智能网联汽车决策规划技术算法原理与实践电子教案 第5章

《智能网联汽车决策规划技术算法原理与实践》课程教案（20～20学年第学期）课程：适用专业：授课班级：班级人数：授课教师：院（系）：

（20～20学年第学期）学情分析1知识背景：1.1学生已在先修课程中学习《C++/Python程序设计》等课程，具备编程实现能力、图算法认知及动态规划思想储备，能够熟练运用邻接矩阵表示图结构。1.2学生对智能网联汽车路径规划、校园服务机器人等场景有一定了解，能够理解“所有节点对最短路径”的核心需求。2学习习惯：2.1学生自主学习能力较强，更倾向于通过代码实践、场景仿真、项目实战深化对算法的理解，对校园机器人这类贴近生活的项目兴趣浓厚。2.2对算法优化（空间、并行化）的实际效果关注较高，适合通过对比实验、数据验证掌握知识点。3学习需求：3.1希望系统掌握Floyd算法的核心原理、与Floyd-Warshall算法的区别及工程化改进方法。3.2需要通过编程实践、项目开发（校内机器人配送系统），提升算法优化能力和多模块整合开发能力。4教学挑战：4.1Floyd与Floyd-Warshall算法的区别易混淆，需通过对比分析、场景适配强化认知。4.2并行化优化的逻辑（多线程任务分配、结果合并）较复杂，需分步拆解实现流程。4.3校内机器人配送系统涉及图构建、路径查询、用户交互等多模块，需协调各部分开发逻辑。5教学策略：5.1采用“理论讲解+代码实现+对比分析+项目实战”的理实一体化教学模式。5.2设计“基础算法实现→算法优化（空间/并行化）→校园机器人项目落地”的阶梯式任务。5.3运用小组合作、代码互评、可视化工具（NetworkX、Matplotlib）提升学生参与度和实践能力。6预期目标：6.1学生能够透彻理解Floyd算法的核心逻辑（动态规划迭代）、与Floyd-Warshall的区别及适用场景。6.2学生能够独立用C++/Python实现基础Floyd算法及空间优化、并行化优化版本。6.3学生能够完成校内机器人配送系统开发，实现校园内任意地点间的最短路径规划与查询，具备多模块整合能力。

教学单元教案教学设计概述课题名称Floyd算法及其在智能网联汽车中的应用课题序号4授课日期课题时数4课时数分配理论授课：2练习/实训：2教学目标1.知识目标：1.1了解Floyd算法的历史背景（1962年提出）、核心优势（稠密图高效）及典型应用领域（校园机器人、网络路由等）。1.2掌握算法的核心原理（动态规划思想）、实现步骤（邻接矩阵迭代更新）及图的邻接矩阵表示方法。1.3理解Floyd算法与Floyd-Warshall算法的区别（适用场景、负权边处理、实现细节）。1.4了解算法的改进策略（空间优化、并行化计算）及各自的实现逻辑。1.5熟悉算法在校内机器人配送系统中的应用逻辑，理解路径规划与用户交互的协同流程。2.技能目标：2.1能够用C++/Python实现基础Floyd算法，完成校园内所有地点对的最短路径计算。2.2能够实现空间优化（单矩阵迭代）、并行化优化（多线程）版本，对比不同版本的性能差异。2.3能够完成校内机器人配送系统的核心模块开发（图构建、路径查询、结果可视化）。2.4能够设计简单的用户交互界面，实现地点信息查询、最短路径查询功能。3.素养目标：3.1培养算法思维和工程优化能力，提升复杂场景（算法改进、项目开发）的问题解决能力。3.2强化场景化应用意识，理解算法与智能服务机器人（校园配送）的结合逻辑。3.3提高团队协作与沟通能力，能够在项目开发中分工完成模块开发与整合测试。重点与难点重点：1.Floyd算法的核心原理（动态规划迭代更新邻接矩阵）及实现步骤。2.Floyd与Floyd-Warshall算法的区别（适用场景、负权边处理）。3.算法的工程优化（空间优化、并行化）及代码实现。4.校内机器人配送系统的核心模块（图构建、路径规划、用户交互）开发与整合。难点：1.Floyd与Floyd-Warshall算法的区别辨析及场景适配。2.并行化优化的任务分配、线程同步及结果合并逻辑。3.校内机器人配送系统中，图结构与校园地点信息的映射、路径查询结果的准确输出。教学场地计算机实训室（配备编程环境、NetworkX/Matplotlib可视化工具、多线程开发工具、项目开发仿真平台）教学方法采用多元混合教学方式：问题探究法（以“校园机器人如何规划最短配送路径”导入）、任务驱动法（阶梯式编程任务）、案例教学法（校内配送案例）、理实一体法（边讲边练）、项目实战法（机器人配送系统开发）。教学手段教学过程中采用PPT演示（算法原理图示、对比表格）、代码演示（分步拆解实现过程）、可视化工具（NetworkX、Matplotlib）、多线程开发环境、在线教学平台（作业提交与互评）辅助教学。课程思政设计技术创新意识：通过Floyd算法的空间、并行化优化，引导学生关注“算法轻量化、高效化”的创新价值，树立技术服务实际场景的理念。工程伦理素养：在校内机器人配送系统开发中，强调“路径准确性、用户体验友好性”，引导学生树立负责任的工程技术观。精益求精精神：通过基础算法与优化版的性能对比，培养学生追求高效、持续迭代的技术态度。

教学设计及反馈教学环节用时设计教学活动教学内容辅助资源课前30分钟预习任务回顾Floyd-Warshall算法的原理和局限性，思考“如何针对稠密图优化算法”。预习动态规划的迭代思想，了解空间优化、并行化计算的基本概念。熟悉Python/C++中多线程编程基础，NetworkX图可视化工具的使用。课前课中15分钟导入阶段1.提出问题：“校园机器人配送物品时，如何快速计算任意两个地点间的最短路径？Floyd-Warshall算法在稠密图中是否有优化空间？”2.展示校内机器人配送系统的演示视频，介绍核心功能（地点查询、路径规划）。3.引出本章核心目标：掌握Floyd算法的原理、优化及校内机器人项目开发。PPT（场景视频、问题列表）、校园机器人配送系统演示视频45分钟知识讲解（理论课时1）1.Floyd算法简介：背景与历史（1962年RobertFloyd提出）、核心优势（稠密图高效）、应用领域。2.与Floyd-Warshall算法的对比：适用场景（稠密图vs通用图）、负权边处理（不支持vs支持）、实现细节（空间占用差异）。3.核心原理：动态规划思想（中间节点迭代优化）、实现步骤（邻接矩阵初始化、三重循环迭代、结果输出）。4.计算过程：分步演示4节点图的矩阵迭代，展示路径优化过程。PPT（算法对比表格、矩阵迭代动画）、4节点图案例、C++/Python代码演示文件30分钟实践操作（实训课时1）基础任务：用C++/Python实现基础Floyd算法，完成校园简化版（4个地点）的所有节点对最短路径计算。对比任务：实现Floyd-Warshall算法，对比两者在空间占用、运行效率上的差异。可视化任务：使用NetworkX绘制校园简化版图结构及最短路径，直观展示算法结果。编程环境（VSCode、PyCharm）、校园简化版地点数据、NetworkX可视化模板45分钟知识讲解（理论课时2）算法改进：空间优化（单矩阵迭代，减少内存占用）、并行化优化（多线程任务分配，提升大规模图效率）的原理。并行化实现逻辑：任务拆分（按节点块分配线程）、线程同步、结果合并的步骤。应用案例解析：校内机器人配送系统的架构设计（地点信息模块、图构建模块、路径规划模块、用户交互模块）。项目开发要点：校园地点信息的存储、邻接矩阵的构建、路径查询与结果输出的逻辑。PPT（优化流程图、项目架构图）、核心代码片段、校园地点信息表30分钟实践操作（实训课时2）优化任务：实现空间优化版Floyd算法，对比基础版的内存占用；实现多线程并行化版本，对比运行效率。项目任务：搭建校内机器人配送系统基础框架，完成地点信息初始化、邻接矩阵构建模块。功能实现：开发路径查询模块，调用Floyd算法计算最短路径并输出。编程环境、多线程开发工具、校园完整地点及路径数据、项目代码框架课后60分钟作业布置编程作业：用Python/C++实现“含动态障碍物的A路径规划”（模拟智能网联汽车避障场景）。思考作业：分析HybridA算法与基础A算法的核心差异，说明其在智能网联汽车场景的优势。项目预习：阅读ROS机器人导航项目文档，梳理A算法与RViz可视化的衔接思路。在线教学平台（作业发布）、项目文档、参考代码框架教学成果学生掌握Floyd算法的原理、与Floyd-Warshall的区别及优化策略。能够独立完成基础版、优化版算法的编程实现，解决稠密图