思想政治教育策略的IKH算法最优选择

黄爱军

摘要：为了提高思想政治教育策略选择的精度和有效性，有针对性地做大学生思想政治教育工作具有重要的现实意义。在预设大学生群体意识行为正负激励的背景下，运用改进的磷虾群算法的良好寻优能力优化投影寻踪分析模型，建立IKHPP的思想政治教育策略模型。与KHPP相比，思想政治教育策略选择精度提高了3.95%和4.09%，从而说明IKHPP可以有效提高思想政治教育策略选择的精度。

关键词：思想政治教育;磷虾群算法;正激励;投影寻踪分析;最佳投影方向

中图分类号：G643

文献标志码：A

BestChoiceofIdeologicalandPoliticalEducationStrategyBasedonIKHAlgorithm

HUANGAijun

（EducationDepartment，XiantaoVocationalCollege，Xiantao433000，China）

Abstract：Inordertoimprovetheaccuracyandeffectivenessofideologicalandpoliticaleducationschemeselection，itisofgreatpracticalsignificancetodoagoodjobinideologicalandpoliticaleducationforcollegestudents.Underthebackgroundofpresettingpositiveandnegativeincentiveofcollegestudentsgroupconsciousnessbehavior，theprojectionpursuitanalysismodelisoptimizedbyusingthegoodsearchingabilityoftheimprovedkrillswarmalgorithm，andtheideologicalandpoliticaleducationstrategymodelofIKHPPisestablished.ComparedwithKHPP，theaccuracyofideologicalandpoliticaleducationstrategyselectionisimprovedby3.95%and4.09%，indicatingthatIKHPPcaneffectivelyimprovetheaccuracyofideologicalandpoliticaleducationstrategyselection.

Keywords：ideologicalandpoliticaleducation;Krillswarmalgorithm;positiveincentives;projectionpursuitanalysis;optimumprojectiondirection

0引言

隨着社会经济的发展和大学招生人数规模的不断扩大，有针对性地做好大学生思想政治教育工作具有重要的现实意义。大量研究表明[1]，大学生的个人意识和行为具有正相关性，因此通过正确合理的思想政治策略选择教育（正激励、负激励、树立榜样和标杆等），可以实现很好的教育工作效果。

为了提高思想政治教育策略选择的精度，在预设大学生群体意识行为正负激励的背景下[2]，运用改进的磷虾群（ImprovedKrillHerd，IKH）算法的良好寻优能力优化投影寻踪分析（ProjectionPursuit，PP）模型，建立IKHPP的思想政治教育策略模型。与KHPP相比，思想政治教育策略选择精度提高了3.95%和4.09%，从而说明IKHPP可以有效提高思想政治教育策略选择的精度。

1思想政治教育正负激励策略

正激励是指主动性的激励[3]，对于学生而言，正激励主要通过肯定、认可学生的积极行为，适当的物质奖励，以调动学生争当正面典型的积极性，正确的教育引导和科学管理，营造健康的舆论氛围，为学生个体树立学习的榜样，为集体指引正确的方向，用正确的舆论力量来抵制错误舆论。

负激励是被动性的激励，对人们的某种行为给予否定、制止和惩罚，弱化这种行为，朝着有利于个体需要和组织目标实现的方向发展。正激励与负激励都是必要而有效的，因为这两种方式的激励效果不仅会直接作用于个人，而且会间接地影响周围的个体与群体。丹尼尔森.卡尔曼从心理学角度证明，负激励所具有的惩罚作用更明显。

因此，对于从事学生工作的辅导员来说，要慎用负激励，因为惩罚会给人带来心灵上的创伤。我们对于学生采用的负激励方式大致是：批评、取消评优、警告处分、留校察看之类的，这些负激励措施也许可以起到以儆效尤的作用，但一定要把握负激励的尺度和力度，不能产生任何的偏差。在思想政治教育工作中，对学生采取正负激励策略，确实有助于形成一种健康积极向上的群体氛围和舆论导向，提高大学生辨别是非的能力，增强个体的自我意识，从而引导理性的群体意识行为。

2改进的磷虾群算法

在KH算法中，每个磷虾个体为解空间内的一个可行解，食物为KH算法的全局最优解。磷虾总的移动Zk由诱导运动Rk、觅食运动Sk与随机扩散Tk共同决定[4]，下标k表示第k只磷虾，如式（1）。

Zk=Rk+Sk+Tk

（1）

式中，Zk为这只磷虾总的移动。

（1）诱导运动

诱导运动分为目标指引、局部影响以及引导惯性，如式（2）。

Rk=Rmaxαk+ωrRoldk

（2）

式中，Rmax为最大诱导速度;Roldk为上一次诱导运动的速度矢量;αk和ωr分为诱导方向和诱导权重;αk和ωr均处于[0，1]之间，且αk+ωr=1。

（2）觅食运动

觅食运动包括觅食经验和食物指引，觅食速度Sk如式（3）。

Sk=Vsβk+ωsRoldk

（3）

式中，Vs为最大觅食速度;βk和ωs分别为觅食方向和权重;βk和ωs均处于[0，1]之间，且βk+ωs=1。

（3）随机扩散

随机扩散速度Tk，如式（4）。

Tk=Tmax（1-t/tmax）δ

（4）

式中，δ为随机扩散方向，且δ∈[0，1];Tmax为最大随机扩散速度。

在Δt时间段内磷虾个体位置更新公式如式（5）、式（6）。

xk（t+Δt）=xk（t）+Δt×Zk

（5）

Δt=Ct∑NVi=1（UBi-LBi）

（6）

式（5）和（6）中，Ct為步长缩放因子;UBi和LBi为变量上界和下界;NV为变量维数。然而，标准KH算法容易陷入局部最优，为避免KH算法陷入局部最优和提高收敛速度，将扰动算子β引入随机扩散，如式（7）。

Tk=Tmax（1-t/tmax+β）δ

（7）

式（7）中，β=η×fitness，η∈[0，1]。

改进的KH算法流程，如图1所示。

3基于IKHPP模型的思想政治教育策略选择

3.1评价指标

为实现思想政治策略的选择，本研究从道德品质、政治表现、思想政治理论、考勤指数、学习指数、成绩指数和日常表现等7个维度构建思想政治教育策略评价指标，一二级评价指标如表1所示。

3.2投影寻踪分析

投影寻踪分析（ProjectionPursuit，PP）是处理和分析高维数据的统计方法。假设若第i个样本第j个指标为xij（i=1，2，…，n;j=1，2，…，m），其中，n和m分别为样本个数和指标个数，则PP分析步骤为[5]：

（1）数据预处理：为了消除各个指标量纲对评价结果的影响，统一各个指标值的变化范围，采用极值归一法对指标值进行标准化处理[6]：

对于正向型指标如式（8）。

x*ij=xij-min（xj）max（xj）-min（xj）

（8）

对于逆向型指标如式（9）。

x*ij=max（xj）-xijmax（xj）-min（xj）

（9）

式（8）和（9）中，max（xj）和min（xj）为第j个指标样本的最大值和最小值;x*ij为经过标准化处理后的指标值。

（2）构造投影指标函数：设α=（α（1），α（2），…，α（m））为投影方向，将x*ij向α上投影，得到一维投影值z（i）如式（10）。

z（i）=∑mj=1αjx*ij

（10）

将目标函数Q（α）定义为投影值类间距离Sz与类内密度Dz的乘积，如式（11）。

Q（α）=SzDz

（11）

式（11）中，类间距离Sz用投影值z（i）的标准差计算，类内密度Dz为投影值z（i）的局部密度如式（12）、式（13）。

Sz=∑ni=1（z（i）-E（z））2n-1

（12）

Dz=∑ni=1∑nj=1（R-rij）u（R-rij）

（13）

式（12）和（13）中，E（z）为投影值z（i）的平均值，Sz的值越大，点团散布越开。rij为投影值之间距离rij=z（i）-z（k）（i、k=1，2，…n）。u（t）为单位阶跃函数，当t=（R-rij）≥0，其值为1，当t=（R-rij）<0，其值为0。R为求局部密度时的窗口半径，取R=min（x（i，j））5+max（x（i，j））32。

（3）优化投影指标函数：通过最大化类间距离与类内密度的乘积来寻找最佳投影方向，即求投影指标函数的最大值问题[8]，如式（14）。

MaxQ（α）=SzDz

s.t.∑mj=1α2j=1，0≤αj≤1

（14）

（4）分类：将最佳投影方向α*代入式（16）中，计算出个样本点的投影值z*（i），比较z*（i）和z*（j）大小，若二者越接近，则二者倾向于分为一类;若按照投影值z*（i）大小排序，则可以计算出不同样本的优劣[9]，如式（15）。

z（i）=∑mj=1α（j）x*（i，j），i=1，2，…，n

（15）

3.3目标函数

针对PP模型的评价精度受最佳投影方向选择的影响，运用IKH算法优化PP模型的最佳投影方向，目标函数如式（16）。

MaxQ（α）=SzDz

s.t.∑mj=1α2j=1，0≤αj≤1

（16）

3.4算法流程

基于IKHPP模型的思想政治教育策略选择算法流程为：

（1）读取思政政治教育策略的评价指标数据，划分训练集和测试集，并进行归一化处理，消除数据量纲差异带来的影响;

（2）设置IKH算法参数：磷虾种群大小N、最大随机扩散速度Tmax、最大诱导速度Rmax、最大迭代次数Maxgen以及最大觅食速度Vs，并随机初始化种群;

（3）对于训练集，根据公式（16）计算种群适应度，并进行排序，计算各运动分量;

（4）更新磷虾种群位置;

（5）判断算法终止条件，若达到最大迭代次数Maxgen，则输出最优解，也就是获得最佳投影方向α*;反之，返回步骤（3）;

（6）将最佳投影方向α*带入PP模型，计算思想政治教育策略方案的好坏或等级。

4实验结果与分析

4.1思想政治教育策略方案

为了评价不同思想政治教育策略方案的好坏或等级，结合表1的评价指标，选择表2的5个等级的思想政治教育策略为研究对象[1011]，如表2所示。

表2中5个等级分别为优、较好、中、一般和差，每个等级有7个评价指标。

4.2评价指标

为提高IKHBP模型的收敛速度和计算精度，对数据进行归一化处理[12]，如式（17）。

=（x-xmin）/（xmax-xmin）

（17）

式中，为归一化处理之后的数据;x、xmin、xmax分别为原始数据、原始数据序列中的最小值和最大值。为了评价不同方法进行思想政治教育策略选择的优劣，选择准确率作为思想政治教育策略选择的评价指标如式（18）。

AC=TNN×100%

（18）

式中，AC为准确率;N为样本总数;TN为正确分类的样本数量。

4.3结果分析

按照表1中各指标的评价等级范围和分级标准[13]，在每个等级区间内随机生成100个标准评价对象，获得500个标准样本数据，并对样本数据进行标准化处理，将500个标准评价对象数据按照训练集所占比例为0.8划分训练集和测试集。IKH和KH参数设置为：磷虾种群大小N=100、投影方向α范围为[0，1]、最大随机扩散速度Tmax=0.02、最大诱导速度Rmax=0.03、最大迭代次数Maxgen=100以及最大觅食速度Vs=0.02。

将为证明IKHPP模型进行思想政治教育策略选择的优越性，将IKHPP与KHPP、PSOBP和DEBP进行对比，不同模型参数设置如表3所示。

表3不同模型参数

算法参数设置

PSO种群规模N=10，最大迭代次数T=100，学习因子c1=c2=2，搜索区间[-1，1]

DE种群规模N=10，最大迭代次数T=100，缩放因子FR=0.5，交叉概率pc=0.7

不同算法独立运行10次，将10次思想政治教育策略选择结果的平均值作为最终选择结果。思想政治教育策略选择评价时，将9个评价指标作为IKHPP模型的输入，策略等级作为IKHPP模型的输出，建立IKHPP思想政治教育策略选择模型，结果如图2、图3和表4所示。

由思想政治教育策略选择评价精度对比结果可知，在训练集和测试集上，IKHPP的最优准确率分别为96.62%和97.65%，优于PSOPP模型的93.05%和93.93%、DEPP模型的92.71%和93.07%、KHPP模型的92.67%和93.56%和PP模型的89.12%和88.73%，与PP相比，水质评价精度提高了7.5%和8.92%;与KHPP相比，思想政治教育策略选择精度提高了3.95%和4.09%，从而说明IKHPP可以有效提高思想政治教育策略选择的精度。

此外，在訓练集和测试集上，IKHPP的思想政治教育策略选择最差准确率和平均准确率均优于PSOPP、DEPP、KHPP和PP，从而说明IKHPP进行思想政治教育策略选择具有更强的稳定性和鲁棒性。

收敛速度对比如图4所示。

可知不同算法收敛速度的对比，与PSO、DE和KH相比，IKH具有更快的收敛速度且具有更高评价精度。主要原因可能是：IKH算法将扰动算子β引入随机扩散，可以提高KH算法的局部搜索能力和全局搜索能力，提高了寻优精度。

5总结

文中在预设大学生群体意识行为正负激励的背景下，运用改进的磷虾群算法的良好寻优能力优化投影寻踪分析模型，建立IKHPP的思想政治教育策略模型。与KHPP相比，思想政治教育策略选择精度提高了3.95%和4.09%，从而说明IKHPP可以有效提高思想政治教育策略选择的精度。由于思想政治教育策略的选择因素较多，本文只考虑了部分评价因素，后期将研究更多影响因素的思想政治策略选择，进一步提高模型的适用性和精度。

参考文献

[1]蒋海彬，郝桂荣，刘刚.高等学校大数据思想政治教育评价系统研究[J].锦州医科大学学报（社会科学版），2018（1）：103105.

[2]张楠楠，林春雷，李凯瑞.高校思想政治教学评价指标体系构建研究[J].河北大学成人教育学院学报，2017（4）：117120.

[3]李君亮，许典利，陈艳.高校思想政治理论课教学质量监控与评价分析[J].教育教学论坛，2017（19）：6061.

[4]牛培峰，陈科，刘阿玲，等.基于磷虾群算法的汽轮机组最优初压研究[J].动力工程学报，2017，37（8）：615621.

[5]崔东文.改进蝴蝶优化算法投影寻踪模型在区域河长制考核评价中的应用[J].三峡大学学报：自然科学版，2019（5）：1218.

[6]杨昊，刘鹏，李玉星，等.基于投影寻踪模型的天然气管道灾害评价分析[J].油气田地面工程，2019（1）：111115.

[7]白雁翎，崔晨风，童山琳.基于改进萤火虫算法的投影寻踪太湖水质综合评价[J].节水灌溉，2017（5）：7276.

[8]梁薇.基于投影寻踪模型的网评评委综合素质评价[J].统计与决策，2017（23）：6063.

[9]苏敏杰，白栩嘉.基于最大熵投影寻踪模型的云南省近10a水资源承载力评价[J].长江科学院院报，2018，35（6）：1218.

[10]李祚泳，汪嘉杨，徐源蔚.规范变换与误差修正结合的环境系统的前向网络和投影寻踪预测模型[J].环境科学学报，2019，39（6）：20532070.

[11]张瑞，袁斐.基于AHP的高校辅导员职业能力评价指标体系研究[J].丝路视野，2017，11（6）：4244.

[12]曹昱鹏，王智杰，胡勇文.改进的层次分析法在高校学生综合素质评定中的应用[J].轻工科技，2018（3）：5355.

[13]周海燕.高校思想政治教育精细化管理PSR模型的指标体系研究[J].教育学术月刊，2019（7）：2125.

（收稿日期：2020.03.07）