计算智能基础理论与应用-课程大纲

东北大学本科课程教学大纲1.课程基本信息中文名称计算智能基础理论与应用英文名称FundamentalTheoryandApplicationsofComputationalIntelligence总学时32理论学时32实验学时0上机学时0设计学时0课外学时0学分2课程类型█理论课程□理论（含实验）课程£实践类课程理论课程性质□公共课程□学科基础□专业核心█专业方向□通识课程适用专业计算机科学与技术先修课程人工智能基础建议开课学期□1-1□1-2□2-1□2-2□3-1█3-2□4-1□4-2□5-1□5-2□*（代表每学期都开设）考核方式□考试█考查成绩分制█百分制□五级分制□二级分制使用教材1.马连博等，计算智能基础理论与应用，清华大学出版社，2026参考书及教学资源郑金华，邹娟等，《‌多目标进化优化‌》，科学出版社‌，2017；张军，詹志辉等，《计算智能》，清华大学出版社，2021；[南非]安德里斯·P.恩格尔布雷希特等.ComputationalIntelligence:AnIntroduction.Wiley出版社，2007；[印度]阿米特·科纳尔等.ComputationalIntelligence:Principles,TechniquesandApplications.Springer出版社，2005.其他说明2.课程简介中文描述EnglishDescriptionThiscoursesystematicallyintroducesthefundamentaltheories,keymethods,andpracticalapplicationsofcomputationalintelligence.Studentswilllearnthebasicconcepts,developmenttrends,andcoretechniquesofcomputationalintelligence,includingevolutionarycomputation,swarmintelligence,heuristicoptimization,neuralnetworks,multi-objectiveoptimization,data-drivenoptimization,andneuralarchitecturesearch.Throughthiscourse,studentswillunderstandtheprinciplesandworkflowsofrepresentativecomputationalintelligencealgorithms,mastertheirbasicmodelingandproblem-solvingmethods,andlearnhowthesetechniquesareappliedtocomplexoptimization,patternrecognition,intelligentdecision-making,industrialfaultdiagnosis,high-endmanufacturing,medicalintelligence,robotics,microgrids,andotherengineeringfields.Thecourseprovidesafoundationforfurtherresearchandapplicationinartificialintelligence,intelligentoptimization,andmachinelearning.3.课程目标3.1课程目标3.2课程目标与毕业要求支撑关系课程目标支撑的毕业要求（或指标点）及内容描述程度（H/M/L）1毕业要求3.2能够针对人工智能、智能优化及相关复杂工程问题的特定需求，完成算法模型、系统模块或应用方案的设计与分析，具备将计算智能方法用于复杂问题建模、算法设计和智能求解的能力；H2毕业要求4.3具有分析与解决复杂优化问题、机器学习问题和智能决策问题的能力，能够基于进化计算、群体智能、启发式算法、神经网络和多目标优化等方法开展算法分析、实验设计、性能比较与结果评价；H3毕业要求12.1掌握正确的学习方法，理解在人工智能与计算智能技术快速发展环境下自主学习和持续探索的重要性，具备跟踪数据驱动优化、神经架构搜索及计算智能工程应用等前沿方向的能力，认识到终身学习的必要性；H注：1.公共基础课程不填写3.2部分。2.建议每个课程目标对应一条毕业要求（或指标点）。3.程度选填H\M\L，H-支撑程度高、M-支撑程度中、L-支撑程度低。4.课程安排知识模块（章节）教学内容教学要求学时分配教学方法对应课程目标理论实验上机设计课外第1章绪论计算智能的定义、历史背景、基本理论、技术类别、挑战与机遇、理论与方法的发展趋势知识理解40000理论讲授多媒体演示1第2章进化计算进化计算的基本概念与基本框架，遗传算法、进化规划、进化策略、遗传规划、差分进化算法的基本原理、算法流程与进化算子分析比较

算法实现40000理论讲授多媒体演示2第3章群体智能群体智能算法的基本原理、典型方法与改进策略掌握原理

灵活运用40000理论讲授多媒体演示2第4章其他启发式算法分布估计、模拟退火和禁忌搜索等启发式算法的原理、流程与应用分析比较

算法实现20000理论讲授多媒体演示2第5章神经网络与深度学习神经网络基本概念、神经元模型、优化方法、反向传播、学习准则，感知机、卷积神经网络、循环神经网络、图神经网络、生成对抗网络和脉冲神经网络掌握原理

灵活运用40000理论讲授多媒体演示1第6章多目标优化算法多目标优化基本概念与分类，基于支配、分解和指标的多目标优化算法，大规模多目标优化算法，性能评价指标问题掌握原理

灵活运用40000理论讲授多媒体演示3第7章数据驱动优化算法数据驱动优化算法的基本原理、分类方法及典型工程应用掌握原理

灵活运用40000理论讲授多媒体演示1第8章神经架构搜索神经架构搜索的基本概念与基本框架，搜索空间设计、搜索策略、性能评估方法，包括代理模型、网络态射和权重共享等方法重点掌握灵活运用40000理论讲授多媒体演示3第9章应用计算智能在工业制造、医疗健康、网络系统和智能装备等领域的典型应用知识理解20000理论讲授多媒体演示3总学时32320注：1.每一教学内容至少对应一条课程目标。2.教学内容：介绍主要的教学内容，教学重点难点等。3.教学要求：简要给出学习成效（知识、能力、素质达成程度等），体现出对课程目标的支撑。4.教学方法：应该有支撑课程目标达成的手段和方法，如课堂讲授、专题研讨、案例教学、实验上机、实地调研等。5.课程考核5.1课程成绩评定方法1.采取理论讲授+随堂考试等途径实现课程教学目标的达成。成绩评定采用这综合随堂考试成绩方式。2.成绩评定方法：1）第一次随堂测试45%，主要考核学生对本课程前四章知识点的掌握情况，综合运用情况。2）第二次随堂测试55%，主要考核学生对本课程后五章知识点的掌握情况，综合运用情况。5.2课程目标与考核形式的关系课程目标考核形式及其成绩占比(%)分值及成绩比例%第一次随堂考试第二次随堂考试目标115%15%目标230%25%55%目标330%30%合计45%55%100%6.附加项6.1课程目标达成标准目标1：能够非常准确地了解计算智能的基本概念、发展背景、技术体系和发展趋势，非常准确地掌握进化计算、群体智能和经典启发式优化算法的基本原理、算法流程及适用场景，较好地具备复杂优化问题建模、算法设计和问题求解的能力；目标2：能够非常准确地掌握神经网络与深度学习的基本模型和训练方法，准确理解感知机、卷积神经网络、循环神经网络、图神经网络、生成对抗网络和脉冲神经网络等典型模型的原理与应用，较好地掌握多目标优化算法的分类、性能评价指标和测试问题，具备文献检索、算法分析和知识提取的能力；目标3：能够非常准确地掌握数据驱动优化和神经架构搜索的基本思想、算法框架和性能评估方法，准确了解计算智能在工业制造、医疗健康、网络系统和智能装备等领域的典型应用，较好地具备持续学习、前沿技术跟踪和算法应用效果评价的能力。目标1：能够很好地了解计算智能的基本概念、技术体系和发展趋势，很好地掌握进化计算、群体智能和经典启发式优化算法的原理及其应用，具备复杂优化问题建模和求解能力；目标2：能够很好地掌握神经网络与深度学习的基本模型和训练方法，较好地掌握多目标优化算法的分类、性能评价指标和测试问题，具备文献检索、算法分析和知识提取能力；目标3：能够很好地掌握数据驱动优化和神经架构搜索的基本思想、算法框架和性能评估方法，了解计算智能在工业制造、医疗健康、网络系统和智能装备等领域的应用，具备持续学习和算法应用效果评价能力。目标1：能够基本了解计算智能基本概念和主要优化算法，一定程度上具备复杂优化问题建模与求解能力；目标2：能够基本掌握神经网络、多目标优化等基本方法，一定程度上具备文献检索、算法分析和知识提取能力；目标3：能够基本掌握数据驱动优化、神经架构搜索及典型应用，一定程度上具备持续学习和算法应用评价能力。目标1：不能够了解计算智能基本概念和主要优化算法，不具备复杂优化问题建模与求解能力；目标2：不能够掌握神经网络、多目标优化等基本方法，不具备文献检索、算法分析和知识提取能力；目标3：不能够掌握数据驱动优化、神经架构搜索及典型应用，不具备持续学习和算法应用评价能力。6.2课程质量评价和改进机制1)成绩评定法：通过学生课堂表现+