高中信息技术选修3人工智能初步教学设计-基于搜索的问题求解

高中信息技术选修3人工智能初步教学设计——基于搜索的问题求解一、教学设计的整体定位本课选自浙教版（2019）高中信息技术选择性必修3《人工智能初步》第二章第三节，是人工智能知识体系中"问题求解"主题下的核心内容。教材将"搜索"定位为人工智能解决问题的基础性方法，本节承接前面关于人工智能概念、发展历程与本源问题求解思路的铺垫，开启后续知识表示、推理与机器学习部分的学习，在整册教材中起着承上启下的枢纽作用。从学科核心素养的维度审视，计算思维是本课最重要的承载点。学生在初中与必修阶段已经具备"将现实问题抽象为数学模型"的初步经验，但多数学生的抽象仅停留在数据结构的层面，尚未建立"状态—操作—状态空间"这一人工智能特有的问题建模范式。本节课通过八数码问题、传教士与野人渡河问题、迷宫最短路径问题三个真实样例，引导学生经历"情境感知—问题抽象—状态表示—搜索建模—算法验证—迁移应用"的完整认知链条，使计算思维从口号落地为可观察、可测量的学习行为。从育人的角度审视，搜索算法是理解当代人工智能的钥匙。学生在日常生活中接触的导航系统、围棋程序、电商推荐，其底层逻辑或多或少都与状态空间搜索相关。让学生在高中阶段理解"再强大的智能程序，面对规模庞大的问题时也要依靠剪枝、启发式信息等策略克制地求解"，能够帮助他们破除对人工智能的神秘化想象，形成理性质朴的技术观。这种技术观正是新课标所强调的"信息社会责任"在人工智能领域的具体化。二、学情分析授课对象为高二年级学生。他们已经完成了必修模块的学习，掌握了Python基本语法、列表与字典等数据结构，具备用穷举法解决小规模问题的编程经验。在认知特征上，高二学生抽象逻辑思维日趋成熟，能够接受图、树等抽象结构，但对"无信息搜索与有信息搜索在效率上的差异"缺乏直观感受。前期摸底问卷显示，约八成学生听说过深度优先与广度优先这两个名词，但只有约三成学生能准确说出两者的区别；约六成学生认为"人工智能下棋就是算得快，把所有可能都试一遍"。这一认知误区恰好构成本节课的教学突破口——通过状态空间规模的估算让学生亲身"撞墙"，从而产生学习启发式搜索的内在需求。此外，班级内部差异明显。约四分之一学生在信息学竞赛训练中学过图的遍历，这部分学生可承担"算法实现优化"的拓展任务；基础薄弱的学生则以"走通流程、看懂代码、会用工具"为最低目标。教学设计采用分层任务单加以回应。三、教学目标信息意识方面，学生能够识别生活与学习情境中可用搜索求解的问题类型，例如路径规划、谜题类问题、约束满足类问题，并能判断该问题的状态空间是否有限、是否可以指数增长。计算思维方面，学生能够用状态、初始状态、目标状态、算符（操作）四要素规范地描述一个问题；能够将八数码问题抽象为状态空间图，画出局部状态转移树；能够比较深度优先搜索与广度优先搜索在空间开销、时间开销、解的最优性方面的差异；能够解释启发式函数h(n)的含义及其在A算法中的作用。数字化学习与创新方面，学生能在教师提供的半成品代码框架上补全关键语句，运行并观察不同搜索策略的搜索过程差异，能动手修改启发函数并预测其对搜索效率的影响。信息社会责任方面，学生能基于状态空间爆炸的现实，理解任何智能系统都受计算资源约束，形成对人工智能技术能力边界的理性认识。四、教学重点与难点教学重点是状态空间表示法的建构，即把一个问题抽象为"状态＋操作"模型，以及深度优先与广度优先两种基本搜索策略的执行过程与适用条件。教学难点是启发式搜索中启发函数的意义及其对搜索效率的影响。学生容易把启发函数理解为"捷径"或"魔法数字"，而忽视它是对从当前状态到目标状态的代价估计这一本质。教学中采用"估路费"的生活类比配合可视化演示加以突破。重难点的确定依据教学内容的逻辑地位和学生已有经验的落差。状态空间表示是搜索算法的前提，属于"根"的知识；启发式搜索是教学要求中最具思维含量的部分，属于"高"的要求。一根一高，构成课时推进的两条主线。五、教学方法与资源准备本课采用情境教学法、任务驱动法与类比迁移法相结合的策略。借助可视化在线工具展示搜索树的展开过程，借助Python代码半成品开展编程实践，借助小组讨论完成问题建模活动。资源方面，教师准备八数码可视化演示工具、搜索算法动态演示网页、半成品Python代码框架（含节点结构、开放列表与关闭列表的已实现部分）、分层任务单。学生每人一台联网计算机，机房安装Python环境。六、教学过程（一）情境引入：从毛估到精确的思考（约6分钟）上课伊始，教师投影呈现一道八数码问题：在一个三乘三的宫格中放入数字一至八，留出一个空格，空格可与相邻数字交换位置。初始局面为数字二、八、三排在第一行，一、六、四在第二行，七、空格、五在第三行；目标局面为一、二、三在第一行，八、空格、四在第二行，七、六、五在第三行。教师提问：至少需要移动多少次才能到达目标？学生凭直觉尝试，纷纷报出不同的次数。教师不急于评判，而是发出第二个问题：如果我们不做任何思考，让计算机一类一类地试，它最多要试多少种局面？带着这个问题，师生共同估算八数码问题的状态总数为9！＝362880种，其中可达状态为一半，即181440种。数字一出，课堂出现了明显的惊讶反应，学生直观感受到"看似简单的小游戏，状态数量竟如此庞大"。教师顺势引出课题：人工智能面对的就是这样一类问题——解存在于某个庞大的状态空间中，求解的过程就是在其中搜索。今天我们学习人工智能最古老也最根本的方法：基于搜索的问题求解。设计意图：通过"看上去简单，算起来惊人"的反差，制造认知冲突，让学生快速进入"为什么要研究搜索策略"的学习心向。状态总数的估算本身就是一次建模练习，为后续抽象做铺垫。（二）新知建构：用状态空间描述问题（约12分钟）教师以八数码问题为例，板书问题的四要素描述：状态是九个格子上数字的一种排列；初始状态是给定的起始局面；目标状态是题目要求的局面；算符是空格的上、下、左、右移动（在边界处部分算符不可施用）。教师强调：一个算符作用于一个状态，得到一个新状态，这样的"状态—算符—状态"连成的整体就构成状态空间，通常用图来表示，问题求解就是从初始节点到目标节点找一条路。随后组织小组活动一。每组领取一个问题情境：第一组是传教士与野人渡河问题——三名传教士与三名野人要过河，船限载两人，任意一岸野人数多于传教士则发生危险；第二组是农夫过河问题——农夫带狼、羊、白菜过河，船只能再带一样；第三组是四城市旅行商问题简化版；第四组是迷宫寻路问题。每组按"状态是什么、初始状态是什么、目标状态是什么、可用算符有哪些"四步完成建模，并尝试画出局部状态转移图。各组展示时，教师追问几个关键细节。对渡河组追问：怎样用一个三元组（左岸传教士数、左岸野人数、船的位置）简洁表达状态？这种表示是否遗漏信息？对迷宫组追问：把每个格子的坐标作为状态是否可行？启发学生在讨论中体会到"状态表示要足以决定后续演化，又不能冗余"。设计意图：通过多情境的平行建模，防止学生把状态空间表示法窄化为"八数码问题的特例"，促进知识的概括与迁移。四人一组的协作降低了单个学生的认知负荷，展示环节又形成组间互评的学习场域。（三）算法探究：盲目中的秩序——无信息搜索（约15分钟）教师承接上一环节：状态空间建好以后，剩下的事情就是搜索。我们先从不需要任何额外知识的"盲目搜索"开始。教师在搜索演示工具上展示一棵抽象的状态树，设定分支因子为三，深度为三。演示广度优先搜索时，让学生观察节点访问的顺序呈"逐层铺开"的形态；演示深度优先搜索时，让学生观察搜索沿一条路径扎到底再回溯的形态。教师不失时机地提炼两个算法的结构特征：广度优先用队列管理待扩展节点，先进先出；深度优先用栈管理待扩展节点，后进先出。为帮助学生形成结构化理解，教师引导学生在任务单上完成对比表格：从完备性、最优性、时间复杂度、空间复杂度四个维度比较两种算法。在理想化的均匀树上，若分支因子为b、解所在深度为d，广度优先的时间复杂度为O(b^d)，空间复杂度为O(b^d)，它能保证找到最浅解；深度优先的最大深度为m时，空间复杂度为O(b·m)，但可能陷入深支而偏离浅解。教师强调：二者的时间开销在小问题上差别不大，但当分支因子增大、解的深度加深时，指数增长的代价就会显现。随后进入编程实践环节。教师投放半成品代码，其中节点数据结构、邻居生成函数、结果显示函数已实现，搜索主框架保留了若干空行，需要学生补全待扩展列表的插入与取出语句。基础层任务是用队列补全广度优先版本，运行并记录扩展的节点数；提高层任务是把队列改为栈实现深度优先，对照运行结果，比较两种策略在八数码问题上的节点扩展数；拓展层任务是尝试实现限制深度的深度优先，并说明为何要限制深度。学生动手期间，教师行间巡视，关注两类典型问题：一是有学生把已访问节点重复扩展导致死循环，教师提示引入visited集合的必要性；二是部分学生对列表的append与pop(0)操作混淆，教师引导他们回忆"队头出、队尾进"。巡视途中教师有意发现一份完成度高的小组作品，安排其后续向全班简要讲解实现思路。设计意图：先观察后归纳再编程的实施顺序，符合"由直观到抽象再到符号化"的认知规律。半成品的代码投放把握了脚手架的度，让学生的精力聚焦在搜索策略本身而非工程细节上。分层任务回应班级内部的差异，基础层保证人人达标，拓展层为学有余力的学生开辟空间。（四）思维进阶：从无信息到有信息——启发式搜索（约12分钟）教师先让几组学生汇报刚才两种盲目搜索在八数码上的扩展节点数。数据显示即便在这样一个看似微小的题目上，广度优先扩展的节点数也已达数万量级。教师追问：这些被扩展的节点中，有没有许多明显离目标很远的局面？既然我们能"看出来"哪个局面更接近目标，能否把这种直觉教给计算机？由此引出启发式信息的概念。教师指出：对每个状态n，我们可以设计一个启发函数h(n)，估计从n到目标的代价。以八数码为例，一个自然的估计是"不在位的数字个数"；更精细的估计是"所有数字当前位置到目标位置的曼哈顿距离之和"。教师用一组具体局面现场演算曼哈顿距离：对于位置(i1,j1)上的数字，其目标位置为(i2,j2)，该数字的贡献为|i1−i2|＋|j1−j2|，把所有数字的贡献相加即得到该状态的h值。有了启发函数，搜索就有了方向感。教师讲解A算法的基本思想：每个节点维护评价函数f(n)＝g(n)＋h(n)，其中g(n)是从初始状态到n的实际代价，h(n)是从n到目标的估计代价；每次从待扩展集合中选取f值最小的节点扩展。教师用类比帮助学生理解：g(n)是已经走过的路费，h(n)是估算的剩余路费，二者相加是对全程路费的估计，优先扩展估算最便宜的那条。随后组织小组活动二。每组用教师提供的八数码局面，手工计算若干局面的h值（曼哈顿距离版），并结合g值排出扩展顺序，模拟A算法的前三步。学生完成后，教师打开A可视化演示，展示同一问题上A扩展的节点数量远低于广度优先的直观画面对比。教师进一步提出思辨性问题：如果启发函数随意高估了真实代价，会怎么样？学生讨论后教师小结：为保证找到最优解，h(n)不能高估实际代价，这一性质称为启发函数的可采纳性。教师举例说明两个候选函数h1（不在位数）与h2（曼哈顿距离）都可采纳，且h2比h1更接近真实代价，效果通常更好，由此让学生体会"启发函数设计本身就是一门手艺"。设计意图：先让盲目的代价显性化，再让启发信息的价值自然登场，制造的认知张力使学生真正体会到"知识就是效率"。手工计算h值的环节使抽象的函数具象化，对可采纳性的讨论则为学有余力者打开更严谨的理论窗口，体现内容的弹性。（五）总结提升与迁移（约5分钟）课堂尾声，师生共同回顾本节课的知识主线：问题的状态空间表示——搜索策略的设计——盲目搜索的两种经典范式——启发式搜索的方向性与评价函数f(n)＝g(n)＋h(n)。教师用一张结构图将四者串连，让学生以"三句话总结"的方式在任务单上写下自己的收获。迁移环节设置一个开放性问题：手机导航在为你规划路径时，可能用到了我们今天学到的哪些思想？它面对的状态空间是什样的？教师简要点评学生的回答，点出地图的结点—边模型正是状态空间，预估到达时间的计算正蕴含着启发函数，实时路况的动态权重体现了实际代价g的持续更新。最后布置分层作业。基础作业：完成教材课后练习中关于状态空间表示与两种搜索策略比较的题目；实践作业：在教师提供的代码仓库中把今天的队列改写成优先队列，实现A算法，并比较扩展节点数的变化；探究作业：选择一个生活中的谜题类问题（例如数字华容道、汉诺塔等），写出完整的四要素描述，并估计其状态空间规模。设计意图：以知识结构化收束课堂，以生活情境迁移激active知识的活性，以分层作业延续学习的个性化路径。七、板书设计主板书呈现问题求解的知识链条：问题→状态空间表示（状态、初始状态、目标状态、算符）→搜索策略→解。左侧分支展开无信息搜索：广度优先（队列、逐层、最浅解）与深度优先（栈、纵深、空间省）；右侧分支展开启发式搜索：f(n)＝g(n)＋h(n)，A算法，启发函数可采纳性。中间保留八数码问题的初始与目标局面示例。板书力求"左事实右思想"，中间以实例贯穿。八、教学评价设计评价贯穿课前、课中、课后。课前通过摸底问卷甄别起点，课中通过建模活动单、编程任务单、课堂观察记录进行过程性评价。观察要点包括：