Python基础实现 大纲

PAGEPAGE14《智能优化算法及其应用》课程教学大纲一、课程基本信息课程名称智能优化算法及其应用IntelligentOptimizationAlgorithmandItsApplication课程编码ZD100671开课单位人工智能学院、自动化学院课程类别专业方向课开课学期第6-7学期开课学期第4-6学期考核方式考试总学时32学分2适用专业全部工科专业授课语言中文先修课程高级语言程序设计；Python语言二、课程简介=1.课程中文简介本课程是面向工科专业开设的一门人工智能类和优化类课程。智能优化算法是近年来新兴的优化方法，是受到关注最多的优化研究领域之一，其模拟社会性动物的各种群体行为，利用群体中的个体之间的信息交互和合作来实现寻优的目的。本课程系统解析模拟退火算法、遗传算法、蚁群算法、粒子群优化算法等经典算法设计逻辑，同步引入诸如哈里斯鹰优化算法、黑翅鸢优化算法等近年来高影响力新型群体智能优化算法，还原算法诞生与迭代设计全过程，探索群体智能优化算法解决在科学研究和工程实践中的应用，着力培育学生逻辑思维、计算思维与创新思维，提高学生解决复杂工程问题的能力。本课程是校级“课程思政”示范课程，在教学过程中有机融入家国情怀培育、科学家精神传承、国家战略使命担当等思政元素，激发学生的学习热情和爱国情怀，培养学生为国家为社会做出贡献的社会责任感。2.课程英文简介=Itisanelectivecoursecoveringartificialintelligenceandoptimizationforengineeringmajors.Asaburgeoningoptimizationmethodologyinrecentyears,swarmintelligenceoptimizationhasbecomeoneofthemostwidelystudiedresearchareasinoptimization.Inspiredbydiversegroupbehaviorsofsocialanimals,thesealgorithmsfindoptimalsolutionsviainformationinteractionandcooperationamongindividualsinapopulation.Thiscoursesystematicallyanalyzesthedesignideasofclassicalgorithms:SimulatedAnnealingAlgorithm,GeneticAlgorithm,AntColonyOptimizationandParticleSwarmOptimization.Italsointroducesinfluentialnewly-proposedalgorithmssuchasHarrisHawksOptimizationandBlack-wingedKiteOptimizationAlgorithm.Thecoursereviewsthewholelifecycleofalgorithmoriginationanditerativeimprovement,explorestheirapplicationsinscientificresearchandpracticalengineering,andfocusesoncultivatingstudents’logical,computationalandinnovativethinkingaswellastheirabilitytosolvecomplexengineeringproblems.Asauniversity-levelexemplarycourseforcurriculumideologicalandpoliticaleducation,thiscoursenaturallyintegratesideologicalelementsincludingpatriotismcultivation,inheritanceofscientists’spiritsandawarenessofnationalstrategicresponsibilitythroughoutteaching.Itstimulatesstudents’learninginitiativeandpatriotism,andfosterstheirsenseofsocialresponsibilitytocontributetothecountryandsociety.三、课程目标及其与毕业要求对应关系课程目标编码课程目标教学方法M1课程目标1：熟悉智能优化算法的基本思想，理解并掌握智能优化算法求解复杂工程问题的思维逻辑，能够建立复杂工程问题的数学模型，综合考虑可持续发展的要求，寻求解决复杂工程问题的多种可行方案，并进行求解。文献查阅、课堂讲授翻转课堂、课堂讨论案例式教学M2课程目标2：：熟练使用Python、Matlab、C++等现代工具实现各种群体智能优化算法，对复杂性问题进行数学建模并进行仿真，能够采集有效的实验数据，以表、图等形式表达实验结果，并对实验结果进行分析，分析算法的优劣。文献查阅、课堂讲授翻转课堂、课堂讨论案例式教学M3课程目标3：掌握自主学习的方法，理解各种群体智能优化算法的精髓及创新，能够正确理解新兴群体智能优化算法思想和原理，并进行实践。文献查阅、课堂讲授翻转课堂、课堂讨论案例式教学课程思政课程思政目标：能够理解机器人工程及相关行业的技术变革对工程和社会的影响，接受应对新的挑战，能够适应新技术变革。课程思政点1：从局部到全局搜索策略，树立全局意识。课程思政点2：通过讲解模拟退火和遗传算法，培养学生理论联系实践的思维。课程思政点3：以国学文化做引入，使学生坚定“四个自信”。课程思政点4：通过蚁群算法理论，培养艰苦奋斗、认真钻研的科学精神。课程思政点5：通过粒子群算法学习，引导学生团队协作集体主义精神。课程思政点6：激励学生新时代中国青年蓬勃向上的精神面貌，激发学生创新意识和能力。四、课程内容及要求（一）理论教学内容及与课程目标对应关系序号章节号学时分配章节名称教学内容与要求教学重点与难点教学方法与手段课程思政元素课程目标1第1章2绪论教学内容：1引言2最优化问题及其分类3启发式算法4计算复杂性与NP完全问题教学要求：了解最优化问题的基本概念和应用领域、理解传统的优化算法和智能优化算法的不同，熟悉智能优化算法的发展；理解启发式算法的定义、分类和性能分析；理解并掌握算法复杂性和问题复杂性的概念和计算；理解复杂性问题的分类、定义和实例。自主学习任务：查阅文献和小视频,了解物理退火的过程，了解模拟退火算法的物理学基础和算法思想教学重点：最优化问题的基本概念和分类；优化算法的分类；启发式算法的性能分析；复杂性问题的分类教学难点：启发式算法的性能分析；复杂性问题的定义教学方法：文献查阅课堂讲授翻转课堂课堂讨论案例式教学课后实践教学手段:多媒体课件+传统教学线上+线下通过学习最优化问题的定义和数学模型，最优化算法的思想，培养学生从全局的眼光审视问题分析问题的能力，落实立德树人的根本任务，把社会主义核心价值观融实践入教学中[课程思政点1]。M12第2章4模拟退火算法

SA教学内容：1局部搜索2物理退火过程3模拟退火算法原理和解析4应用案例教学要求：理解邻域的数学含义和局部搜索算法的基本思想，能够求解简单的TSP问题；了解物理退火的过程，理解模拟退火的思想和模拟退火算法的步骤，了解模拟退火算法的改进，熟悉模拟退火算法的实现与初步应用。自主学习任务：查阅文献和小视频,了解物理退火的过程，了解模拟退火算法的物理学基础和算法思想教学重点：邻域；局部搜索；模拟退火的思想和解析；模拟退火算法的改进与应用教学难点：模拟退火算法模型的理解和解析；应用模拟退火算法求解复杂工程问题教学方法：文献查阅课堂讲授翻转课堂课堂讨论案例式教学课后实践教学手段:多媒体课件+传统教学线上+线下通过学习模拟退火算法的物理学基础和算法原理，培养学生国际视角了解和关注本专业的发展前沿，激励学生不负青春韶华、勤奋学习、树立正确的世界观、人生观和价值观、走好人生道路，为实现中华民族伟大复兴的中国梦奉献自己的智慧和力量[课程思政点2]。M1M2M33第3章6遗传算法

GA教学内容：1遗传算法简介2遗传算法原理和解析重构3遗传算法的应用4遗传算法的改进教学要求：解遗传算法的起源和应用领域，理解遗传算法的生物学基础；理解遗传算法的基本原理和基本思路；掌握遗传算法的构成要素和控制参数的选择；熟悉遗传算法的实现，能够用遗传算法解决复杂性问题。自主学习任务：查阅文献和小视频,了解遗传算法的生物学基础和算法思想，了解遗传算法在各个领域中的应用教学重点：遗传算法的机制原理；遗传算法模型的理解和和解析重构教学难点：遗传算法模型的理解和解析重构；应用遗传算法求解复杂工程问题教学方法：文献查阅课堂讲授翻转课堂课堂讨论案例式教学课后实践教学手段:多媒体课件+传统教学线上+线下通过学习，遗传算法的生物学基础,理解遗传算法的基本原理和基本思路,掌握遗传算法的构成要素和控制参数的选择，积极调动学生的学习积极性和主观能动性，培养学生解决复杂问题的自信心，坚定“四个自信”。M1M2M34第4章4蚁群算法ACO教学内容：1蚁群算法的生物学背景2蚁群算法基本原理和解析重构3蚁群算法步骤和参数设置4蚁群算法的改进5蚁群算法的应用实例。教学要求：了解蚁群的行为描述；理解蚁群优化的机制原理；掌握蚁群算法关键参数和操作的设计；了解蚁群算法的改进和发展；熟悉蚁群算法的实现，并初步应用蚁群算法解决复杂性问题。自主学习任务：查阅文献和小视频,了解ACO生物学基础和基本思想，了解算法的精髓所在教学重点：蚁群算法的机制原理；蚁群算法模型的理解和解析重构教学难点：蚁群算法模型的理解和和解析重构；应用蚁群算法求解复杂工程问题教学方法：文献查阅课堂讲授翻转课堂课堂讨论案例式教学课后实践教学手段:多媒体课件+传统教学线上+线下通过学习蚁群算法的生物学基础、理解和和解析重构ACO算法，激励学生守正创新，培养学生“仰之弥高、攀之弥坚”的艰苦奋斗的意识和“刻苦学习、认真钻研”的科学精神[课程思政点4]。M1M2M35第5章4粒子群优化算法PSO教学内容：1.粒子群优化算法的生物学背景2.粒子群优化算法原理3.粒子群优化算法的和解析重构4.粒子群优化算法和遗传算法的比较5.粒子群优化算法的应用实例教学要求：了解粒子群优化算法的生物学背景；理解和掌握粒子群优化算法流程及参数设置；熟悉粒子群优化算法的实现，应用粒子群算法求解复杂性工程问题。自主学习任务：查阅文献,了解基本PSO和标准PSO的区别，思考微小改进产生巨大效果的原因。教学重点：粒子群优化算法思想，算法模型的理解和解析重构教学难点：算法模型的理解和和解析重构，应用粒子群算法求解复杂工程问题教学方法：文献查阅课堂讲授翻转课堂课堂讨论案例式教学课后实践教学手段:多媒体课件+传统教学线上+线下通过学习粒子群算法的生物学基础，理解和和解析重构PSO算法，增强学生团队意识，激发学生同舟共济、团结合作的责任感。[课程思政点5]。M1M2M36第6章4新兴群体智能算法教学内容：1.群体智能优化算法的发展2.新兴群体智能优化算法教学要求：了解群体智能优化算法的发展方向和发展前沿；了解新兴的群体智能优化算法的基本思想和算法流程自主学习任务：查阅文献,了解近3年群体智能优化算法的重要文献教学重点：理解新兴的群体智能优化算法的基本思想，算法模型的理解和重建解析教学难点：理解群体智能算法的发展方向，应用新兴群体智能算法求解复杂工程问题教学方法：文献查阅课堂讲授翻转课堂课堂讨论案例式教学课后实践教学手段:多媒体课件+传统教学线上+线下通过学习和理解新兴群体智能算法，了解群体智能发展方向，激励学生新时代中国青年蓬勃向上的精神面貌，培育和发扬学生的社会主义核心价值观，激发学生创新意识和能力[课程思政点6]M1M2M3合计学时总计24（二）实验教学内容及与课程目标对应关系序号实验项目编号和名称学时分配实验内容实验要求实验仪器或设备实验类型课程思政元素课程目标1实验一遗传算法实现及应用2熟悉并掌握遗传算法原理和算法流程；通过现代工具实现该算法，并用其解决一个复杂性问题。上机仿真，独立完成实现和调试。Matlab或Python等程序语言环境设计性理解算法原理，采用现代工具实现算法，不断调试，提高代码质量，培养学生大国工匠精神。M1M2M32实验二蚁群算法实现及应用2熟悉并掌握遗传算法原理和算法流程；通过现代工具实现该算法，求解中国旅行商问题。上机仿真，独立完成实现和调试。Matlab或Python等程序语言环境设计性从中国旅行商问题切入，强调中国34个省级行政区划，培养学生的家国情怀和爱国主义精神。M1M2M33实验三粒子群算法实现及应用2熟悉并掌握粒子群优化算法原理和算法流程；通过CEC测试集，比较基本PSO和标准PSO算法的区别。上机仿真，独立完成实现和调试。Matlab或Python等程序语言环境设计性从基本PSO和标准PSO算法的细微区别切入，通过CEC测试集，比较基本PSO和标准PSO算法的区别，培养学生的科学家精神。M1M2M34实验四新兴优化算法实现及应用2熟悉并掌握新兴智能优化算法原理和算法流程；通过现代工具实现该算法，求解复杂工程问题。上机仿真，独立完成实现和调试。Matlab或Python等程序语言环境设计性从查阅新兴智能优化算法文献切入，指导学生求解复杂工程问题，培养学生创新精神。M1M2M3合计学时总计8五、课程考核与评价（一）课程考核评价方式及权重理论教学考核以考核课程目标的达成为主要目的，以检查学生对各知识点的掌握程度和应用能力为重要内容，包括过程性考核和期末考核两部分，考核环节包括作业、课堂讨论业、实验、在线测试、期终考试等，课程总评成绩由过程性考核成绩和期终考试成绩两部分加权而成，过程性考核成绩和期终考试成绩所占的权重分别为40%和60%。1、过程性考核（40%）。包括平时作业（10分）、课堂讨论（10分）、课内实验（20分）等环节，考勤不单独记入过程性考核成绩；平时作业。平时作业主要针对本课程基本理论知识进行习题训练、主要考核学生对所学知识理解和掌握的情况。课堂讨论。课堂讨论主要考核学生提出个性化思路、非常规解法，发散思维与创新思考水平的创新探究能力。课内实验。设计型实验主要考核学生能够根据实验要求综合运用课程知识与理论，设计实验方案、排查实验问题、数据分析优化与科研创新的综合实践能力。2、期终考试（60%）采用闭卷考试的形式，主要考核学生对采用群体智能优化算法解决复杂问题的分析以及应用能力。考核方式课程目标过程性考核方式及占比期终考试（60%）课程目标分值平时作业（10%）课堂讨论（10%）课内实验（20%）M140%40%40%80%64M230%30%30%10%18M330%30%30%10%18各考核环节分值10102060100（二）课程考核方式及评价标准考核环节课程目标评价标准（基于满分100分）优秀(100>x≥90)良好(90>x≥80)中(80>x≥70)及格(70>x≥60)不及格(x<60)平时作业M1能够熟练概括各类群智能算法核心思想；工程建模完整，可持续约束全面；自主设计可行优化方案，逻辑严谨准确掌握算法基本原理，工程建模完整，可持续约束基本齐全，可设计求解方案，少量细节瑕疵算法概念少量错误，建模框架完整、可持续因素考虑片面勉强完成基础建模，算法理解存在明显漏洞，缺少可持续约束，方案设计不完善。作业抄袭或缺交，无法建立工程数学模型，无可行求解方案M2代码完整可运行；仿真数据齐全，表格、曲线图格式标准；多指标定量对比算法收敛精度、速度等优劣代码调试后正常运行，数据、图表齐全，算法性能分析较全面，个别评价指标缺失代码存在少量bug，数据完整，图表格式不规范，算法分析内容浅显代码多处错误，经帮助完成仿真，缺少规范图表，仅简单描述算法好坏代码无法运行，无实验数据、无结果分析M3自主查阅中外文献，归纳经典算法核心精髓；自主学习至少1种前沿群智能算法，提出可行改进创新思路自主搜集课外资料，精准总结经典算法特点，清晰阐述一种新兴算法原理，创新构想合理以教材内容为主，少量拓展课外资料，能看懂新兴算法基本原理，无创新思考基本照搬课本内容，仅粗略了解前沿算法定义完全依赖教材，不了解任何新兴优化算法课堂讨论M1主动发言，结合工程实例剖析算法逻辑，主动辨析方案优劣积极参与交流，能完成案例建模讨论被动作答，需教师提示才能梳理建模思路经反复引导勉强复述基础概念，无法独立完成方案构思提问无法应答，不懂工程建模逻辑M2主动分享不同编程语言实现差异，依托仿真实验数据多角度分析算法性能优劣能清晰说明代码实现思路，结合仿真结果对比不同算法优缺点提示后简述编程思路，只能零散谈论算法表现在引导下勉强理解代码逻辑，不会结合数据分析完全不懂算法编程与仿真逻辑M3课前自主研学前沿文献，课堂分享新算法学习心得，针对现有算法提出原创改进思路课前简单预习拓展内容，准确回答新兴算法原理，可探讨优化方向经提示复述前沿算法概念，无自主拓展与创新观点经提示复述前沿算法概念，无自主拓展与创新观点经提示复述前沿算法概念，无自主拓展与创新观点课内实验M1实验模型规范，可持续约束参数设置合理，多方案设计完整，方案选型依据充分数学建模正确，可持续约束较完善，两套优化方案完整，个别参数设置不合理基础建模成立，可持续条件缺失较多，仅完成单一方案搭建模型存在缺陷，约束条件残缺，需指导才可完成简易方案无法构建有效工程数学模型M2代码轻微故障，调试通过；数据图表完整，性能分析缺少一项评价维度代码多处问题，在指导下完成仿真，图表存在格式错误，多维度量化对比显不足依靠参考代码完成仿真，数据不完整，结果分析流于表面不能独立完成代码编写与仿真测试M3自主调研课外新兴