人工智能技術(shù)的教學(xué)討論*
——以粒子群算法為例

肖文波 葉國敏 陳 敏 程小金 龔勇清

(南昌航空大學(xué)國家級大學(xué)物理實(shí)驗(yàn)教學(xué)示范中心 江西 南昌 330063)

隨著世界上人工智能教學(xué)的快速發(fā)展[1],國內(nèi)《新一代人工智能發(fā)展規(guī)劃》提出：人工智能教育培養(yǎng)日益迫切.不僅高校提倡人工智能應(yīng)用于教學(xué)[2],更有中小學(xué)開設(shè)人工智能課程[3].將人工智能納入教學(xué)中,不僅推動了人工智能與教師教育的深度融合實(shí)現(xiàn)高效管理[4,5],而且推進(jìn)了人工智能與教育的共生發(fā)展[6,7].當(dāng)前研究關(guān)注人工智能應(yīng)用中某一課程或者某一專業(yè)教學(xué)改革方面,例如人工智能與統(tǒng)計(jì)學(xué)課程[8]、麻醉學(xué)專業(yè)等結(jié)合[9].而實(shí)際上,人工智能教學(xué)不能僅停留在知識獲取、技能學(xué)習(xí)上,還需要聚焦創(chuàng)新能力的培養(yǎng)[10,11].由此有研究探討了人工智能課程中的基本算法與模型,培養(yǎng)學(xué)生基本知識與解決問題能力[12].但仍然缺乏以人工智能教學(xué)為基礎(chǔ),分析并討論其中問題及注意事項(xiàng).

為此,本文以人工智能技術(shù)中粒子群算法為基礎(chǔ),討論了人工智能基本原理;并應(yīng)用于基于光伏發(fā)電最大功率點(diǎn)的跟蹤[13],探討了粒子群尋優(yōu)算法的建立原理與方式,結(jié)合教學(xué)及學(xué)生學(xué)習(xí)心得總結(jié)出了教學(xué)注意事項(xiàng).該研究為人工智能技術(shù)的教學(xué)與實(shí)踐提供參考.

1 粒子群算法介紹

人工智能技術(shù)是模擬思維過程和智能行為(如學(xué)習(xí)、推理等)的學(xué)科,主要是通過邏輯思維來不斷學(xué)習(xí)與進(jìn)步.人工智能技術(shù)中粒子群算法是1995年Kennedy和Eberhart首次提出,是通過模擬鳥群覓食行為發(fā)展而來的一種多極值函數(shù)全局優(yōu)化方法[14～16].實(shí)際上,粒子群智能算法教學(xué)目標(biāo)有3個(gè)方面：

第一，學(xué)生能夠理解粒子群算法的基本概念以及流程.

第二，學(xué)生能夠掌握粒子群算法的實(shí)現(xiàn)原理及模型公式.

第三，學(xué)生能夠知道影響粒子群算法的主要參數(shù).

下面就圍繞上述3個(gè)目標(biāo)闡述.

1.1 粒子群算法的流程

粒子群算法的基本流程如下.

第一步，初始化粒子,首先初始化粒子群算法中各個(gè)參數(shù)的數(shù)值,主要包括種群規(guī)模、學(xué)習(xí)因子、慣性權(quán)重等.

第二步，評價(jià)粒子,由適應(yīng)度函數(shù)計(jì)算出粒子的適應(yīng)值.

第三步，尋找群體中的個(gè)體最優(yōu)值和全局最優(yōu)值.

第四步，更新粒子的位置和速度.

第五步，重新計(jì)算粒子的適應(yīng)度值并和之前的比較.

第六步，更新個(gè)體最優(yōu)值與全局最優(yōu)值.

第七步，檢驗(yàn)是否終止,如果搜索結(jié)果達(dá)到收斂精度或者是設(shè)定迭代次數(shù),那么迭代終止并輸出最終解.如果不滿足,就跳轉(zhuǎn)至第四步繼續(xù)迭代計(jì)算.

具體過程如圖1所示.

圖1 粒子群算法流程圖

1.2 算法實(shí)現(xiàn)原理及模型公式

算法實(shí)現(xiàn)原理是通過迭代找到最優(yōu)解,在種群規(guī)模N的粒子群中迭代,粒子通過跟蹤兩個(gè)“極值”來更新自己.第一個(gè)就是粒子本身所找到的最優(yōu)解,另一個(gè)極值是整個(gè)種群找到的最優(yōu)解,即全局極值.

找上述兩個(gè)最優(yōu)值時(shí),根據(jù)如下的公式來更新自身的速度(v)和位置(x).

(1)

(2)

式中,ω為慣性權(quán)重,d表示搜索空間維數(shù),i表示粒子序號,c1和c2為學(xué)習(xí)因子,r1和r2為(0,1)之間均勻分布的隨機(jī)數(shù),t表示迭代次數(shù).Pbest表示個(gè)體最優(yōu)值和Gbest表示全局最優(yōu)值.每次迭代中,速度都限制在[-vmax,vmax]內(nèi).群中每個(gè)粒子都從初始速度與位置開始,按照上述公式迭代計(jì)算,直到滿足條件.

1.3 粒子群算法中主要參數(shù)

由上述原理與模型公式,可以看出算法中參數(shù)有著重要的意義,將會直接決定算法的終止時(shí)間以及精確度等.以下將介紹算法中典型參數(shù)意義.

種群規(guī)模N：算法的收斂時(shí)間受種群規(guī)模大小的直接影響,如果N比較小,那么算法很有可能陷入局部極值,但是收斂時(shí)間較短;當(dāng)N很大時(shí),算法的精確性與收斂性提高,但是也會增加計(jì)算的復(fù)雜度.

粒子的最大速度vmax：合理的最大速度可以避免算法迭代時(shí)出現(xiàn)發(fā)散.vmax較大時(shí),雖然粒子的尋優(yōu)速度快,但是越過最優(yōu)值的可能性較大.如果vmax過小,雖然不會越過最優(yōu)解,但是粒子搜尋速度過慢并且容易限于局部極值難于擺脫,降低算法效率.

慣性權(quán)重ω：粒子群算法中最為重要的研究參數(shù).算法的初始階段,較大的ω能夠防止算法陷入局部最優(yōu),在算法的后期,較小的ω能夠提升收斂速度,并且使收斂更加平穩(wěn).

學(xué)習(xí)因子c1和c2：c1調(diào)整粒子飛向個(gè)體極值的比重,c2調(diào)整粒子飛向全局極值的比重.學(xué)習(xí)因子比較小時(shí),會導(dǎo)致粒子在接近目標(biāo)區(qū)域時(shí)被拉回;學(xué)習(xí)因子較大時(shí),粒子搜索速度太快導(dǎo)致越過目標(biāo)地區(qū).

2 粒子群算法應(yīng)用

2.1 遮蔭下光伏發(fā)電最大功率點(diǎn)的獲取

對1×2串聯(lián)光伏陣列的8種遮蔭下最大峰值功率進(jìn)行跟蹤,陣列在遮蔭下光伏發(fā)電原理[17,18]的Matlab/Simulink仿真數(shù)據(jù)如表1所示.表1是串聯(lián)光伏陣列中第一塊電池和第二塊電池的光照強(qiáng)度不同,對應(yīng)的每一種遮蔭下峰值功率也不一樣.

表1 八種遮蔭模式下電池功率及其峰值電壓

2.2 采用粒子群算法尋優(yōu)時(shí)參數(shù)影響的討論

粒子群算法中的參數(shù)將影響人工智能技術(shù)的性能,為此教學(xué)中需討論參數(shù)對尋優(yōu)的影響規(guī)律.對上面8種遮蔭下峰值功率進(jìn)行尋優(yōu),主要通過改變種群規(guī)模、學(xué)習(xí)因子、慣性權(quán)重、最大速度等參數(shù),討論了平均跟蹤時(shí)間與峰值功率跟蹤精度變化.

2.2.1 種群規(guī)模

根據(jù)調(diào)整種群規(guī)模的大小,來分析種群規(guī)模對粒子群算法的速度和精度的影響,設(shè)置了5組種群規(guī)模,其具體結(jié)果如表2所示.

表2 不同種群規(guī)模下算法尋優(yōu)的跟蹤

由上表可知,種群數(shù)目從20到100時(shí),時(shí)間從0.109 7 s增加至0.579 9 s,峰值功率跟蹤精度從94.995 2%增加至99.415 2%.綜上所述,種群越大速度越慢,搜索精度越高.

2.2.2 學(xué)習(xí)因子

設(shè)置了5組學(xué)習(xí)因子,來分析學(xué)習(xí)因子對算法速度和精度的影響,具體結(jié)果如表3所示.

表3 不同學(xué)習(xí)因子下算法尋優(yōu)的跟蹤

由上表中跟蹤時(shí)間上看,當(dāng)c1=c2=1.7時(shí),粒子群算法的跟蹤時(shí)間在所設(shè)5組中是最短的;從峰值跟蹤精度上看,當(dāng)c1=c2=2時(shí),其粒子群算法的峰值精度在所設(shè)5組中是最高的.由此,可知合理的學(xué)習(xí)因子可以減少跟蹤時(shí)間,提高跟蹤精度.此外,可知跟蹤時(shí)間越長,其精度越高.

2.2.3 慣性權(quán)重

設(shè)置了5組慣性權(quán)重,來分析慣性權(quán)重對粒子群算法速度和精度的影響,具體結(jié)果如表4所示.

表4 不同慣性權(quán)重下算法尋優(yōu)的跟蹤

由上表中跟蹤時(shí)間、精度可以看出,慣性權(quán)重在0.6～0.7中,其展現(xiàn)出的性能更為穩(wěn)定,雖然時(shí)間不是最佳,但是其精度是最好的.優(yōu)化的慣性權(quán)重有利于粒子群算法的搜索.

2.2.4 最大速度

設(shè)置了5組最大速度,來分析最大速度對粒子群算法速度和精度的影響,具體結(jié)果如表5所示.

表5 不同最大速度下算法尋優(yōu)的

從上表可以發(fā)現(xiàn),最大速度vmax=3 m/s時(shí),精度是最高的,當(dāng)最大速度vmax=4 m/s時(shí),其跟蹤時(shí)間最短.綜上所述,最大速度在2.5～4.5 m/s中時(shí),粒子群算法的跟蹤時(shí)間與精度方面有優(yōu)勢.

3 教學(xué)討論

上述智能算法技術(shù)平臺搭建好后,應(yīng)用于教學(xué)過程中;根據(jù)學(xué)生認(rèn)識、熟悉和掌握算法的程度以及實(shí)驗(yàn)后的討論,得出開展該類算法實(shí)驗(yàn)需要注意的事項(xiàng),并總結(jié)了提高教學(xué)效果的途徑.具體如下.

(1)在實(shí)驗(yàn)之前,較多學(xué)生對算法相關(guān)知識與基礎(chǔ)預(yù)習(xí)少,導(dǎo)致他們對實(shí)驗(yàn)內(nèi)容還是不清楚且很難理解到實(shí)驗(yàn)的真諦,這就有悖做實(shí)驗(yàn)的目的.所以,該類實(shí)驗(yàn)也會降低教師的授課質(zhì)量,增加教學(xué)難度.為了提高教學(xué)質(zhì)量,任課教師最好通過網(wǎng)絡(luò)手段在課前給學(xué)生們提供相關(guān)知識的指導(dǎo),例如通過QQ、微信平臺、郵件等發(fā)相關(guān)資料給學(xué)生們,并提醒他們及時(shí)預(yù)習(xí).

(2)實(shí)驗(yàn)中的重點(diǎn)、難點(diǎn)是具體問題與人工智能算法結(jié)合時(shí)的知識表示.本文中結(jié)合粒子群算法對遮蔭下光伏發(fā)電最大功率點(diǎn)的預(yù)測是實(shí)驗(yàn)內(nèi)容,但明確算法的流程及其原理是目的.重點(diǎn)是培養(yǎng)人工智能與具體應(yīng)用的結(jié)合能力.由于部分學(xué)生缺乏光伏發(fā)電最大功率點(diǎn)的預(yù)測知識,并且糾結(jié)于matlab/simulink軟件上實(shí)現(xiàn)各種仿真模塊的使用，導(dǎo)致他們對算法結(jié)論的理解不足,無法體會到算法的特點(diǎn)等.所以,該類實(shí)驗(yàn)教學(xué)中,應(yīng)該重點(diǎn)強(qiáng)調(diào)教學(xué)結(jié)果的討論,以便學(xué)生得出明確結(jié)論.

(3)人工智能算法與傳統(tǒng)學(xué)科最大的區(qū)別在于,傳統(tǒng)學(xué)科的知識體系大都是公式化的.而目前人工智能算法是概率化、訓(xùn)練化的.尤其是該類算法可以和學(xué)生的興趣愛好、生活習(xí)慣等結(jié)合,應(yīng)用算法來分析各種具體問題.此外,還要引導(dǎo)學(xué)生對算法本身思考,具體就是在選擇知識表示時(shí)應(yīng)該考慮的影響因素及規(guī)律有哪些？建立正確的分析模型.而不只是編程操作一下.

(4)實(shí)驗(yàn)的教學(xué)手段中,除了相關(guān)理論知識的講解,當(dāng)然實(shí)踐操作也很重要.編程算法過程中,碰見問題,任課教師不要簡單粗暴地直接回答問題,而應(yīng)該引導(dǎo)學(xué)生們之間互動地解決問題.互動學(xué)習(xí)更能增加學(xué)生的熱情,讓學(xué)生投入到實(shí)驗(yàn)中去.

總之,盡管人工智能教學(xué)目前很“火”,但重要是幫助學(xué)生將人工智能置身于智能科學(xué)的大背景中,既包含了自然智能、計(jì)算智能等學(xué)科,更要包括邏輯判斷、非線性處理等學(xué)科.此外,也提醒教育管理者要進(jìn)一步完善人工智能相關(guān)課程體系的配置和優(yōu)化.

4 總結(jié)

人工智能技術(shù)的建立及其特征的教學(xué)討論,有利于學(xué)生理解相關(guān)知識.為此,本文以粒子群算法為例,結(jié)合遮蔭下光伏發(fā)電最大峰值功率跟蹤進(jìn)行了闡述,并討論了教學(xué)注意事項(xiàng).通過上述教學(xué)討論,得出及時(shí)預(yù)習(xí)相關(guān)基礎(chǔ)知識有利于學(xué)生理解人工智能技術(shù),結(jié)合具體問題討論人工智能算法將有利于學(xué)生掌握技術(shù),拓展人工智能技術(shù)應(yīng)用范圍并引導(dǎo)學(xué)生對算法本身思考將有助幫助學(xué)生建立正確模型,建立互動式解決實(shí)驗(yàn)問題將增加學(xué)生的學(xué)習(xí)熱情.