人工智能賦能的應(yīng)用型本科高?？平虆f(xié)同育人評價(jià)模型

摘要：針對應(yīng)用型本科高?？平虆f(xié)同育人評價(jià)過程中存在非線性和精度低的問題，文章提出了人工智能賦能的應(yīng)用型本科高?？平虆f(xié)同育人評價(jià)模型。首先，文章從校企合作辦學(xué)條件、專業(yè)理論實(shí)踐條件、科教融合應(yīng)用條件和實(shí)習(xí)就業(yè)發(fā)展條件4個(gè)角度，構(gòu)建了協(xié)同育人評價(jià)體系，利用粗糙集方法對評價(jià)指標(biāo)進(jìn)行約簡處理；其次，利用改進(jìn)灰狼算法對RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)化設(shè)計(jì)，構(gòu)建了高?？平虆f(xié)同育人評價(jià)模型；最后，以國內(nèi)10所應(yīng)用型高?？平虆f(xié)同育人數(shù)據(jù)為案例，利用優(yōu)化后的RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行數(shù)據(jù)訓(xùn)練，對4所高?？平虆f(xié)同育人效果進(jìn)行仿真評價(jià)。結(jié)果表明，該模型具有較高的精準(zhǔn)性。

關(guān)鍵詞：人工智能；科教協(xié)同育人；RBF神經(jīng)網(wǎng)絡(luò)；灰狼算法

中圖分類號(hào)：G640 文獻(xiàn)標(biāo)志碼：A

0 引言

科教協(xié)同育人的成效是國家評價(jià)應(yīng)用型高校人才培養(yǎng)質(zhì)量的重要標(biāo)準(zhǔn)。目前，科教協(xié)同育人評價(jià)主要從定性視角［1-2］展開了研究，這種研究方式主要涉及模式設(shè)計(jì)和指標(biāo)體系等方面，且這種方法勢必存在主觀不確定性，特別是對于人工智能技術(shù)的交叉應(yīng)用考慮較少。因此，如何將神經(jīng)網(wǎng)絡(luò)和智能優(yōu)化算法融合于科教協(xié)同育人成效評價(jià)的定量化研究是接下來的研究方向。

粗糙集（Rough Set，RS）是由學(xué)者Pawlak［3］提出的處理不精確、不確定和不完全數(shù)據(jù)的有效工具，運(yùn)用屬性約簡方式刪減冗余信息，且一些學(xué)者將粗糙集與神經(jīng)網(wǎng)絡(luò)結(jié)合，并取得顯著成效［4-5］。但將人工智能算法用于優(yōu)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，并將該網(wǎng)絡(luò)結(jié)構(gòu)用于教育類評價(jià)方面還鮮有研究?；依撬惴ǎ℅rey Wolf Optimization， GWO）是由學(xué)者M(jìn)irjalili等在2014年提出的仿生進(jìn)化算法，具有較好的魯棒性和全局收斂能力，且多數(shù)從算法參數(shù)優(yōu)化、模型改進(jìn)等方面展開理論與應(yīng)用研究［6］。

綜上所述，盡管諸多研究突出了不同方法的優(yōu)越性，但能夠?qū)⒋植诩猂BF神經(jīng)網(wǎng)絡(luò)—灰狼算法交叉應(yīng)用于科教協(xié)同育人定量化評價(jià)還有諸多不足，因此，本文提出了人工智能賦能的應(yīng)用型本科高?？平虆f(xié)同育人評價(jià)模型（簡稱“高?？平虆f(xié)同育人”），為深入探索科教協(xié)同育人問題提供重要價(jià)值。

1 問題分析

1.1 評價(jià)模型描述與分析

應(yīng)用型本科高?？平虆f(xié)同育人評價(jià)應(yīng)本著合理性、科學(xué)性、可行性等原則，根據(jù)前期研究成果對高?？平虆f(xié)同育人內(nèi)涵的闡釋，本文著重從校企合作辦學(xué)條件、專業(yè)理論實(shí)踐條件、科教融合應(yīng)用條件和實(shí)習(xí)就業(yè)發(fā)展條件等4個(gè)視角構(gòu)建出16個(gè)評價(jià)指標(biāo)，如圖1所示。

在影響科教協(xié)同育人的眾多指標(biāo)中，本文選取圖1所示的16個(gè)指標(biāo)，分別為辦學(xué)定位、基礎(chǔ)設(shè)施、師資隊(duì)伍等，從左到右的編碼為x1 ～x16，并將這16個(gè)指標(biāo)體系劃分為優(yōu)秀、良好、中等、一般以及較差5類，分別對應(yīng)I～V 5個(gè)等級(jí)。

通常，應(yīng)用型本科高校科教協(xié)同育人評價(jià)涉及復(fù)雜多樣的指標(biāo)，RBF神經(jīng)網(wǎng)絡(luò)是解決此類問題的有效方法。由此，文中選用模塊化RBF神經(jīng)網(wǎng)絡(luò)作為評估工具，同時(shí)為了提高RBF神經(jīng)網(wǎng)絡(luò)算法的性能，做出如下改進(jìn)：基于協(xié)同改進(jìn)的灰狼優(yōu)化算法，對粗糙集模塊化RBF神經(jīng)網(wǎng)絡(luò)性能進(jìn)行改進(jìn)；基于算法對全局空間與局部空間的自適應(yīng)快速逃逸與收斂問題，提出使用自適應(yīng)多重搜索策略的灰狼優(yōu)化算法，實(shí)現(xiàn)灰狼優(yōu)化算法性能參數(shù)的改進(jìn)；利用優(yōu)化后的模塊化RBF神經(jīng)網(wǎng)絡(luò)對高?？平虆f(xié)同育人效果進(jìn)行評估。

1.2 科教協(xié)同育人評價(jià)模型網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

RBF神經(jīng)網(wǎng)絡(luò)在許多函數(shù)逼近和工程應(yīng)用領(lǐng)域中獲得廣泛研究，通常在應(yīng)用RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測使用前，需要對網(wǎng)絡(luò)模型的輸入數(shù)據(jù)進(jìn)行歸一化預(yù)處理，達(dá)到降維處理，因此，設(shè)計(jì)高?？平虆f(xié)同育人評價(jià)網(wǎng)絡(luò)結(jié)構(gòu)模型，如圖2所示。

根據(jù)評價(jià)模型網(wǎng)絡(luò)結(jié)構(gòu)要求，對于網(wǎng)絡(luò)輸入數(shù)據(jù)的預(yù)處理形式以前置粗糙集為主，這可保證網(wǎng)絡(luò)模型具有足夠的輸入數(shù)據(jù)量，同時(shí)也可實(shí)現(xiàn)數(shù)據(jù)的屬性約簡，加快RBF神經(jīng)網(wǎng)絡(luò)的收斂速度。從圖2的網(wǎng)絡(luò)結(jié)構(gòu)中可知，評價(jià)模型有以下特點(diǎn)：粗糙集的數(shù)據(jù)屬性約簡處理；改進(jìn)RBF神經(jīng)網(wǎng)絡(luò)高校科教協(xié)同育人質(zhì)量等級(jí)評價(jià)。

2 改進(jìn)的人工智能賦能方法

2.1 RS-RBF模塊化神經(jīng)網(wǎng)絡(luò)

高?？平虆f(xié)同育人效果評價(jià)作為一種反饋式循環(huán)信息系統(tǒng)，其可表示為I=（U，A），其中U表示目標(biāo)集有限域，A表示目標(biāo)集中的屬性集。如果信息中的決策屬性為D，則信息系統(tǒng)變成一個(gè)決策系統(tǒng)。決策系統(tǒng)可定義為DS=（U，A，D），其中U表示論域，A、D分別表示條件屬性與決策屬性集合。

2.2.3 灰狼空間尺度的自適應(yīng)搜索算法的步驟

步驟1：算法參數(shù)初始化；種群規(guī)模N個(gè)位置與速度，初始化α，ω，A，C，Xα，Xβ，Xδ等算法參數(shù)。

步驟2：在搜索空間內(nèi)使用隨機(jī)生成N個(gè)個(gè)體灰狼的位置，并令t=1。

步驟3：計(jì)算個(gè)體灰狼Xα，Xβ，Xδ的適應(yīng)度值，排序適應(yīng)度值，并記錄個(gè)體灰狼的平均適應(yīng)度Xavg、最優(yōu)適應(yīng)度和對應(yīng)位置值Xi，確定迭代過程中的最優(yōu)解Xα、優(yōu)解Xβ和次優(yōu)解Xδ。

步驟4：根據(jù)式（10），利用控制參數(shù)α對算法參數(shù)A和C進(jìn)行計(jì)算。

步驟5：根據(jù)式（12）和（13），計(jì)算灰狼Xi與種群內(nèi)其他灰狼Xik以及獵物位置Xp的距離。

步驟6：根據(jù)灰狼個(gè)體適應(yīng)度值和平均適應(yīng)度值Xavg，更新當(dāng)前個(gè)體灰狼的位置。

步驟7：根據(jù)個(gè)體灰狼逃出局部最優(yōu)空間，保留最優(yōu)的Xα，Xβ，Xδ位置。

步驟8：如果達(dá)到預(yù)設(shè)的迭代次數(shù)，則輸出最優(yōu)解Xα和最優(yōu)值；否則，令t=t+1轉(zhuǎn)入步驟（2）繼續(xù)迭代計(jì)算。

3 科教協(xié)同育人評價(jià)模型

3.1 指標(biāo)離散化編碼

通過1.1節(jié)指標(biāo)體系等級(jí)劃分要求，以4所應(yīng)用型高校的科教協(xié)同育人評價(jià)等級(jí)與16項(xiàng)評價(jià)指標(biāo)關(guān)聯(lián)后，離散化處理指標(biāo)數(shù)據(jù)，如表1所示。

將本科高?？平虆f(xié)同育人效果評價(jià)等級(jí)對應(yīng)的指標(biāo)均值作為理想評價(jià)標(biāo)準(zhǔn)，然后將理想評價(jià)值作為RBF神經(jīng)網(wǎng)絡(luò)的均衡點(diǎn)。其指標(biāo)離散化處理的規(guī)則是：當(dāng)評價(jià)指標(biāo)值大于或等于某個(gè)等級(jí)指標(biāo)時(shí)，其對應(yīng)RBF神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)狀態(tài)為“1”，否則為“0”。在理想評估情形下，簡要描述4所高?？平虆f(xié)同育人的5個(gè)評價(jià)等級(jí)編碼形式，如圖6所示。

從圖6中選取5個(gè)評價(jià)等級(jí)的取值范圍分別為X1=［90，100］、X2=［75，90］、X3=［60，75］、X4=［45，60］、X5=［0，45］。根據(jù)圖5中算法搜索空間的劃分方法，在4所高校和16個(gè)評估指標(biāo)體系下，構(gòu)建10個(gè)16*4的矩陣，將4所高校對應(yīng)的評估等級(jí)作為向量Y=［I，II，III，…］，并保存在主數(shù)據(jù)文件中，其向量的維數(shù)為1*16。3.2 科教協(xié)同育人評價(jià)模型優(yōu)化過程

步驟1（指標(biāo)離散化）：根據(jù)3.1節(jié)的方法對4所高校16個(gè)評價(jià)指標(biāo)進(jìn)行離散化處理，建立10個(gè)16×4矩陣。

步驟2（指標(biāo)數(shù)據(jù)處理）：利用粗糙集理論對RBF神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)進(jìn)行約簡處理。

步驟3（網(wǎng)絡(luò)參數(shù)優(yōu)化）：利用空間自適應(yīng)搜索灰狼算法，對粗糙集模塊化RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)進(jìn)行優(yōu)化改進(jìn)。

步驟4（科教協(xié)同育人效果評價(jià)）：根據(jù)評價(jià)指標(biāo)的分值與劃分層次比較，設(shè)計(jì)出準(zhǔn)確的等級(jí)測評值，并與步驟1指標(biāo)離散化，作為RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的輸入層數(shù)據(jù)。

步驟5（模型預(yù)測）：根據(jù)步驟2對數(shù)據(jù)進(jìn)行預(yù)處理，并獲得模塊化RBF神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)，且根據(jù)步驟3獲得網(wǎng)絡(luò)權(quán)值參數(shù)。

步驟6（科教協(xié)同育人評價(jià)）：根據(jù)模塊化RBF神經(jīng)網(wǎng)絡(luò)對科教協(xié)同育人效果進(jìn)行評價(jià)。

步驟7（反復(fù)訓(xùn)練網(wǎng)絡(luò)結(jié)構(gòu)）：如果網(wǎng)絡(luò)結(jié)構(gòu)和隱含層數(shù)不符合評價(jià)要求則轉(zhuǎn)入步驟1，否則轉(zhuǎn)入步驟4，對高校科研成果轉(zhuǎn)化進(jìn)行評價(jià)。

4 案例應(yīng)用與結(jié)果分析

4.1 科教協(xié)同育人評價(jià)模型測試

根據(jù)1.1節(jié)高校科教協(xié)同育人評價(jià)等級(jí)的劃分，選取國內(nèi)10所應(yīng)用型本科高?？平虆f(xié)同育人評價(jià)指標(biāo)，如辦學(xué)定位、基礎(chǔ)設(shè)施、師資隊(duì)伍、教學(xué)環(huán)境、基礎(chǔ)知識(shí)等，如圖1所示;從左到右的編碼為x1～x8，作為部分?jǐn)?shù)據(jù)來源，如表2所示。

為了測試本文提出算法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)（MAS-GWO神經(jīng)網(wǎng)絡(luò)）的評價(jià)效果，通過選取后4所高校的數(shù)據(jù)作為訓(xùn)練外的測試數(shù)據(jù)，測試輸出結(jié)果如圖7所示。

從圖7的測試結(jié)果可知，隨機(jī)選取訓(xùn)練測試數(shù)據(jù)時(shí)，幾種神經(jīng)網(wǎng)絡(luò)算法都存在預(yù)測錯(cuò)誤等級(jí)項(xiàng)。智能水滴神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果準(zhǔn)確率為70%左右，而MAS-GWO神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果準(zhǔn)確率為96%以上，這些結(jié)果驗(yàn)證了本文人工智能算法對于科教協(xié)同育人評價(jià)結(jié)果的有效性。

4.2 人工智能賦能方法性能測試

為了驗(yàn)證傳統(tǒng)和改進(jìn)的神經(jīng)網(wǎng)絡(luò)算法對于評價(jià)應(yīng)用型本科高校科教協(xié)同育人效果的優(yōu)越性，本文利用文獻(xiàn)［6］中的算法參數(shù)和MATLAB2019Ra軟件，對6種算法性能進(jìn)行仿真測試，結(jié)果如圖8所示。

從圖8的收斂曲線可發(fā)現(xiàn)，與其他人工智能算法相比，本文算法在12代左右的收斂速度為0，精度較高。而MAS-GWO神經(jīng)網(wǎng)絡(luò)性能要優(yōu)于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)，其在15代左右開始收斂，收斂值為1，收斂速度和精度較為理想，且計(jì)算時(shí)間較少。

利用不同類型神經(jīng)網(wǎng)絡(luò)方法對科教協(xié)同育人評價(jià)過程進(jìn)行仿真求解和精度分析，結(jié)果如表3所示。

根據(jù)表3的計(jì)算結(jié)果可知，雖然6種神經(jīng)網(wǎng)絡(luò)算法均可收斂，但3種基本神經(jīng)網(wǎng)絡(luò)算法的訓(xùn)練誤差較大，收斂能力較弱；而使用智能算法優(yōu)化后的神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差相對較小。

5 結(jié)語

本文針對應(yīng)用型本科高?？平虆f(xié)同育人評價(jià)過程中存在的精度和非線性變化問題，提出一種適合協(xié)同多策略自適應(yīng)灰狼優(yōu)化算法和粗糙集模塊化神經(jīng)網(wǎng)絡(luò)的高?？平虆f(xié)同育人評價(jià)模型。多種仿真結(jié)果證實(shí)了優(yōu)化的RBF網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)越性和可行性，以及人工智能算法的精準(zhǔn)性和計(jì)算速度，為科教協(xié)同育人的成效定量化評價(jià)研究提供理論參考和方法推廣應(yīng)用。

參考文獻(xiàn)

［1］宋福明.科教融合在高校發(fā)展過程中的作用及其促進(jìn)方法研究［J］.江蘇科技信息，2015（19）：29-30.

［2］齊明洋，南錦順，劉志東.應(yīng)用型高校“人工智能+電氣專業(yè)”復(fù)合型人才培養(yǎng)體系構(gòu)建研究［J］.江蘇科技信息，2022（33）：25-27.

［3］PAWLAK Z.Rough sets and intelligent data analysis［J］.Information Sciences，2002（1/2/3/4）：1-12.

［4］何明，李博，馬兆豐，等.粗糙集理論框架下的神經(jīng)網(wǎng)絡(luò)建模研究及應(yīng)用［J］.控制與決策，2005（7）：782-785.

［5］PAL S K，MITRA S，MITRA P.Rough-fuzzy MLP：modular evolution，rule generation，and evaluation［J］.IEEE Transactions on Knowledge and Data Engineering，2003（1）：14-25.

［6］馬龍，寇猛，張靜，等.非線性0-1規(guī)劃問題的元胞灰狼優(yōu)化算法［J］.數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2020（12）：155-167.

［7］DOS SANTOS COELHO L，SANTOS A A P.A RBF neural network model with GARCH errors： application to electricity price forecasting［J］.Electric Power Systems Research，2011（1）：74-83.

［8］魏政磊，趙輝，韓邦杰，等.具有自適應(yīng)搜索策略的灰狼優(yōu)化算法［J］.計(jì)算機(jī)科學(xué)，2017（3）：259-263.

（編輯 李春燕）