高中二年级数学：人工智能梯度下降算法赋能函数极值问题解题策略教案

高中二年级数学：人工智能梯度下降算法赋能函数极值问题解题策略教案

一、教学背景分析

（一）学科与学段定位

本教学设计定位为高中二年级数学学科，具体实施于高二年级下学期，隶属于选修课程“导数及其应用”模块与校本化“数学建模与人工智能启蒙”专题的深度融合。【非常重要】该学段学生已完成函数通性、初等函数模型、导数运算及导数在单调性分析中的应用等核心知识建构，正处于从“静态解析”向“动态优化”思维跃迁的关键敏感期。本课精准锚定学生已有认知，将人工智能领域的经典算法——梯度下降法作为工具性策略引入，旨在打通高等数学思想与中学数学问题之间的认知壁垒，实现数学学科核心素养与计算思维的双重落地。【热点】

（二）课程标准与教材分析

依据《普通高中数学课程标准（2017年版2020年修订）》，本课内容对应“导数及其应用”主题中“能利用导数求不超过三次的多项式函数的极值与闭区间上的最值”这一学业要求。【高频考点】现行主流教材（以人教A版选择性必修第二册为例）对极值问题的处理均停留在解析法范畴，即通过求导、解方程、判别符号三步完成。本设计在忠实于课标基本要求的基础上，大胆突破教材边界，以“人工智能化解题策略”为名，实质是引入一维梯度下降算法，使学生在面对不可求导、求导后方程无法解析求解等真实复杂情境时，掌握一种可操作的数值逼近方法。这是对教材内容的有效补充与思维升维，绝非取代，而是体现“用数学的眼光观察世界、用数学的思维思考世界、用数学的语言表达世界”的课改理念。【非常重要】

（三）学情分析

知识层面：学生已系统掌握基本初等函数的求导公式，能够熟练完成多项式函数、简单的三角函数与指数型复合函数的求导运算，对导数符号“f‘(x)”的几何意义（切线斜率）有清晰认知，能通过解不等式f’(x)>0或<0判断函数单调区间。【基础】但面对形如f(x)=x⁴-3x³+2x²+5x-1的四次函数求极值问题时，学生虽能正确写出导函数，却因无法求解四次方程而陷入思维停滞——这是典型的“解析法依赖症”症状。

认知特征：高二学生具备较强的逻辑推理能力和初步的抽象概括能力，对“算法”“迭代”“人工智能”等术语充满好奇，但对这些概念背后的数学本质普遍缺乏深度理解，极易停留在“黑箱操作”的表层认知。【难点】此外，学生对“近似”“逼近”这类非精确数学结果存在心理排斥，习惯追求“唯一正确答案”，需要通过精心设计的认知冲突来扭转这一固化思维。

情感态度：学生普遍对人工智能技术（如人脸识别、自动驾驶）有浓厚兴趣，但普遍认为其数学门槛极高，与自己现阶段所学无关。本课正是利用这一认知落差，通过将复杂的神经网络训练简化为高中生完全可操作的导数迭代，点燃学生的效能感与学术自信。【非常重要】

（四）教学目标与核心素养

1.知识与技能

（1）能准确运用导数求解不超过三次的多项式函数的极值点，并规范书写解题步骤。【基础】【高频考点】

（2）能复述一维梯度下降算法的核心迭代公式x_{k+1}=x_k-η·f‘(x_k)，并解释其中各符号的数学意义与算法角色。【重要】

（3）能借助GeoGebra动态数学软件模拟梯度下降过程，根据函数图像特征合理调节学习率η与初始值x₀，观察并记录收敛现象。【非常重要】

2.过程与方法

（1）经历从“解方程求精确根”到“沿负梯度迭代逼近”的策略转换，体验人工智能算法“以计算量换解析解”的根本方法论。

（2）通过控制变量实验（固定初始点改变学习率、固定学习率改变初始点），初步形成控制变量思想与算法参数敏感性分析意识。【热点】

（3）在小组协作探究中，运用数学语言描述迭代过程中的震荡、发散、陷入局部最优等现象，发展数学交流与批判性思维能力。

3.情感态度价值观

（1）感受数学内部（导数）与外部（人工智能）的深刻关联，树立学科交叉融合的创新观。

（2）认同“近似解”在真实世界工程问题中的合法性与重要性，破除对“绝对精确”的盲目崇拜。

（3）通过亲手“指挥”算法逼近极值，体会试错、调整、再试错的科学探究精神，形成理性、开放、严谨的学术人格。【非常重要】

（五）教学重难点

1.教学重点

（1）导数法求函数极值的标准化操作流程（求导→解f’(x)=0→列表判符号）。【高频考点】【基础】

（2）一维梯度下降算法的核心思想：迭代格式的建构及其几何意义的可视化理解。【非常重要】

2.教学难点

（1）学习率η的双刃剑效应：过小导致收敛极慢，过大引发震荡甚至发散。【难点】【高频考点】

（2）初始值x₀的选择对收敛结果的决定性影响——局部最优陷阱的本质认知。【难点】

（3）从“f‘(x)=0”到“x←x-η·f’(x)”两种求极值范式的思维转换，尤其是理解为什么迭代要在梯度不为零时持续进行。【非常重要】

（六）教学方法与策略

本课采用“双主线并行、三冲突递进、四技术融合”的教学策略。双主线即数学知识主线（极值问题解析解法）与算法思想主线（梯度下降数值解法）并行不悖、互为注脚；三冲突指三次认知冲突的设计——第一次是用解析法无法求解四次方程，第二次是发现同一函数从不同起点出发竟能得到不同“最优点”，第三次是意识到梯度为零点可能是鞍点而非极值点；四技术融合指板书推演、GeoGebra可视化、Python代码片段演示与纸质任务单的立体化媒介组合。教法上以“问题链”串联，学法上以“做中学”贯穿，全程贯穿数学抽象、逻辑推理、数学建模、直观想象四大核心素养。

二、教学准备

（一）教师准备

1.课件开发：使用GeoGebra6.0版本制作交互式html5课件，预设至少5个不同形态的一元函数（单谷、多谷、平坦区、导数不连续点等），并设计滑动条用以实时调节学习率η、初始点x₀、迭代次数N。课件必须支持显示迭代轨迹点列及对应函数值。【非常重要】

2.代码储备：编写JupyterNotebook格式的Python演示脚本，包含完整的梯度下降函数定义及针对目标函数的调用实例。代码风格要求极简，仅保留核心逻辑，去除任何无关语法干扰，便于课堂现场解读。

3.学案设计：印制《梯度下降算法实验任务单》，内含三大板块——（1）参数敏感性记录表；（2）算法步骤填空；（3）开放性问题：“如果你来设计学习率，你希望它具备什么特性？”。

（二）学生准备

1.知识复现：课前完成导数求极值的4道基础练习题，重点复习二次求导与符号判定。

2.软件熟悉：部分小组提前接触GeoGebra经典版界面，了解“输入框”“滑动条”“追踪轨迹”等基本操作（不作统一要求）。

3.分组策略：全班按“异质分组”原则分为8组，每组4人，确保每组至少有一名数学成绩优秀、一名计算机操作熟练、一名善于表达的同学。【重要】

三、教学实施过程

【本环节严格按照“认知冲突—概念建构—可视化探究—算法抽象—技术验证—迁移升华—批判反思—应用挑战”八阶循证教学模型展开，总计用时45分钟，约占全课总时长的82%】

（一）环节一：认知冲突与问题驱动——当“公式法”遭遇“解不出”【非常重要】

1.递进式任务链引爆冲突

上课伊始，教师直接在白板呈现三个函数，要求学生以最快速度求出极小值点（或最值点）。

任务A：f(x)=x²-2x-3。学生几乎不假思索，口答得x=1。教师板书标准过程：f’(x)=2x-2，令其为零得x=1，因二阶导为正，故为极小值点。【基础】

任务B：f(x)=x⁴-3x³+2x²+5x-1，x∈[-1,3]。学生动笔尝试，约一分钟后出现明显分化：部分学生求出f‘(x)=4x³-9x²+4x+5，但面对三次方程4x³-9x²+4x+5=0束手无策，只能用试根法猜出x≈-0.5或x≈1.8，但无法确认；另一部分学生直接放弃代数推导，改用计算器代入区间端点与可疑点估算函数值。教师追问：“如果不借助计算工具，你能否保证找到的就是最小值？”全班陷入沉默——第一次认知冲突达成。

任务C：f(x)=sinx+0.1x²。学生发现求导后得到cosx+0.2x=0，这是典型的超越方程，解析解根本不存在。此时有学生小声说：“这只能用电脑画图看了。”教师顺势接话：“很好！电脑是怎么‘看’出极值点的？它难道也会求导、解方程吗？”【非常重要】

2.问题链导向算法思想

教师连续抛出三个层层递进的问题，要求小组讨论一分钟并即兴回答。

问题1：假设你是一个盲人，站在山坡上，看不见整座山的形状，只知道自己脚下的高度和脚下的坡度，你如何安全地走到山谷最低处？

学生立刻回答：往脚下最陡的下坡方向走一步，然后重新感觉坡度，再走一步，重复多次。

问题2：这个“走一步”的大小，是越大越好，还是越小越好？

学生争论：走大了可能跳过山谷、走到对面山坡上；走小了要很久才能到谷底。初步感知步长需适中。

问题3：如果山坡有很多起伏（多峰函数），你从不同位置出发，最终都会到同一个最低点吗？

部分学生预感到“不一定”，可能会陷在某个小坑里。

至此，教师并未给出任何术语，但学生已经用自己的语言完整复现了梯度下降的全部核心要素：当前位置、负梯度方向、步长、局部最优。这是极其宝贵的朴素前概念。【非常重要】

（二）环节二：概念锚定——从“下山步子”到“数学公式”【重要】

1.从生活语言到数学语言

教师选取最简单的二次函数f(x)=x²作为锚点工具。在GeoGebra中显示其图像，并标记点A(2,4)。

师：“站在A点，往左走还是往右走，函数值会减小？”

生：“往左，因为左边更低。”

师：“数学上怎么判断左右？”引导学生观察切线斜率：A点切线斜率为4（正），说明函数在此处上升，因此要减小x才能下降。反之，若导数为负，则应增大x。

2.迭代公式的诞生

板书：当前坐标x_k，导数f’(x_k)。为了“抵消”上升趋势，新的位置x_{k+1}应满足：若f’(x_k)>0，则x_{k+1}<x_k；若f‘(x_k)<0，则x_{k+1}>x_k。用一个式子统一表达：x_{k+1}=x_k-η·f’(x_k)，其中η>0。

教师解释：η是对“坡度”的信任程度——若坚信脚下的坡度一直延伸到谷底，就大步走（η大）；若怀疑坡度很快会变，就小步试探（η小）。至此，梯度下降的一维形式完全由学生自主建构得出，教师仅作符号规范化。【非常重要】【高频考点】

3.命名与呼应

教师正式给出术语：这个公式就是人工智能领域最核心的优化算法——梯度下降法。η叫作学习率，f‘(x_k)是当前位置的梯度，整个过程叫作迭代。学生此时对视而笑，原来传说中“高深的人工智能”其数学内核竟如此朴素，学习自信大幅提升。

（三）环节三：可视化探究——参数如何操纵算法的命运【热点】【非常重要】

1.固定函数下的参数扫描实验

以函数f(x)=x⁴-3x³+2x²+5x-1为例，教师打开GeoGebra预设文件。界面左侧显示函数图像，右侧显示迭代点列轨迹及对应的函数值列表。

实验一：固定初始点x₀=0，学习率η从0.01逐渐增加。

η=0.01：迭代点以极慢速度向右蠕动，30步后仍在x=1.2附近，未到达谷底。

η=0.1：迭代点快速、平滑地滑向x≈1.8处的极小值，约8步后稳定。

η=0.5：迭代点先向右大步跨越，越过谷底后反弹，形成左右震荡，但振幅逐渐减小，最终收敛。

η=1.2：迭代点剧烈震荡，幅度不降反增，最终弹出图像范围——发散。

学生记录并惊呼：“学习率太大会崩！”【难点】

实验二：固定η=0.1，改变初始点。

x₀=-1：迭代点向左移动，最终停在x≈-0.5处的另一个极小值点。

x₀=2.5：迭代点向右移动，最终停在x≈1.8处的极小值点。

x₀=-0.3：迭代点陷入一个极其平缓的区域，迭代速度极慢，50步后仍原地徘徊。

教师追问：“同样的下山法则，为什么终点不同？”学生自然得出：终点取决于起点，算法只能找到附近的谷底，不保证是整座山最低处——局部最优概念由此建立。【非常重要】

2.小组自主探究（8分钟）

各组从教师分配的3个函数中任选其一，使用平板或教室一体机操作GeoGeepera课件，完成《任务单》表1。函数库包含：

组1、2：f(x)=x³-2x+2（单谷，但有平坦区）；

组3、4：f(x)=e^x-3x（单谷，陡峭不对称）；

组5、6：f(x)=|x|+0.2x²（在x=0处导数突变）；

组7、8：f(x)=x·sinx(0≤x≤10)（多谷）。

任务要求：每组至少尝试3种不同学习率、2个不同初始点，记录是否收敛、收敛到何处、迭代步数。教师巡回指导，重点关注组内是否出现“局部最优”讨论，并引导学困生聚焦于观察而非计算。【重要】

3.全班共识汇总

各组代表用1句话分享核心发现，教师提炼板书三条：

发现1：学习率过小→慢；过大→崩；适中→快且稳。

发现2：不同起点可能到达不同谷底——算法有局限性。

发现3：导数不存在或变化剧烈的地方，迭代容易异常。【难点】

（四）环节四：算法拆解——从“动态演示”到“静态步骤”【基础】【重要】

1.标准化流程板书

教师引导学生将刚才的操作经验上升为普适性算法步骤，逐条板书并赋予名称。

【步骤一：初始化】设定初始参数x₀，学习率η，终止条件（梯度绝对值小于ε，或达到最大迭代次数N）。【基础】

【步骤二：梯度计算】计算当前位置的导数值f‘(x_k)。【高频考点】

【步骤三：参数更新】x_{k+1}=x_k-η·f’(x_k)。【非常重要】

【步骤四：循环判断】若|f‘(x_{k+1})|<ε或k+1≥N，则输出x_{k+1}；否则k←k+1，返回步骤二。【重要】

2.手算模拟强化代数感

以f(x)=x²为例，全班共同手算3轮迭代。取x₀=2，η=0.1。

第1轮：f’(2)=4，x₁=2-0.1×4=1.6。

第2轮：f‘(1.6)=3.2，x₂=1.6-0.1×3.2=1.28。

第3轮：f’(1.28)=2.56，x₃=1.28-0.1×2.56=1.024。

教师提问：“此时函数值是多少？”学生计算f(1.024)=1.048。“与起点函数值4相比，下降了多少？”学生回答下降了约74%。教师强调：三次简单乘法，就把2推近到1，而精确极小点是0。这种“用简单计算反复堆叠出精确解”的思想，正是人工智能算法的精髓。【非常重要】

（五）环节五：技术赋能——代码视角的算法具身【热点】【非常重要】

1.真实代码的现场解读

教师投屏展示JupyterNotebook中预先写好的Python函数，每一行均配有中文注释。

defgradient_descent(f_prime,x0,eta=0.1,eps=1e-6,max_iter=100):

x=x0

foriinrange(max_iter):

grad=f_prime(x)

x_new=x-eta*grad

ifabs(grad)<eps:

print(f“迭代{i+1}次后收敛”)

break

x=x_new

returnx

教师特别指出：f_prime是一个“函数的函数”，即输入位置x、输出导数值——这正是高中数学“导函数”概念的编程实现。学生发现，原来编程不过是把数学公式“翻译”成英文单词，畏难情绪显著降低。【重要】

2.代码填空式任务

任务单第二部分提供同一段代码，但挖去三处关键信息：①函数名后的参数；②更新公式；③循环终止条件。要求学生根据板书内容补全。正确率当场以小组互批形式反馈，教师统计发现超85%学生能准确完成，证明算法步骤已内化。【基础】

3.思辨讨论：人工智能真的在“思考”吗？

教师展示神经网络训练动图，指出其本质就是成千上万个这样的梯度下降同时进行。学生由此理解：所谓“人工智能学习”，并不是机器产生了意识，而是机器在高速执行数学迭代。这种祛魅化解读极大地激发了学生深入钻研算法本质的热情。【非常重要】

（六）环节六：策略迁移——从一元到多元的思想飞跃【拓展】【热点】

1.二维类比生成

教师调用GeoGebra3D计算器，显示二元函数z=x²+y²的曲面，并放置一个红色小球在点(1,2,5)。问：“如何让小球滚到最低点(0,0,0)？”学生类比一元情形：“沿最陡的下坡方向滚。”

教师揭示：最陡下坡方向就是负梯度方向。在多元函数中，梯度是一个向量，由各个偏导数组成。但核心思想完全一致——当前位置减去学习率乘以梯度向量。此处不要求计算，仅作视觉印象植入。【非常重要】

2.学科价值升华

教师播放时长30秒的神经网络训练动画，画面中成千上万个参数同时进行梯度下降，损失函数曲线逐渐下降。旁白：“这就是你刚才在纸上做的‘x←x-η·f’(x)’，只不过重复了百万次、亿次。从解一道数学题，到训练ChatGPT，数学原理从未改变。”全班自发鼓掌，跨学科视野与民族科技自信在此刻达成深度融合。【热点】

（七）环节七：反思批判——算法不是万能钥匙【难点】【重要】

1.鞍点陷阱

教师展示函数f(x)=x³的图像，从x₀=1开始用η=0.1迭代。手算几步发现，x会逐渐靠近0，并在0附近停滞，但f’(0)=0，而x=0既不是极大也不是极小——这是一个鞍点（拐点）。【高频考点】

学生惊觉：梯度为零不等于极值！这与导数法求极值时还需“判符号”步骤完全对应。教师强调：梯度下降只能保证走到梯度为零的地方，但无法判断此地是谷底、山顶还是马鞍点。这是数值优化算法的固有缺陷，也是为什么纯粹的“数据驱动”必须结合“知识驱动”的原因。【重要】

2.策略对比表（口头共建）

教师引导学生口头归纳两种解题策略的适用场景：

解析法（导数解方程）：适用于低次、可因式分解、能显式求解的情形。优点：精确、快速；缺点：适用范围窄。【基础】

梯度下降法（数值迭代）：适用于任何可求导函数，尤其高次、超越、无解析解情形。优点：普适、容错；缺点：近似、需调参、可能陷局部。【非常重要】

学生明确：二者是战友而非敌人，优秀的问题解决者应能根据武器库灵活选择。

（八）环节八：应用挑战——真实情境中的优化决策【热点】【非常重要】

1.经典最优化应用题重构

题目：某工厂生产某种产品，日产量x（单位：百件）与总成本C(x)的关系为C(x)=0.01x³-0.5x²+20x+500。问产量为多少时，平均成本C(x)/x最低？

常规解法：令g(x)=C(x)/x=0.01x²-0.5x+20+500/x，求导后得0.02x-0.5-500/x²=0，通分后得三次方程，求解繁琐。【高频考点】

教师要求：先用导数法尝试解三次方程（部分学生用试根法得x≈12.6），再用梯度下降法（可视化作图法）快速逼近。两组结果对比，误差极小。学生感叹：“考试时用试根法可能浪费时间，但用梯度下降思想画个图，几秒钟就能锁定区间。”【非常重要】

2.开放性拓展——不可导情形

教师设问：若电费采用阶梯电价，导致成本函数在x=10处有一个不可导的折点，导数法彻底失效。此时如何用梯度下降思想解决？引导学生讨论出“次梯度”“坐标下降”等朴素思路，并鼓励学有余力者课后查阅“梯度下降的变种算法”并制作海报展示。

3.组间质询与答辩

每组派代表展示本组在探究环节获得的某一函数梯度下降收敛图，另一组代表针对参数选择进行“灵魂拷问”：“为什么选这个学习率？”“如果换一个初始值，会不会得到更优解？”“你如何确定这是全局最小？”被问及的小组需运用本节课所学进行辩护或承认不足。此环节将课堂思维密度推至顶峰，真实还原了科学研究中的同行评议过程。【非常重要】

四、教学评价与反馈

（一）过程性评价嵌入

1.关键行为观察：教师在巡回指导中重点关注三类行为——是否能主动调节参数观察变化（反映实验设计意识）；是否能向组员清晰解释“为什么发散”（反映概念内化程度）；是否在任务单中使用数学符号而非日常语言（反映学科化表达水平）。【重要】

2.任务单即时诊断：任务单共设计6道梯度计算填空题、3处代码填空、1个参数记录表、2道简答题。当堂抽取20%样本批阅显示：梯度计算准确率92%，代码填空准确率81%，简答题中能准确描述“学习率双刃剑”的比例达76%。【基础】

3.错误概念捕获：在小组讨论中，有学生误认为“只要学习率足够小，一定能找到全局最优”。教师立即记录此典型迷思概念，并在环节七通过f(x)=x·sinx多峰函数演示予以精准纠偏。【难点】

（二）终结性评价设计

课后作业实施分层赋分，不打总分，仅以等级反馈。

A层（基础巩固）：求函数f(x)=2x³-9x²+12x-3的极值点（导数法），并用手算模拟梯度下降前三步（取x₀=4，η=0.05）。【基础】

B层（应用迁移）：给定