高中信息技术选修3《智能模拟人机博弈》教学设计

高中信息技术选修3《智能模拟人机博弈》教学设计一、教学背景分析“智能模拟人机博弈”是浙教版2019高中信息技术选修3《人工智能初步》第四章的重要内容，承接前序“知识表示”与“搜索策略”的学习，将人工智能从“能搜索”推向“会决策”。高中阶段的学生普遍接触过棋类、卡牌或电子游戏，对“人机对弈”有天然兴趣，但绝大多数停留在体验层面，对机器“如何思考”缺乏结构化认知。本课时以五子棋简化版本为情境载体，围绕“机器如何评估局面、如何选择落点、如何预测对手”三个递进问题展开，引导学生理解博弈树、极大极小算法（Minimax）与启发式评估函数的思想，并通过剪枝优化初步感知计算效率与搜索深度的矛盾。该内容是连接算法思维与人工智能素养的关键节点，也是后续学习强化学习的认知支架。二、学情分析授课对象为高中二年级选修人工智能课程的学生。他们已完成必修模块“数据与算法”的学习，能够使用Python编写包含函数、循环、列表的程序，具备基础的递归概念（递归在必修阶段仅要求理解示例代码）。可能的困难集中在三个方面：一是博弈树随步数呈指数膨胀，超出学生的直观想象，需要借助图示与数据对比；二是Minimax算法的“分层交替”逻辑较为抽象，正逆向交替思维训练不足；三是将评估函数具象化为代码时，部分学生会将“棋型规则”与“数值评分”混淆。针对上述学情，本课采取“实物对弈—图形拆解—代码实现—参数调优”的进阶路径。三、教学目标1.信息意识：在真实对弈情境中感受智能体的决策过程，认识人工智能在人机博弈领域的能力边界与工程代价。2.计算思维：能将博弈过程抽象为状态、行动与结果的模型，理解博弈树的展开方式，掌握极大极小算法的基本流程，能用伪代码与Python描述算法核心逻辑。3.数字化学习与创新：改造教师提供的半成品代码，为简化五子棋程序设计评估函数与搜索策略，通过调整搜索深度、优化棋型权重，使智能体表现出可感知的“聪明程度”变化。4.信息社会责任：通过讨论AlphaGo、游戏外挂、博弈AI军备竞赛等现象，初步形成对智能技术公平性与边界问题的价值判断。四、教学重点与难点教学重点：博弈树的概念与展开方式；极大极小算法的决策机制；启发式评估函数的设计思路。教学难点：Minimax算法中“我方取最大、对手取最小”的递归交替逻辑；评分回溯决策链条在代码层的贯通。五、教学策略与方法采用情境教学、任务驱动与代码探究相结合的策略。以“井字棋先手必胜”作为破冰点，建立“穷举可以带来必胜策略”的直觉；以四层博弈树的纸上演算突破算法认知难点；以分层任务（模仿—修改—创造）照顾不同编程基础的学生。教学媒体包括交互式电子白板、学生机Python3.x环境、教师预编的简化五子棋框架程序与可视化博弈树工具。六、教学过程（一）情境导入：机器为什么能赢（约5分钟）上课伊始，教师发起现场对弈：邀请两名学生在白板上进行五子棋快棋，限制每步思考3秒；随后教师启用自制AI程序与连胜学生交手，AI在数回合内取胜。教师抛出问题串：同样面对棋盘，人靠经验和直觉，机器靠什么？机器的“聪明”是天生的，还是人教给它的？学生的回答通常集中在“算法”“计算快”上。教师顺势聚焦：本节课就要拆开这台“聪明”机器的外壳，看清它下棋时脑子里那一连串推理动作。（二）建构新知：从博弈树到评估函数（约15分钟）1.博弈树：把对弈画成一棵树教师以井字棋为例，把“空棋盘”作为根节点，第一步有9种下法生成9个子节点，每个子节点又向下分叉。学生在学案上手工展开两层，数一数节点数。随后教师给出对比数据：井字棋总状态数约为5×10⁵量级，中国象棋约10⁴⁸，围棋约10¹⁷⁰。一个直觉自然建立：状态空间爆炸，穷举不可行，机器必须“边搜边估”。教师板书核心结论：决策=搜索+评估。2.评估函数：给局面打分教师提问：当无法搜到最后一步时，机器如何判断当前局面对自己有利？引导学生类比棋评解说中的“局面占优”“多子优势”。落点到五子棋：活四价值最高，冲四次之，活三、活二依次递减。师生共同商定一组初始权重（如活四100000分、冲四1000分、活三100分、活二10分），并明确评估函数的作用：把一个局面映射为一个数值，数值越大对我方越有利。3.Minimax：假设对手足够聪明教师出示一棵深度为3、每个节点仅有2至3个分叉的小型博弈树（叶节点评分提前给出），组织“同桌博弈”：桌面约定我方（MAX方）想让分数最大，对手（MIN方）想让分数最小。学生以小组为单位，自叶向根逐层填写每个节点的回推值，再写出根节点的最终选择。巡场后教师用动画演示逐层回溯过程，点明算法的三条精髓：叶子评分、交替取舍、值向上传递。紧接着板书算法的核心递推关系并用所见即所得的形式呈现：V（s）＝max｛V（s′）｝，当s为MAX层节点，s′为s的所有后继局面V（s）＝min｛V（s′）｝，当s为MIN层节点，s′为s的所有后继局面教师强调其中蕴含的哲学式假设：我方总是假定对手会走出对我方最不利的一步。正是这份“悲观”，保证了策略在最坏情况下的稳健性。（三）任务探究：让程序会下棋（约25分钟）学生两人一组，打开教师下发的五子棋工程文件，其中棋盘绘制、落子合法性判断、胜负判定已完成，留空的三个函数等待填充。任务一（基础层）：补全评估函数evaluate（board）。程序框架以注释形式给出棋型识别提示（连续同色子的长度与两端开放情况），学生依据课堂商定的权重表为棋局打分。验收标准：在一手即可连成五子的局面与一手只能形成活二的局面之间，函数返回的分数应呈现明显梯度。教师为编程基础较弱的小组发放“脚手架卡”，提供已完成的单一棋型判分函数，要求学生改为可遍历全盘的版本。任务二（核心层）：实现深度为2的Minimax。学生依据白板上的伪代码（枚举我方落点→模拟对手最佳应对→取我方得分的最大值）完成函数maxmin（board，depth）。教师提醒两个高频错误：其一，模拟落子后未撤销落子，导致搜索“弄脏”棋盘；其二，MAX层与MIN层的比较方向写反。出现运行异常时，教师引导学生用打印语句观察每次回传的分数，体会“值向上传递”的动态过程。任务三（进阶层）：引入AlphaBeta剪枝并量化提速。框架中提供计时代码，学生对比加入剪枝前后搜索深度的可达差异——实践数据显示相同时间预算下剪枝版本通常可多搜索2至3层。教师不要求学生推导剪枝正确性，只要求理解一句话：已证明无关紧要的树枝，就不必再爬上去看。能用代码实现该优化的小组获得“算法工程师”认证贴纸，其余小组阅读教师提供的实现并标注每一行注释。（四）实战检验与调优（约10分钟）举办“班级AI擂台赛”：每组将程序接入统一对战平台，进行双败淘汰的快棋循环赛。赛后组织学生复盘落败棋局，回答三个问题：输在哪一步？当时程序“看到”了几层？它的评估函数忽略了什么棋型？学生往往能发现诸如“只顾进攻不堵对手活三”的缺陷。教师引导其修改权重或加入防守项后重赛，切身体会“评估函数即知识”：机器的智慧上限，取决于人教给它的局面理解有多深。（五）总结提升与价值引导（约5分钟）师生共同梳理本课逻辑链：博弈问题→博弈树建模→评估函数打分→Minimax决策→剪枝增效。教师补充展望：从1997年深蓝战胜卡斯帕罗夫依靠的正是本课思想与巨大算力，到2016年AlphaGo以深度学习与蒙特卡洛树搜索突破围棋，机器博弈的历史是“搜索+知识”不断被重写的历史。随后抛出开放讨论：当博弈算法被用于广告竞价、证券交易乃至网络攻防，技术中立的边界在哪里？鼓励学生课后查阅资料形成简短观点，下节课交流。七、板书设计主板书：智能模拟人机博弈左区：决策＝搜索＋评估；博弈树（根—分支—叶子）。中区：Minimax三原则：叶子评分、交替取舍、值向上传；核心递推式两式。右区：评估函数权重表（活四＞冲四＞活三＞活二）；AlphaBeta剪枝：不看无关的树枝。副板书：擂台赛比分与学生调优记录。八、作业设计基础作业：完成学案上四棵小型博弈树的回推值计算，并写出根节点决策。提升作业：将课堂五子棋程序的搜索深度提升至3层，记录每步耗时变化，用一句话解释耗时与深度的关系。拓展作业（选做）：调研井字棋的必胜策略是否可以通过Minimax完整穷举得到验证，尝试在本课框架上改写棋盘模块，提交可运行程序与结论说明。九、教学评价过程性评价嵌入每个探究环节：小组演算的正确率、代码调试中的提问质量、擂台赛中的调优次数均计入课堂表现。结果性评价依托三维量规：算法理解（能口述Minimax流程并正确演算）、工程实现（程序可运行且决策合理）、创新迁移（能否提出并验证一处策略改进）。量规在课前向学生公开，评价主体包含教师、小组与个人三个维度。十、教学反思预设本课的最大风险在于代码实现环节耗时失控。预案为：若多数小组未能完成任务二，则将任务三整体转为教师演示与阅读注释，保证算法理解的完整性优先于编程完整性。其次，纸上演算博弈