基于果蠅算法優(yōu)化支持向量機(jī)的語文教學(xué)策略

潘淑芳

(安康職業(yè)技術(shù)學(xué)院,工程學(xué)院， 陜西,安康 725000)

0 引言

語文是中小學(xué)教學(xué)的重點(diǎn)，提升語文教學(xué)課堂教學(xué)質(zhì)量不僅僅可以提高學(xué)校水平，同時對中小學(xué)生個人未來的健康成長也具有至關(guān)重要的作用。語文課堂教學(xué)質(zhì)量受到多種因素的影響，實(shí)施科學(xué)化的語文教學(xué)策略必須對語文課堂教學(xué)效果進(jìn)行科學(xué)評價和預(yù)測[1]。支持向量機(jī)(Support Vector Machines，SVM)是一種廣義線性分類器，可以被有效地用于語文課堂教學(xué)質(zhì)量評價中。SVM參數(shù)對SVM分類性能具有比較大的影響，許多學(xué)者對SVM參數(shù)優(yōu)化進(jìn)行研究，被廣泛應(yīng)用于各行各業(yè)。黃曉璐等[2]將改進(jìn)果蠅優(yōu)化算法優(yōu)化支持向量機(jī)應(yīng)用于齒輪故障診斷中，有效地提升了齒輪故障診斷的準(zhǔn)確率。肖曉暉[3]將改進(jìn)果蠅優(yōu)化算法優(yōu)化支持向量機(jī)應(yīng)用于模擬電路故障診斷中，對某型設(shè)備A01電路板信號選擇電路進(jìn)行故障診斷，有效提高了電路故障診斷的效果。楊春霞等[4]將改進(jìn)果蠅算法優(yōu)化支持向量機(jī)應(yīng)用于個人信用風(fēng)險評估中，同時將該算法和遺傳算法、網(wǎng)絡(luò)法優(yōu)化支持向量機(jī)參數(shù)進(jìn)行對比，指出改進(jìn)果蠅優(yōu)化算法優(yōu)化支持向量機(jī)模型對個人信用風(fēng)險評估的準(zhǔn)確率最高。本文在前人研究的基礎(chǔ)上，對果蠅優(yōu)化算法(Fruit Fly Optimization Algorithm，F(xiàn)OA)進(jìn)行改進(jìn)，應(yīng)用于SVM參數(shù)優(yōu)化中，獲得語文教學(xué)課堂教學(xué)質(zhì)量評價模型，并通過具體實(shí)例驗(yàn)證模型的有效性。

1 語文教學(xué)質(zhì)量評價模型

1.1 語文教學(xué)質(zhì)量評價指標(biāo)

語文教學(xué)課堂質(zhì)量直接關(guān)系到語文教學(xué)的效果，本文從教學(xué)目標(biāo)、教學(xué)內(nèi)容和教學(xué)過程等3個角度來建立評價教學(xué)質(zhì)量的指標(biāo)[5]，具體如圖1所示。

從教學(xué)目標(biāo)的角度來講，提升語文課堂教學(xué)質(zhì)量必須確保教學(xué)目標(biāo)和課程的標(biāo)準(zhǔn)符合，從課程定位出發(fā)來開展教學(xué)。制定的教學(xué)目標(biāo)必須與學(xué)生的實(shí)際相符合，否則教學(xué)目標(biāo)就是一紙空文，不能起到任何的作用。另外，教學(xué)目標(biāo)要具有可操作性，按照教學(xué)目標(biāo)，教師可以更加高質(zhì)量地開展語文教學(xué)活動。

從教學(xué)內(nèi)容的角度來講，所有的教學(xué)內(nèi)容必須緊緊圍繞教學(xué)目標(biāo)，以教學(xué)目標(biāo)為依據(jù)來組織語文教學(xué)內(nèi)容。語文教學(xué)內(nèi)容要與學(xué)生的認(rèn)知相匹配，符合學(xué)生對事物的認(rèn)知規(guī)律，這樣才能更好地便于學(xué)生接受，提升語文課堂教學(xué)質(zhì)量。語文教師在組織教學(xué)的過程中必須重點(diǎn)關(guān)注學(xué)生的接受程度，只有學(xué)生接受教師的教學(xué)內(nèi)容，才能達(dá)到教學(xué)的目的。興趣是最好的老師，語文教學(xué)的內(nèi)容必須能夠有效地激發(fā)學(xué)生的學(xué)習(xí)興趣，促進(jìn)學(xué)生積極主動去學(xué)習(xí)。

圖1 語文教學(xué)質(zhì)量評價指標(biāo)體系

從教學(xué)過程的角度來講，課堂教學(xué)是一個將各種知識點(diǎn)科學(xué)分配的過程，必須注重教學(xué)環(huán)節(jié)各部分的時間安排，從而使得課堂教學(xué)有序、高效開展。高效的課堂教學(xué)必須以學(xué)生為主體，教師輔助引導(dǎo)，同時具有比較高的師生互動程度，這樣才能夠使得學(xué)生積極參與到教師的教學(xué)中來，課堂氣氛變得更加濃厚，語文教學(xué)課堂質(zhì)量得到大大提升。

1.2 支持向量機(jī)

SVM是按照監(jiān)督學(xué)習(xí)的方式對數(shù)據(jù)進(jìn)行二元分類的廣義線性分類器，核心思想是通過非線性變換將原始數(shù)據(jù)空間轉(zhuǎn)換到高維特征空間，同時在高維特征空間求取最大分類間隔超平面，該超平面能夠?qū)崿F(xiàn)對樣本的兩類分且誤差最小。設(shè)數(shù)據(jù)集合為D，

D={(x1,y1),(x2,y2),…,(xm,ym)}

(1)

其中，yi∈{-1,1}。

SVM能夠?qū)颖緮?shù)據(jù)集進(jìn)行正確分割，分割樣本的超平面有許多個，其中最優(yōu)分類超平面就是使得分類間隔最大的那個平面，具體如圖2所示[6]。

圖2 最優(yōu)分類超平面

不妨設(shè)最優(yōu)分割超平面方程為

wTx+b=0

(2)

其中，w為法向量，反映分割超平面的方向，b為偏移的位移量。

對樣本的正確分割滿足

(3)

通過轉(zhuǎn)化，求解最優(yōu)分界超平面問題可以轉(zhuǎn)化為

(4)

其中，C為懲罰參數(shù)，εi為松弛變量。通過引入拉格朗日乘子αi將式(4)轉(zhuǎn)化為對偶問題，即

(5)

求解該優(yōu)化問題，得到?jīng)Q策函數(shù)

(6)

其中，K(xi,x)為核函數(shù)，核函數(shù)的一般表達(dá)式為

(7)

實(shí)踐證明，SVM需要確定的參數(shù)C和g對SVM分類性能具有比較大的影響，樣本分類準(zhǔn)確率和參數(shù)組合(C,g)之間是一種多峰值的極不規(guī)則函數(shù)映射關(guān)系，需要通過智能優(yōu)化算法對參數(shù)組合(C,g)進(jìn)行優(yōu)化，從而提升SVM的分類準(zhǔn)確率。

1.3 果蠅算法優(yōu)化支持向量機(jī)

FOA是通過模擬果蠅覓食行為而提出的群體迭代搜索智能優(yōu)化算法，具有較強(qiáng)的局部搜索能力。FOA步驟[7]如下。

(1) 設(shè)定果蠅群體規(guī)模Sizepop和最大迭代次數(shù)Maxgen，隨機(jī)初始化果蠅種群的初始位置(Xaxis,Yaxis)。

(2) 賦予個體覓食的隨機(jī)方向和距離，R為搜索距離，即

(8)

(3) 估計(jì)果蠅個體和原點(diǎn)之間的距離Di，計(jì)算味道濃度判定值Si，即

(9)

(4) 將味道濃度判定值Si代入適應(yīng)度函數(shù)f，計(jì)算果蠅個體所在位置的食物味道濃度Smelli，即

Smelli=f(Si)

(10)

(5) 找出果蠅群體中食物味道濃度最大的果蠅個體信息，即

[bestSmell,bestindex]=max(Smelli)

(11)

(6) 記錄保留最大食物味道濃度值和對應(yīng)的位置坐標(biāo)值，果蠅群體中的其他果蠅個體向該位置聚集，即

(12)

(7) 重復(fù)執(zhí)行步驟(2)～(5)，判斷食物味道濃度值是否優(yōu)于上一次迭代的食物味道濃度值。如果優(yōu)于上一次迭代的食物味道濃度值，那么執(zhí)行步驟(6)，直到迭代次數(shù)超過預(yù)先設(shè)定的最大迭代次數(shù)Maxgen為止。

通過對FOA的分析可知，果蠅其他個體向最大食物味道濃度值個體聚體時沒有考慮自身曾經(jīng)的最優(yōu)覓食軌跡，使得尋優(yōu)軌跡迂回曲折，種群的多樣性降低，導(dǎo)致全局最優(yōu)解錯過，優(yōu)化算法陷入局部最優(yōu)狀態(tài)?；诖耍瑢OA進(jìn)行改進(jìn)，即果蠅個體位置更新考慮歷史位置的信息，同時通過系數(shù)ω調(diào)整向自己尋優(yōu)歷史軌跡學(xué)習(xí)的權(quán)值。系數(shù)ω計(jì)算式[8]為

(13)

其中，ωs和ωe為開始系數(shù)和結(jié)束系數(shù)，通過多次試驗(yàn)得到。

在引入調(diào)整系數(shù)ω之后，果蠅個體位置更新公式為

(14)

改進(jìn)后的FOA不僅確保了果蠅群體的其他個體向最大食物味道濃度值所在位置聚集，同時也充分地考慮了其對自身“歷史路徑”的學(xué)習(xí)程度。在初始迭代時，對“歷史路徑”的學(xué)習(xí)程度比較低，而伴隨著迭代次數(shù)的增加，其對“歷史路徑”的學(xué)習(xí)程度在不斷地增強(qiáng)，符合經(jīng)驗(yàn)逐漸積累沉淀的規(guī)律[9]。

1.4 語文教學(xué)質(zhì)量評價建模

將語文教學(xué)質(zhì)量評價樣本分為訓(xùn)練樣本和測試樣本，使用訓(xùn)練樣本對SVM進(jìn)行訓(xùn)練，同時采用改進(jìn)的FOA對SVM的參數(shù)組合(C,g)進(jìn)行優(yōu)化，得到優(yōu)化后的SVM模型[10]。將測試樣本輸入優(yōu)化后的SVM模型中進(jìn)行語文課堂教學(xué)質(zhì)量的預(yù)測。具體流程如圖3所示。

圖3 語文課堂教學(xué)質(zhì)量評價流程

2 實(shí)例分析

2.1 數(shù)據(jù)來源

以湖北省為例，邀請高中語文教學(xué)專家對該省362名語文教師的課程標(biāo)準(zhǔn)符合度、學(xué)生實(shí)際符合度、可操作性、圍繞教學(xué)目標(biāo)程度、難度與認(rèn)知匹配度、學(xué)生接受程度、學(xué)生興趣激發(fā)程度、教學(xué)環(huán)節(jié)時間安排、師生主體地位占比、師生互動程度10項(xiàng)二級指標(biāo)和教學(xué)效果指標(biāo)進(jìn)行打分，獲得用于分析的樣本數(shù)據(jù)集。將樣本數(shù)據(jù)集分為訓(xùn)練集和測試集，其中，訓(xùn)練集樣本數(shù)據(jù)量為180，測試集樣本數(shù)據(jù)量為182。

2.2 結(jié)果分析

分別采用SVM、果蠅優(yōu)化SVM、改進(jìn)果蠅優(yōu)化SVM對語文教學(xué)效果進(jìn)行預(yù)測。算法的相關(guān)參數(shù)設(shè)置如表1所示。

表1 算法參數(shù)設(shè)置

為對比3種模型對語文教學(xué)效果評價的預(yù)測性能，圖4給出了果蠅優(yōu)化SVM和改進(jìn)果蠅優(yōu)化SVM 2種模型的分類準(zhǔn)確率迭代尋優(yōu)曲線，表2給出了3種模型測試的結(jié)果。

圖4 分類準(zhǔn)確率迭代尋優(yōu)曲線

表2 3種模型測試結(jié)果對比

由圖4可知，改進(jìn)果蠅優(yōu)化SVM的收斂曲線逐漸上升，準(zhǔn)確率不斷提高，所輸出的SVM參數(shù)在不斷地優(yōu)化。果蠅優(yōu)化SVM的收斂曲線在經(jīng)過多次迭代之后準(zhǔn)確率才會提升一次，同時比較容易陷入最優(yōu)，同時在最后一次陷入局部最優(yōu)之后沒有跳出，導(dǎo)致尋找到的SVM參數(shù)不是最優(yōu)的參數(shù)。

由表2可知，改進(jìn)果蠅優(yōu)化SVM對測試數(shù)據(jù)集的測試精度高于果蠅優(yōu)化SVM，遠(yuǎn)遠(yuǎn)高于SVM。盡管從時間上SVM模型的運(yùn)行時間最短，但是其測試精度太差，不能夠滿足實(shí)際需要，而果蠅優(yōu)化SVM和改進(jìn)果蠅優(yōu)化SVM在運(yùn)行時間上的差別非常小，可以忽略不計(jì)。

3 總結(jié)

語文課堂教學(xué)質(zhì)量評價預(yù)測是提升課堂教學(xué)質(zhì)量的關(guān)鍵。本文構(gòu)建了包含11個二級指標(biāo)的教學(xué)質(zhì)量評價指標(biāo)體系，通過采用改進(jìn)的FOA對SVM參數(shù)進(jìn)行優(yōu)化，獲得了用于語文課堂教學(xué)質(zhì)量預(yù)測的SVM模型，并將SVM模型、果蠅優(yōu)化SVM模型和改進(jìn)果蠅優(yōu)化SVM模型應(yīng)用于湖北省高中語文教學(xué)質(zhì)量評價預(yù)測中。預(yù)測結(jié)果表明，改進(jìn)果蠅優(yōu)化SVM模型對語文課堂教學(xué)質(zhì)量預(yù)測的準(zhǔn)確率大大提升，算法的運(yùn)行時間相差很小，這對提升語文課堂教學(xué)質(zhì)量具有一定的參考價值。