大數據背景下最優化理論與方法課程實踐教學策略研究

摘要：大數據技術的應用為最優化理論與方法課程的發展提供了新的思路和方法。針對最優化理論與方法傳統實踐課程教學內容滯后、方法單一、缺乏實踐平臺及評價體系不完善等問題進行探索性研究，提出構建基于真實數據的案例庫、引入項目式學習模式、加強校企合作，共建實踐基地以及建立多元化的評價體系等實踐教學策略，這些策略不僅能夠提升學生對最優化理論與方法的理解能力，還能夠培養其解決實際問題的能力，為大數據背景下的教學改革提供新思路。

關鍵詞：大數據技術；最優化理論與方法；實踐教學；策略

中圖分類號：F2" 文獻標識碼：A""" doi：10.19311/j.cnki.16723198.2025.17.011

最優化理論與方法是一門尋找最優解來解決各類實際問題的學科，其廣泛應用于工程、經濟、管理、計算機科學等領域。在大數據背景下，隨著數據規模龐大、類型復雜，傳統的最優化算法和實踐教學模式難以滿足現實需求。因此，探索適合大數據時代的最優化理論與方法課程實踐教學策略，成為當前亟待解決的重要議題[12]。

1 大數據技術對最優化理論與方法課程的影響

1.1 數據來源更加豐富

在傳統課程教學中，數據通常來自有限的實驗、經典案例或人為設定的簡單數據集，這些數據在規模、多樣性和真實性上存在一定局限。而在大數據時代，海量的數據從互聯網、物聯網設備、社交媒體、金融交易記錄等多個渠道源源不斷地產生。例如，電商平臺每天產生數以億計的用戶瀏覽、購買行為數據，這些數據包含了用戶偏好、購買時間、商品關聯等豐富信息，從而為課程提供了更真實、更具挑戰性的研究素材，讓學生能夠基于實際大規模數據進行最優化問題的分析與求解，更好地理解理論知識在現實復雜場景中的應用。

1.2 算法模型更加復雜

最優化理論與方法課程中的傳統算法，如梯度下降法、牛頓法等，在處理小規模數據時表現良好，但面對大數據的高維、海量、動態等特性時，通常面臨計算效率低下、內存不足等問題[3]。為應對這些挑戰，一些復雜的算法模型應運而生。例如，隨機梯度下降算法及其變種，通過在每次迭代中隨機選取部分數據計算梯度，大大提高了計算效率，適用于大規模數據集的優化；分布式優化算法將數據和計算任務分布到多個節點上并行處理，有效解決了單機內存和計算能力的瓶頸；神經網絡模型，包含大量參數，需要運用復雜的優化算法進行訓練，這也促使課程中引入更高級的優化理論與方法，如自適應學習率算法、正則化技術等，以確保模型在大數據環境下的收斂性和泛化能力。復雜算法模型的引入，不僅拓展了學生的知識面，更培養了學生解決復雜實際問題的能力。

1.3 應用領域更加廣泛

隨著大數據技術的蓬勃發展，為最優化理論與方法的應用開辟了廣闊的空間，使其從傳統的工程優化、經濟管理等領域延伸到更多新興領域[4]。在大數據技術的推動下，逐漸滲透到人工智能、生物信息學、智慧城市等新興領域。例如，在人工智能領域，深度學習模型的訓練過程本質上是一個大規模的非線性優化問題，大數據技術為模型訓練提供了海量的標注數據，同時也對優化算法的效率和精度提出了更高的要求[5]。在生物信息學領域，基于大數據的基因序列分析、蛋白質結構預測等問題都需要借助最優化方法來解決。在智慧城市建設中，大數據驅動的交通流量優化、能源調度優化等應用場景也離不開最優化理論與方法的支持。由此可見，大數據技術不僅拓展了最優化理論與方法的應用范圍，也為其發展注入了新的活力，使其成為解決復雜現實問題的重要工具[6]。

2 最優化理論與方法傳統實踐課程教學模式存在的問題

2.1 教學內容滯后于實際應用

傳統最優化理論與方法課程的實踐教學內容局限于經典算法和理論模型的講解，缺乏對前沿技術和實際應用場景的引入。例如，課程中可能更多地關注線性規劃、非線性規劃等傳統優化方法，而對大數據背景下廣泛使用的分布式優化、隨機優化等新興方法涉及較少。同時，課程中的案例多來源于教材或學術文獻，與現實行業需求脫節，難以反映當前技術發展的最新趨勢。進而導致學生所學的知識與實際應用需求之間存在較大差距，難以滿足大數據時代對優化人才的要求[78]。

2.2 教學方法單一

傳統實踐課程的教學方法主要以教師講授為主，缺乏主動參與和實踐操作的機會。教學內容滯后于實際應用，主要體現在兩個關鍵方面。一方面，課程過度依賴經典理論與傳統案例。在傳統實踐教學中，大量時間被用于講解線性規劃單純形法、無約束優化的牛頓法等經典算法，以及圍繞這些算法設計的簡單驗證性案例。導致學生所學知識與實際應用嚴重脫節，畢業后進入相關行業，面對真實項目中的大數據處理與優化問題時，無法靈活運用所學理論解決問題。另一方面，教學內容更新周期長，無法及時反映行業最新動態與技術革新。在行業實踐中，最優化理論與方法在各領域的應用不斷拓展與深化，新的算法、技術與應用場景層出不窮。例如，在智能交通領域，實時交通流量監測與分析技術的發展，使得交通信號配時優化問題變得更為復雜且動態化，需要運用先進的最優化算法進行實時調控。但傳統實踐課程教學內容往往數年甚至數十年不變，未能將這些新興技術與應用及時納入教學范疇。學生接觸到的仍是過時的案例與方法，對行業前沿動態缺乏了解，在就業市場中競爭力不足，難以滿足企業對具備最新知識與技能人才的需求。

2.3 缺乏實踐平臺

傳統最優化理論與方法課程的實踐教學受限于硬件設施和軟件資源的不足，缺乏能夠支持學生進行綜合性實踐操作的平臺。許多高校的實踐教學仍依賴于簡單的編程工具或小型數據集，無法滿足大數據背景下對大規模數據處理和復雜算法實現的需求。例如，學生可能只能在個人計算機上運行小規模的優化問題，而無法接觸到分布式計算環境或高性能計算資源，從而限制了學生對大規模優化問題的理解和實踐能力。同時，缺乏與企業或科研機構合作的實踐平臺，也使得學生難以接觸到真實的行業數據和實際應用場景，導致理論與實踐脫節，難以培養學生的工程實踐能力和解決實際問題的能力。

2.4 評價體系不完善

傳統實踐課程的評價體系通常以考試成績和實驗報告為主，側重于對理論知識和簡單實驗操作的考核，而忽視了對學生綜合實踐能力和創新能力的評估。例如，考試內容可能更多地關注算法原理和公式推導，而實驗報告則可能流于形式，無法真實反映學生的實踐水平和問題解決能力。單一的評價方式難以全面衡量學生的學習效果，無法有效激勵學生主動參與實踐和創新。同時，在評價過程中缺乏對學生實踐過程的關注，例如團隊合作能力、問題分析能力和創新思維能力等，導致評價結果片面化，無法為教學改進提供有效的反饋信息，不僅影響了學生的學習積極性，也制約了實踐教學質量的提升。

3 大數據背景下最優化理論與方法課程實踐教學策略

3.1 構建基于真實數據的案例庫

傳統教學與現實應用脫節，急需引入新的教學策略以提升學生實踐能力。在大數據背景下，構建基于真實數據的案例庫是提升最優化理論與方法課程實踐教學質量的關鍵。一方面，真實數據能夠為學生提供更加貼近實際的學習場景，幫助學生更好地理解優化問題的復雜性和多樣性。例如，可以從交通、金融、醫療、電商等領域收集真實數據集，設計涵蓋線性規劃、整數規劃、動態規劃等多種優化方法的案例。這些案例不僅能夠反映實際問題的特點，還能激發學生的學習興趣和探索欲望。在案例設計過程中，應注重層次性和多樣性，既包含基礎性案例以幫助學生掌握基本方法，也包含綜合性案例以培養學生的復雜問題解決能力。另一方面，案例庫的建設可以結合行業需求，邀請企業專家參與案例設計，確保案例的實用性和前沿性。通過真實數據案例庫的應用，學生能夠在實踐中深化對理論知識的理解，同時提升數據處理、模型構建和算法實現的能力，為未來解決實際優化問題奠定堅實基礎。

3.2 引入項目式學習模式

傳統教學模式難以激發學生的學習主動性與實踐能力，項目式學習模式能夠有效彌補這一缺陷。將真實項目融入教學，有助于學生快速適應行業需求，提升專業素養。項目式學習以學生為中心，通過設計與實際應用緊密結合的項目任務，引導學生在解決復雜問題的過程中主動學習并應用優化理論與方法。例如，可以設計基于大數據的物流路徑優化、金融風險控制或智能推薦系統等項目，要求學生從問題分析、數據預處理、模型構建到算法實現和結果評估，完成完整的項目流程。這種學習模式不僅能夠培養學生的實踐能力，還能增強其團隊合作意識和創新思維。在項目實施過程中，教師應扮演引導者和支持者的角色，為學生提供必要的理論指導和資源支持，同時鼓勵學生自主探索和解決問題。此外，項目式學習可以與校企合作相結合，引入企業真實項目或行業專家指導，進一步提升項目的實用性和挑戰性。通過項目式學習，學生能夠將理論知識與實際應用深度融合，提升解決復雜優化問題的綜合能力，為未來應對大數據時代的實際需求做好充分準備。

3.3 加強校企合作，共建實踐基地

校企雙方的深度協作能夠整合資源，為學生搭建起從校園理論學習到企業實際應用的橋梁，切實培養出符合行業需求的專業人才。首先，校企合作能夠為學生提供真實的行業環境和實踐機會，幫助他們將理論知識與實際應用緊密結合。通過與企業的深度合作，高校可以引入企業的真實數據和實際項目，設計更具針對性和實用性的實踐教學內容。例如，可以與物流企業合作，設計基于大數據的路徑優化項目；與金融機構合作，開展投資組合優化或風險控制相關的實踐任務；與互聯網企業合作，探索智能推薦系統或用戶行為分析中的優化問題。這些實踐項目不僅能夠讓學生接觸到行業前沿技術，還能培養其解決實際問題的能力。其次，校企合作共建實踐基地可以為學生提供先進的硬件設施和軟件工具，例如高性能計算平臺、分布式存儲系統和大數據處理框架，滿足大數據背景下優化問題的計算需求。最后，企業專家的參與能夠為實踐教學注入新的活力，他們可以通過講座、工作坊或項目指導等方式，分享行業經驗和最新技術動態，拓寬學生的視野。通過校企合作共建實踐基地，學生能夠在真實的工作環境中鍛煉實踐能力，提升職業素養，為未來就業和職業發展奠定堅實基礎。同時，高校也可以借助企業的資源和技術優勢，不斷優化課程內容和教學模式，提升人才培養質量，實現校企雙方的互利共贏。

3.4 建立多元化的評價體系

傳統單一評價體系難以契合復雜多變的實踐教學需求，構建多元化的評價體系，不僅能夠全面反映學生的學習效果，還能激發學生的學習興趣和創新潛能。首先，形成性評價對學生的學習情況進行動態跟蹤和反饋，通過課堂表現、作業完成情況、階段性測試等方式，及時了解學生的學習進展和存在的問題，從而調整教學策略，幫助學生改進學習方法。終結性評價則側重于對學生在課程結束時的綜合能力進行評估，通常通過期末考試、項目報告等形式進行，從而能夠全面檢驗學生對課程內容的掌握程度和應用能力。其次，定量評價與定性評價的結合能夠更全面地反映學生的學習效果。定量評價主要通過分數、排名等量化指標來衡量學生的學習成果，具有客觀性和可比性；而定性評價則通過教師評語、學生自評、同伴互評等方式，對學生的學習態度、創新能力、團隊合作精神等非量化因素進行評價。這種評價方式能夠更全面地反映學生的綜合素質。最后，自我評價與同伴評價相結合。自我評價能夠幫助學生反思自己的學習過程，發現自身的優點和不足，從而制定更合理的學習計劃；同伴評價則通過學生之間的相互評價，促進彼此之間的交流與合作，增強團隊意識和責任感。通過多元化評價體系，全面、立體地評估學生，激勵其在課程實踐中全方位提升能力，契合大數據時代對人才綜合素養的要求。

4 結語

大數據時代為最優化理論與方法課程帶來機遇與挑戰。通過對傳統教學模式問題的剖析，構建基于真實數據案例庫、引入項目式學習、加強校企合作以及建立多元評價體系等策略，為課程實踐教學注入活力。真實數據案例庫讓學生貼近實際，項目式學習鍛煉自主探索能力，校企共建基地提供實操平臺，多元評價精準反饋學習成果。未來，應持續深化這些策略的實施，緊跟大數據技術發展，不斷優化教學內容與方法，加強師資隊伍建設，推動課程與行業深度融合。

主要參考文獻

［1］賀琳.大數據背景下物流信息系統網絡課程實踐教學平臺建設[J].物流工程與管理，2024，46（01）：188190+107.

[2]李園.全渠道零售與大數據背景下供應鏈管理課程實踐教學模式探索[J].現代職業教育，2022，（17）：7880.

[3]徐恭賢.基于創新性思維的《最優化理論與方法》課程教學研究與實踐[J].渤海大學學報（自然科學版），2021，42（02）：119125.

[4]尹征杰，王月.基于大數據技術的數字化教學資源庫建設分析[J].現代商貿工業，2019，40（36）：154155.

[5]何亞銀，耶曉東，王軍利，等.工科類研究生專業課程的課程思政教學探索與實踐——以“最優化理論與方法”課程為例[J].教育教學論壇，2024，（26）：6568.

[6]王鈺婷，廖周宇，覃琪，等.大數據信息安全背景下數據庫課程教學改革研究[J].信息與電腦（理論版），2024，36（13）：130132.

[7]王文靜，王福勝.高師院校《最優化理論與方法》課程教學改革——以太原師范學院為例[J].教育理論與實踐，2013，33（15）：5456.

[8]馮凱，李莉.新工科背景下優化理論與方法課程教學改革[J].計算機教育，2024，（06）：183188.