KH算法的全局最優解。磷蝦總的移動Zk由誘導運動Rk、覓食運動Sk與隨機擴散Tk共同決定[4]，下標k表示第k只磷蝦，如式（1）。

Zk=Rk+Sk+Tk

（1）

式中，Zk為這只磷蝦總的移動。

（1）誘導運動

誘導運動分為目標指引、局部影響以及引導慣性，如式（2）。

Rk=Rmaxαk+ωrRoldk

（2）

式中，Rmax為最大誘導速度;Roldk為上一次誘導運動的速度矢量;αk和ωr分為誘導方向和誘導權重;αk和ωr均處于[0，1]之間，且αk+ωr=1。

（2）覓食運動

覓食運動包括覓食經驗和食物指引，覓食速度Sk如式（3）。

Sk=Vsβk+ωsRoldk

（3）

式中，Vs為最大覓食速度;βk和ωs分別為覓食方向和權重;βk和ωs均處于[0，1]之間，且βk+ωs=1。

（3）隨機擴散

隨機擴散速度Tk，如式（4）。

Tk=Tmax（1-t/tmax）δ

（4）

式中，δ為隨機擴散方向，且δ∈[0，1];Tmax為最大隨機擴散速度。

在Δt時間段內磷蝦個體位置更新公式如式（5）、式（6）。

xk（t+Δt）=xk（t）+Δt×Zk

（5）

Δt=Ct∑NVi=1（UBi-LBi）

（6）

式（5）和（6）中，Ct為步長縮放因子;UBi和LBi為變量上界和下界;NV為變量維數。然而，標準KH算法容易陷入局部最優，為避免KH算法陷入局部最優和提高收斂速度，將擾動算子β引入隨機擴散，如式（7）。

Tk=Tmax（1-t/tmax+β）δ

（7）

式（7）中，β=η×fitness，η∈[0，1]。

改進的KH算法流程，如圖1所示。

3基于IKHPP模型的思想政治教育策略選擇

3.1評價指標

為實現思想政治策略的選擇，本研究從道德品質、政治表現、思想政治理論、考勤指數、學習指數、成績指數和日常表現等7個維度構建思想政治教育策略評價指標，一二級評價指標如表1所示。

3.2投影尋蹤分析

投影尋蹤分析（ProjectionPursuit，PP）是處理和分析高維數據的統計方法。假設若第i個樣本第j個指標為xij（i=1，2，…，n;j=1，2，…，m），其中，n和m分別為樣本個數和指標個數，則PP分析步驟為[5]：

（1）數據預處理：為了消除各個指標量綱對評價結果的影響，統一各個指標值的變化范圍，采用極值歸一法對指標值進行標準化處理[6]：

對于正向型指標如式（8）。

x*ij=xij-min（xj）max（xj）-min（xj）

（8）

對于逆向型指標如式（9）。

x*ij=max（xj）-xijmax（xj）-min（xj）

（9）

式（8）和（9）中，max（xj）和min（xj）為第j個指標樣本的最大值和最小值;x*ij為經過標準化處理后的指標值。

（2）構造投影指標函數：設α=（α（1），α（2），…，α（m））為投影方向，將x*ij向α上投影，得到一維投影值z（i）如式（10）。

z（i）=∑mj=1αjx*ij

（10）

將目標函數Q（α）定義為投影值類間距離Sz與類內密度Dz的乘積，如式（11）。

Q（α）=SzDz

（11）

式（11）中，類間距離Sz用投影值z（i）的標準差計算，類內密度Dz為投影值z（i）的局部密度如式（12）、式（13）。

Sz=∑ni=1（z（i）-E（z））2n-1

（12）

Dz=∑ni=1∑nj=1（R-rij）u（R-rij）

（13）

式（12）和（13）中，E（z）為投影值z（i）的平均值，Sz的值越大，點團散布越開。rij為投影值之間距離rij=z（i）-z（k）（i、k=1，2，…n）。u（t）為單位階躍函數，當t=（R-rij）≥0，其值為1，當t=（R-rij）<0，其值為0。R為求局部密度時的窗口半徑，取R=min（x（i，j））5+max（x（i，j））32。

（3）優化投影指標函數：通過最大化類間距離與類內密度的乘積來尋找最佳投影方向，即求投影指標函數的最大值問題[8]，如式（14）。

MaxQ（α）=SzDz

s.t.∑mj=1α2j=1，0≤αj≤1

（14）

（4）分類：將最佳投影方向α*代入式（16）中，計算出個樣本點的投影值z*（i），比較z*（i）和z*（j）大小，若二者越接近，則二者傾向于分為一類;若按照投影值z*（i）大小排序，則可以計算出不同樣本的優劣[9]，如式（15）。

z（i）=∑mj=1α（j）x*（i，j），i=1，2，…，n

（15）

3.3目標函數

針對PP模型的評價精度受最佳投影方向選擇的影響，運用IKH算法優化PP模型的最佳投影方向，目標函數如式（16）。

MaxQ（α）=SzDz

s.t.∑mj=1α2j=1，0≤αj≤1

（16）

3.4算法流程

基于IKHPP模型的思想政治教育策略選擇算法流程為：

（1）讀取思政政治教育策略的評價指標數據，劃分訓練集和測試集，并進行歸一化處理，消除數據量綱差異帶來的影響;

（2）設置IKH算法參數：磷蝦種群大小N、最大隨機擴散速度Tmax、最大誘導速度Rmax、最大迭代次數Maxgen以及最大覓食速度Vs，并隨機初始化種群;

（3）對于訓練集，根據公式（16）計算種群適應度，并進行排序，計算各運動分量;

（4）更新磷蝦種群位置;

（5）判斷算法終止條件，若達到最大迭代次數Maxgen，則輸出最優解，也就是獲得最佳投影方向α*;反之，返回步驟（3）;

（6）將最佳投影方向α*帶入PP模型，計算思想政治教育策略方案的好壞或等級。

4實驗結果與分析

4.1思想政治教育策略方案

為了評價不同思想政治教育策略方案的好壞或等級，結合表1的評價指標，選擇表2的5個等級的思想政治教育策略為研究對象[1011]，如表2所示。

表2中5個等級分別為優、較好、中、一般和差，每個等級有7個評價指標。

4.2評價指標

為提高IKHBP模型的收斂速度和計算精度，對數據進行歸一化處理[12]，如式（17）。

=（x-xmin）/（xmax-xmin）

（17）

式中，為歸一化處理之后的數據;x、xmin、xmax分別為原始數據、原始數據序列中的最小值和最大值。為了評價不同方法進行思想政治教育策略選擇的優劣，選擇準確率作為思想政治教育策略選擇的評價指標如式（18）。

AC=TNN×100%

（18）

式中，AC為準確率;N為樣本總數;TN為正確分類的樣本數量。

4.3結果分析

按照表1中各指標的評價等級范圍和分級標準[13]，在每個等級區間內隨機生成100個標準評價對象，獲得500個標準樣本數據，并對樣本數據進行標準化處理，將500個標準評價對象數據按照訓練集所占比例為0.8劃分訓練集和測試集。IKH和KH參數設置為：磷蝦種群大小N=100、投影方向α范圍為[0，1]、最大隨機擴散速度Tmax=0.02、最大誘導速度Rmax=0.03、最大迭代次數Maxgen=100以及最大覓食速度Vs=0.02。

將為證明IKHPP模型進行思想政治教育策略選擇的優越性，將IKHPP與KHPP、PSOBP和DEBP進行對比，不同模型參數設置如表3所示。

表3不同模型參數

算法參數設置

PSO種群規模N=10，最大迭代次數T=100，學習因子c1=c2=2，搜索區間[-1，1]

DE種群規模N=10，最大迭代次數T=100，縮放因子FR=0.5，交叉概率pc=0.7

不同算法獨立運行10次，將10次思想政治教育策略選擇結果的平均值作為最終選擇結果。思想政治教育策略選擇評價時，將9個評價指標作為IKHPP模型的輸入，策略等級作為IKHPP模型的輸出，建立IKHPP思想政治教育策略選擇模型，結果如圖2、圖3和表4所示。

由思想政治教育策略選擇評價精度對比結果可知，在訓練集和測試集上，IKHPP的最優準確率分別為96.62%和97.65%，優于PSOPP模型的93.05%和93.93%、DEPP模型的92.71%和93.07%、KHPP模型的92.67%和93.56%和PP模型的89.12%和88.73%，與PP相比，水質評價精度提高了7.5%和8.92%;與KHPP相比，思想政治教育策略選擇精度提高了3.95%和4.09%，從而說明IKHPP可以有效提高思想政治教育策略選擇的精度。

此外，在訓練集和測試集上，IKHPP的思想政治教育策略選擇最差準確率和平均準確率均優于PSOPP、DEPP、KHPP和PP，從而說明IKHPP進行思想政治教育策略選擇具有更強的穩定性和魯棒性。

收斂速度對比如圖4所示。

可知不同算法收斂速度的對比，與PSO、DE和KH相比，IKH具有更快的收斂速度且具有更高評價精度。主要原因可能是：IKH算法將擾動算子β引入隨機擴散，可以提高KH算法的局部搜索能力和全局搜索能力，提高了尋優精度。

5總結

文中在預設大學生群體意識行為正負激勵的背景下，運用改進的磷蝦群算法的良好尋優能力優化投影尋蹤分析模型，建立IKHPP的思想政治教育策略模型。與KHPP相比，思想政治教育策略選擇精度提高了3.95%和4.09%，從而說明IKHPP可以有效提高思想政治教育策略選擇的精度。由于思想政治教育策略的選擇因素較多，本文只考慮了部分評價因素，后期將研究更多影響因素的思想政治策略選擇，進一步提高模型的適用性和精度。

參考文獻

[1]蔣海彬，郝桂榮，劉剛.高等學校大數據思想政治教育評價系統研究[J].錦州醫科大學學報（社會科學版），2018（1）：103105.

[2]張楠楠，林春雷，李凱瑞.高校思想政治教學評價指標體系構建研究[J].河北大學成人教育學院學報，2017（4）：117120.

[3]李君亮，許典利，陳艷.高校思想政治理論課教學質量監控與評價分析[J].教育教學論壇，2017（19）：6061.

[4]牛培峰，陳科，劉阿玲，等.基于磷蝦群算法的汽輪機組最優初壓研究[J].動力工程學報，2017，37（8）：615621.

[5]崔東文.改進蝴蝶優化算法投影尋蹤模型在區域河長制考核評價中的應用[J].三峽大學學報：自然科學版，2019（5）：1218.

[6]楊昊，劉鵬，李玉星，等.基于投影尋蹤模型的天然氣管道災害評價分析[J].油氣田地面工程，2019（1）：111115.

[7]白雁翎，崔晨風，童山琳.基于改進螢火蟲算法的投影尋蹤太湖水質綜合評價[J].節水灌溉，2017（5）：7276.

[8]梁薇.基于投影尋蹤模型的網評評委綜合素質評價[J].統計與決策，2017（23）：6063.

[9]蘇敏杰，白栩嘉.基于最大熵投影尋蹤模型的云南省近10a水資源承載力評價[J].長江科學院院報，2018，35（6）：1218.

[10]李祚泳，汪嘉楊，徐源蔚.規范變換與誤差修正結合的環境系統的前向網絡和投影尋蹤預測模型[J].環境科學學報，2019，39（6）：20532070.

[11]張瑞，袁斐.基于AHP的高校輔導員職業能力評價指標體系研究[J].絲路視野，2017，11（6）：4244.

[12]曹昱鵬，王智杰，胡勇文.改進的層次分析法在高校學生綜合素質評定中的應用[J].輕工科技，2018（3）：5355.

[13]周海燕.高校思想政治教育精細化管理PSR模型的指標體系研究[J].教育學術月刊，2019（7）：2125.

（收稿日期：2020.03.07）