算法課程教學的實踐與思考

平艷艷

摘要：算法課程是生物信息專業(yè)的基礎課程，是生物信息學研究分析生物醫(yī)學問題最為常用的方法技術。然而，優(yōu)化算法是一門具有嚴密的邏輯性和高度的抽象性的課程，對缺乏相關知識背景的學生來說有一定的困難。如何調整優(yōu)化算法教學過程中的教與學，激勵學生克服困難并熱愛學習優(yōu)化算法，是本文要闡述的問題。

關鍵詞：課程重要性，有用性，生動性，模塊化，科學性

中圖分類號： G642 文獻標識碼：A 文章編號：1674-098X（2016）05（c）-0000-00

優(yōu)化算法分為傳統(tǒng)優(yōu)化算法和智能優(yōu)化算法。傳統(tǒng)優(yōu)化算法主要針對于結構化的問題，有著較為明確的問題模式和約束條件描述。它對于有唯一明確的全局最優(yōu)解問題來說具有很好的性能。傳統(tǒng)優(yōu)化算法主要有三個步驟：隨機初始化一個有效解；向改進方向移動判斷停止準則是否滿足，若滿足則停止，否則跳轉下一步；向改進方向移動，得到新解，轉回上一步。算法流程整體簡單利于理解，但面對現(xiàn)實復雜的問題，傳統(tǒng)優(yōu)化算法的局限性就顯而易見。單點運算方式限制了計算效率的提高，只向改進方向移動對于多峰優(yōu)化問題來說很難跳出局部最優(yōu)解，同時對于目標函數(shù)和約束條件的要求限制了傳統(tǒng)優(yōu)化算法的推廣應用。對于復雜實踐問題尤其是NP難問題或NP完全問題，傳統(tǒng)算法將面臨著計算復雜性高，計算時間很長等問題。而智能優(yōu)化算法是科學家們通過平衡求解時間與求解精度設計出的形形色色的具有啟發(fā)式特征的計算方法，包括遺傳算法，蟻群優(yōu)化算法，粒子群優(yōu)化算法，模擬退火和禁忌搜索算法等。這些算法模擬大自然和人類的智慧實現(xiàn)了在可接受的時間內獲得問題的最優(yōu)解。如遺傳算法是模仿了自然界的進化過程，蟻群優(yōu)化模仿了螞蟻群體覓食過程，模擬退火算法模仿了物理退貨過程，積極搜多算法模仿了人類的記憶功能。隨著科學技術的進步，新一代測序的發(fā)展帶領著我們走進了生物醫(yī)學的大數(shù)據(jù)時代，使得生物醫(yī)學研究中的問題變得越來越復雜，而智能優(yōu)化算法在這些問題中有著出色的表現(xiàn)。然而，智能優(yōu)化算法是一門具有嚴密的邏輯性和高度的抽象性的課程，對缺乏相關知識背景的學生來說有一定的困難。這會直接導致了學生學習興趣的減弱和對課程學習的厭倦情緒。為了克服上述問題，更好地實現(xiàn)教學目標，本文作者從教學方法、教學內容等方面出發(fā)對智能優(yōu)化算法及其應用課程的教學進行了探索，改善了課堂教學和課外實踐的效果，激勵學生克服困難并熱愛學習優(yōu)化算法是值得探討的問題。

1提高學生對算法重要性的認識

很多時候，學生學習積極性的降低不是因為內容太難聽不懂，而是學生認為所學的知識在未來的工作生活中沒有用，于是把時間和精力放在他們所認為的有意義或有意思的事情上。當自己意識到這方面知識重要性的時候，他們的學習動力也會自然增強。那么，如何讓學生意識到多學課程的重要性呢？對于生物信息學的學生來說，我們首先應該讓他們認識到自己未來生物信息學研究所要面臨的問題。隨著科學技術的進步，新一代測序的飛速發(fā)展帶領著我們走進了生物醫(yī)學的大數(shù)據(jù)時代。癌癥基因組圖譜和國際癌癥基因組協(xié)會檢測了體多種癌癥（包括膠質母細胞瘤、肺腺癌、乳腺癌、卵巢癌、結腸癌、直腸癌、膀胱癌、頭頸癌、前列腺癌、肺鱗癌、慢性白細胞淋巴白血病等、子宮內膜癌和腎透明細胞癌等）成千上萬個病例-對照樣本的多維組學數(shù)據(jù)（包括基因組上的拷貝數(shù)圖譜，突變圖譜，轉錄層面上的基因表達譜，lncRNA表達譜和miRNA表達譜，蛋白質譜，表觀層面上的DNA甲基化譜等），每一維組數(shù)據(jù)都包含了成千上萬個基因。面對著如此龐大的生物數(shù)據(jù)，試問學生有什么樣的想法？如何從海量的數(shù)據(jù)中篩選與癌癥相關的生物學標記？給予學生充分思考時間，并與學生交流，告訴他們優(yōu)化算法在他們未來生物信息學研究中的應用，增強他們對優(yōu)化算法重要性的認識，來激發(fā)學生對優(yōu)化算法的興趣，讓他們帶著問題來學習優(yōu)化算法。

2準確刻畫優(yōu)化對象

優(yōu)化算法應用的對象是最優(yōu)化問題。對于不同的最優(yōu)化問題，我們可以設計不同的優(yōu)化算法。最優(yōu)化問題的一般形式包括三個要素：目標函數(shù)、決策變量與約束條件。目標函數(shù)用來衡量所得到解的質量優(yōu)劣；決策變量決定了一個有效解的具體形式；約束條件則規(guī)定了有效解的范圍。無論是對于傳統(tǒng)優(yōu)化算法還是智能優(yōu)化算法，在應用它們的時候，我們應該明確所要解決的問題是什么，即具體目標函數(shù)是什么，解的形式是什么以及約束條件是什么？因為只有準確刻畫我們所要解決的問題，我們才能夠在正確的目標指導下在有效的解空間中向最優(yōu)解迭代靠近。錯誤的目標函數(shù)、錯誤的解的形式或是錯誤的約束條件都會導致我們找不到問題的最優(yōu)解或是可接受解。例如，n個城市的旅行商問題：對于設有n個城市，任意兩個城市之間的距離為dij（i，j=1，2，….，n）.旅行商問題就是需要尋找這樣的周游方案：周游路線從某個城市，經過每一個城市一次且僅一次，最終回到出發(fā)城市，使得周游路線總長度最短。旅行商問題的決策變量有n個，它們組成的有效解的形式為1-n個城市的一個排列，長度為n；約束條件為排列中不允許出現(xiàn)重復的城市；它的目標函數(shù)是min∑dπ（i）π（i+1），其中dπ（i）π（i+1）表示有效解中第i個城市π（i）與第i+1個城市π（i+1）之間的距離?！芼π（i）π（i+1）得到的數(shù)值越小表明所選的旅游方案越接近最優(yōu)解。

3生動形象地描述算法

我們知道數(shù)學課程和算法課程是最為枯燥的課程，如果我們循規(guī)蹈矩地傳授課本上僅有的知識，只能使得課堂教學枯燥無味，學生也會聽的昏昏欲睡。對于算法課程，課本上只是一些基本的概念、算法流程圖和偽代碼，是特定算法的骨架。需要結合學生已有的知識和一些常識現(xiàn)象，把這個骨架豐滿起來，栩栩如生地講給學生聽。例如，遺傳算法涉及到染色體編碼、群體初始化、適應值評價、選擇算子、交叉算子和突變算子。在遺傳算法運算過程中，是一組初始解不斷地經過選擇算子、交叉算子和突變算子循環(huán)迭代過程逐步向最優(yōu)解解集合進化。如果我們單純地講這個算法骨架會出現(xiàn)以下現(xiàn)象：由于學生現(xiàn)有知識與新知識的斷層，教師沒有辦法找到突破口，沒有辦法與學生進行有效溝通；同時學生會有疑問，例如為什么進行染色體編碼。能夠引起教師和學生共鳴的是達爾文的進化輪和孟德爾的遺傳學，遺傳算法的思想來源于生物進化過程。即它模擬基于生物進化過程中的“物競天擇，適者生存”的大智慧。生物進化過程是對群體的一個進化過程，根據(jù)群體中個體的適應值進行淘汰個體，產生一個種群，種群中的個體間進行交配以及個體染色體上發(fā)生的遺傳變異，產生成一個新的群體，如此循環(huán)，周而復始，使得群體向著更適應自然環(huán)境的方向進化和發(fā)展，提高群體整體的適應能力。生物學中，個體的適應值是由自身攜帶染色體上的基因決定的。生物進化過程也是優(yōu)化染色體的過程。如果我們能夠將最優(yōu)化問題的解空間和生物進化過程的遺傳空間進行一一對應，那么遺傳算法就很容易理解了。比如，在問題空間的所有有效解對應于生物進化過程中遺傳空間的一個群體，那么任何一個有效解就對應于生物進化過成群體中的一個個體，也就是一個染色體，也就完成了染色體的編碼。從解空間中選擇一個初始子集映射到進化空間中的形成一個群體，根據(jù)每個個體的適應值，可以利用進化過程中的遺傳操作，形成新的群體，周而復始，使得解的質量向最優(yōu)發(fā)展。

4實現(xiàn)算法提升學生應用能力

常言道：知之非難，行之不易。對于一個算法的基本原理和流程，只要我們有記憶功能就可以倒背如流。然而，算法不是紙上談兵，而是要進行實戰(zhàn)的。能夠激起學生學期興趣的直接方式是讓一個理論的算法運轉起來，也就是說學生自己動手編程實現(xiàn)算法。一個關鍵的問題是每個算法整體函數(shù)程序相對龐大，直接將變成任務派給學生，無疑是派出了一座山。在編程過程中，會遇到這樣那樣的錯誤，無論怎么檢查總是找不到源頭，這樣會挫傷學生的銳氣和學習的積極性。帶領學生實現(xiàn)算法，可以實行“總-分-總”的形式。首先，我們應該讓學生對算法有一個整體的認識。熟悉基本思想、基本原理、基本流程是整體認識的第一步；在基本流程的基礎上引導學生思考整個算法的流程框架，再進行講解算法的正確流程圖，讓學生進行兩者對比找出自己思考的誤區(qū)在哪里，強化學生對算法的整體把握；其次，需要根據(jù)算法的整體框架，把算法進行劃分成模塊，即把算法編程的總任務有機地分成子模塊。每一個子模塊都能完成算法流程中的一個小任務。通過對每一個子模塊編程進行測驗驗證其正確性，即便時出錯也可以很快鎖定到較小的區(qū)域進行檢查。每一個小模塊的程序編程規(guī)模較小，比較容易完成，這樣可以增加學生的成就感，激發(fā)他們的學習熱情；最后，回顧整體的流程框架，將實現(xiàn)的每一個小模塊根據(jù)整體框架進行有機有邏輯的組裝，實現(xiàn)整個算法的編程。通過簡單例子對編好的算法程序進行驗證，檢查程序出現(xiàn)的錯誤。在這里，我們不需要對每一條程序進行檢查，只檢查每一個子模塊運行結果是否是預期結果。如果不是，那么就可以鎖定該模塊出現(xiàn)了問題，便可對子模塊檢查修正。

5科研實例進課堂，強化算法有用性

早期診斷和治療癌癥是人類面對的重大醫(yī)學問題。優(yōu)化算法能夠識別復雜疾病相關的風險標志物，有助于我們了解癌癥的發(fā)病機制，提供有用的靶點，對癌癥進行靶向治療。在每一個算法講解的起始，我們應該以一個科研問題作設問，以講故事的形式貫穿算法講解的始終?，F(xiàn)有一個彌漫大B細胞淋巴瘤（DLBCL）基因表達譜，檢測了B細胞淋巴瘤基因表達譜的兩個亞型：42個DLBCL樣本和21個正常樣本，表達譜中共檢測4026基因的表達，如何應用遺傳算法識別特征基因集將DLBCL樣本從正常樣本中區(qū)分出來？帶著這個問題來學習特定算法的具體流程。在遺傳算法中講解每一個知識點后，可以以互動的形式向學生進行提問所學知識點對該生物醫(yī)學問題的應用。比如，該生物醫(yī)學問題是哪一類優(yōu)化問題，目標函數(shù)是什么，決策變量是什么，如何設置決策變量，該問題解如何表示，，如何進行染色體編碼等等。當我們對算法基本知識講解完畢時，也就將算法應用到了該醫(yī)學問題上，最后給出遺傳算法識別出來的特征基因集合以及該集合對癌癥樣本和正常樣本的分類正確率，直觀地證明算法在識別癌癥風險標志物的有用性。同時，還可以將算法所應用到生物醫(yī)學領域的前沿文獻分發(fā)給學生，讓學生自行結成小組進行科研文獻閱讀與研討，共同討論和分析算法所應用到的生物醫(yī)學問題是什么以及如何應用的，激發(fā)學生主動學習的能力。

總之，提高學習興趣和主動學習能力是提高教學質量的基本要求。在教學過程中，教師要對教學內容設計與教學形式進行不斷改革，針對不同學生群體進行因材施教、多樣化的課程考核方式以提高學生創(chuàng)新能力和創(chuàng)新意識的培養(yǎng)，提高教學質量，培養(yǎng)創(chuàng)新復合型人才。

參考文獻

[1]王勇，蔡自興.“智能優(yōu)化算法及其應用”課程教學的實踐與探索.課程與教]學.1672-5913（2009）11-0127-02

[2]丁麗，段紅成.優(yōu)化教學過程構建高效課堂.2013， 31（3）， 1671—1246 （2013）03-0051-03

[3]拓守恒，雍龍泉，鄧方安.“教與學”優(yōu)化算法研究綜述.計算機應用研究，2013，31（7），1001—3695（2013）07—1933-06