喬維德

（無錫開放大學 科研與質(zhì)量控制處，江蘇 無錫 214011）

0 引言

創(chuàng)新是民族不斷進步和國家興旺發(fā)達的不竭源泉和發(fā)展動力.高校以服務(wù)于地方經(jīng)濟和社會發(fā)展為己任，是創(chuàng)新型和應用型人才培養(yǎng)的搖籃和基地.創(chuàng)新型人才的培養(yǎng)需要高等教育不斷加以創(chuàng)新，而高等教育創(chuàng)新的核心在于高校教師，高校教師應該成為實施教育創(chuàng)新的中堅力量.高校教師的創(chuàng)新能力是指高校教師將新穎的見解和獨到的主張應用于教育教學改革、應用研究和社會服務(wù)之中所體現(xiàn)出的求異、求新，為教育教學改革、地方經(jīng)濟社會發(fā)展高效地發(fā)現(xiàn)新問題、提出新問題和解決新問題，創(chuàng)造性地開展教學和科研等工作的各種創(chuàng)新行為能力的復合體.高校教師創(chuàng)新能力具體包括學習創(chuàng)新能力、教學改革能力、應用研究能力和社會服務(wù)能力等，主要體現(xiàn)在創(chuàng)新意識、創(chuàng)新思維、創(chuàng)新實踐、教學實踐、科研實踐、團隊協(xié)作和自主學習等要素[1].《國家創(chuàng)新驅(qū)動發(fā)展戰(zhàn)略綱要》提出要健全完善創(chuàng)新評價制度體系，推進高校創(chuàng)新工作的績效評價，將技術(shù)轉(zhuǎn)移和科研成果對經(jīng)濟社會的影響納入評價指標.為此，對高校教師的創(chuàng)新能力進行科學評價，并不斷激發(fā)高校教師的創(chuàng)新能力已成為當前面臨并需要重點研究的任務(wù)和課題.

目前，關(guān)于高校教師創(chuàng)新能力評價問題的研究，已取得一定的研究成果和成效.吳映曈等[2]利用層次分析法與灰色關(guān)聯(lián)分析法構(gòu)建教師創(chuàng)新能力綜合評價模型；周永衛(wèi)等[3]采取因子分析法建立高校教師創(chuàng)新能力評價體系，并進行實證研究后提出提升高校教師創(chuàng)新能力的相應對策；有學者也提出了基于BP神經(jīng)網(wǎng)絡(luò)的高校教師創(chuàng)新教學能力評價方法.通過對相關(guān)研究文獻的分析發(fā)現(xiàn)，由于高校教師創(chuàng)新能力評價涉及多種變化因素，屬于非線性系統(tǒng)，所以采用傳統(tǒng)的灰色關(guān)聯(lián)分析等方法會存在很大局限性.層次分析法借助比較矩陣處理相關(guān)數(shù)據(jù)，能夠有效克服評價工作中不能量化的困難和問題，但層次分析法帶有較強的主觀性，往往會影響評價結(jié)果的準確性和公正性.BP神經(jīng)網(wǎng)絡(luò)具有較強非線性映射功能，利用它評價高校教師創(chuàng)新能力，能取得一定成效.雖然BP算法非線性映射及泛化能力比較強，但計算量大、收斂速度過慢、很容易陷入局部最小值，所以對高校教師創(chuàng)新能力評價結(jié)果往往不準確.綜合以上問題及不足，本研究充分利用粒子群（PSO）算法收斂速度快和人工蜂群（ABC）算法全局搜索能力強的特點，將粒子群算法與人工蜂群算法融合形成粒子群-人工蜂群（PSO-ABC）算法，并用于優(yōu)化高校教師創(chuàng)新能力評價的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)，提高高校教師創(chuàng)新能力評價的科學性和精準度，為高校創(chuàng)新工作的有效、有序、有力發(fā)展提供科學決策咨詢.

1 高校教師創(chuàng)新能力評價原理

圖1為高校教師創(chuàng)新能力評價模型原理示意圖[4]，首先在分析影響高校教師創(chuàng)新能力因素基礎(chǔ)上，通過層次分析法構(gòu)建高校教師創(chuàng)新能力評價指標體系，利用BP神經(jīng)網(wǎng)絡(luò)建立其評價模型，采取粒子群-人工蜂群算法優(yōu)化輸出最優(yōu)的BP網(wǎng)絡(luò)初始結(jié)構(gòu)參數(shù)，并應用改進BP算法訓練網(wǎng)絡(luò)，直至BP網(wǎng)絡(luò)輸出與期望輸出（即采用層次分析法得出的綜合得分）的誤差達到規(guī)定精度要求，最后再對網(wǎng)絡(luò)加以測試驗證.

2 高校教師創(chuàng)新能力評價指標體系構(gòu)建

2.1 建立遞階層次結(jié)構(gòu)

在對高校教師創(chuàng)新能力進行評價前，需要確定影響高校教師創(chuàng)新能力評價的指標體系.高校教師創(chuàng)新能力評價過程中涉及的因素比較多且各因素之間又有關(guān)聯(lián)，所以高校教師創(chuàng)新能力評價應該屬于比較特殊又復雜的系統(tǒng)，它融合了高校教師和創(chuàng)新教育教學的新要求和新特點，為此，利用層次分析法建立高校教師創(chuàng)新能力評價指標結(jié)構(gòu)體系時，要用系統(tǒng)工程的思維考慮問題，以系統(tǒng)性、客觀性、定性與定量相結(jié)合、發(fā)展性為原則來科學構(gòu)建指標體系.影響高校教師創(chuàng)新能力評價的各種因素錯綜復雜，結(jié)合高校教師創(chuàng)新工作特點及要求，對高校教師創(chuàng)新能力評價主要考慮4個方面，一是高校教師知識存量情況.高校教師的知識存量水平是教師創(chuàng)新能力的基礎(chǔ)和條件，包括高校教師的學歷水平、學位、專業(yè)技術(shù)職務(wù)、職業(yè)技能資格證書獲取情況等.二是教學創(chuàng)新情況.高校的基本職能和根本任務(wù)是培養(yǎng)創(chuàng)新型人才，要培養(yǎng)學生的創(chuàng)新意識和創(chuàng)新能力，教師在日常教學工作中，應該注重教學的創(chuàng)新，積極投身教學改革，包括教學藝術(shù)、教學手段的運用，指導學生創(chuàng)新大賽，積極參加教學改革以及教學技能競賽活動等.三是科研創(chuàng)新.科學研究是高校的重要職能之一，高校教師應加強課題和項目研究，努力提升專業(yè)理論與實踐研究水平，加快科研成果的產(chǎn)出.主要包括科研課題、發(fā)表論文的數(shù)量、級別等.四是創(chuàng)新成果轉(zhuǎn)化.高校教師的科研成果最終要服務(wù)于社會和地方經(jīng)濟發(fā)展，高校教師要加強校企業(yè)合作，將研究成果面向市場和企業(yè)，加速科研成果的轉(zhuǎn)化，實現(xiàn)科研成果的市場價值，包括學術(shù)獲獎、專利轉(zhuǎn)讓、橫向課題到賬經(jīng)費等.基于以上分析，本研究在參考相關(guān)研究文獻、咨詢高校教育專家及征求理、工、文、經(jīng)、法、管等學科的高校教師、省市教育主管部門領(lǐng)導等意見的基礎(chǔ)之上，建立用于高校教師創(chuàng)新能力評價的三層結(jié)構(gòu)模型，如表1所示，該結(jié)構(gòu)模型由目標層（U）、一級指標層（V）、二級指標層（X）組成，其中二級指標層共包含20個指標因素.

2.2 確定指標權(quán)重

圖1 高校教師創(chuàng)新能力評價原理示意圖

表1 高校教師創(chuàng)新能力評價層次結(jié)構(gòu)

采用1～9九級標度法確定高校教師創(chuàng)新能力評價的權(quán)重判斷矩陣U—V、V1—X、V2—X、V3—X、V4—X，比如權(quán)重矩陣U—V中，“5”表示一級指標V3（教學創(chuàng)新）比一級指標V1（知識存量）重要，而“1/5”則表示V1沒有V3重要.因此一級指標層中，知識存量、教學創(chuàng)新、科研創(chuàng)新、創(chuàng)新成果轉(zhuǎn)化在高校教師創(chuàng)新能力評價中所占的權(quán)重分別設(shè)定為0.22，0.25，0.28，0.25. 其他權(quán)重判斷矩陣類推. 通過推算判斷矩陣特征向量且進行歸一化處理后，求取各項指標權(quán)重及其合成權(quán)重[5]，如表2～表6所示.表7為高校教師創(chuàng)新能力評價的二級指標層各指標因素相對于目標層的綜合權(quán)重.

表2 權(quán)重判斷矩陣U─V

表3 權(quán)重判斷矩陣V 1─X

3 高校教師創(chuàng)新能力評價模型結(jié)構(gòu)

采用BP神經(jīng)網(wǎng)絡(luò)建立高校教師創(chuàng)新能力評價模型，并利用粒子群-人工蜂群算法優(yōu)化BP網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)，然后將訓練的BP神經(jīng)網(wǎng)絡(luò)模型用于對高校教師創(chuàng)新能力的準確評價，評價模型如圖2所示.選取以上評價體系中的20個指標數(shù)據(jù)預處理（即歸一化）后的值作為BP神經(jīng)網(wǎng)絡(luò)的輸入變量，以BP神經(jīng)網(wǎng)絡(luò)的輸出變量s*經(jīng)過反歸一化處理后的s值作為高校教師創(chuàng)新能力的網(wǎng)絡(luò)評價結(jié)果.ωij為BP神經(jīng)網(wǎng)絡(luò)對輸入層和中間層之間的連接權(quán)值，Tki為中間層與輸出層之間的連接權(quán)值，中間層、輸出層節(jié)點閾值分別為θi和θk，Q為BP神經(jīng)網(wǎng)絡(luò)的期望輸出值，即高校教師創(chuàng)新能力的專家評審結(jié)果.

表4 權(quán)重判斷矩陣V2─X

表5 權(quán)重判斷矩陣V3─X

表6 權(quán)重判斷矩陣V4─X

表7 高校教師創(chuàng)新能力評價指標合成權(quán)重

圖2 高校教師創(chuàng)新能力評價的BP神經(jīng)網(wǎng)絡(luò)模型

4 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)優(yōu)化與訓練

圖2中，BP神經(jīng)網(wǎng)絡(luò)需要經(jīng)過不斷的學習來優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)ωij、Tki、θi、θk，保證BP網(wǎng)絡(luò)輸出與專家評審結(jié)果之間的誤差滿足要求.考慮到初始參數(shù)ωij、Tki、θi、θk對網(wǎng)絡(luò)輸出影響非常大，而且BP算法對選取的參數(shù)初始值比較敏感，也極易出現(xiàn)陷入局部極值現(xiàn)象[6]，因此，本研究采取粒子群-人工蜂群算法優(yōu)化輸出BP神經(jīng)網(wǎng)絡(luò)中ωij、Tki、θi、θk等最優(yōu)初始連接權(quán)值和閾值，并通過改進BP算法對BP神經(jīng)網(wǎng)絡(luò)加以學習訓練，直至BP神經(jīng)網(wǎng)絡(luò)輸出誤差滿足要求為止.

4.1 改進BP算法

學習過程中標準BP算法比較容易陷入局部極小，且可能產(chǎn)生振蕩甚至發(fā)散現(xiàn)象，為此對標準BP算法加以改進，一是增加動量項，從而消除學習中出現(xiàn)的振蕩現(xiàn)象；二是引入自適應學習因子，通過對學習率的自動調(diào)節(jié)，也能防止因為學習率過大、過小以及收斂速度過慢而導致的系統(tǒng)振蕩或者發(fā)散等異常情況.

4.2 粒子群-人工蜂群算法優(yōu)化BP網(wǎng)絡(luò)

粒子群算法收斂速度快，但往往會陷入局部最優(yōu)，且產(chǎn)生“早熟”，后期搜索更優(yōu)解時收斂速度明顯變慢.人工蜂群算法全局搜索能力強，然而前期搜索時速度較慢，但是一旦尋找到可行解，搜索能力將會迅速增強.比較粒子群算法和人工蜂群算法各自的特點與缺陷，將粒子群算法和人工蜂群算法有機結(jié)合起來，組成粒子群-人工蜂群算法.利用粒子群-人工蜂群算法進化輸出的最優(yōu)值，作為高校教師創(chuàng)新能力評價模型中BP神經(jīng)網(wǎng)絡(luò)的最優(yōu)初始連接權(quán)值、閾值.粒子群-人工蜂群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)初始結(jié)構(gòu)參數(shù)的具體步驟為[6]：

Step1：初始化參數(shù)，設(shè)置粒子群規(guī)模、慣性權(quán)重以及粒子群和人工蜂群算法的最大迭代次數(shù)等.

Step2：將粒子進行分組，每組含等量的粒子.

Step3：計算每個粒子的適應度，求取每組中的最優(yōu)粒子.

Step4：更新粒子的速度和位置，通過計算得出各組全局最優(yōu)粒子.第i個粒子的速度Vij和位置Xij按下列算式進行迭代更新：

式中 i=1，2，…，N（N 為粒子個數(shù)）；j=1，2，…，M（M 為求解空間維數(shù)）；t、tmax表示算法當前及最大迭代次數(shù)；Pij、Gj分別表示第i個粒子的個體最優(yōu)和全局最優(yōu)的位置；C1、C2分別表示局部、全局加速常數(shù)；R1、R2為均勻分布在[0，1]的隨機值；ω 表示粒子的慣性權(quán)重，ω1、ω2分別表示其初始值和終值（ω1＞ω2）.

Step5：將求得的各組最優(yōu)粒子重新組合形成人工蜂群，這些最優(yōu)粒子為蜂群算法中的初始粒子.

Step6：設(shè)定人工蜂群算法的初始迭代次數(shù)為1，人工蜂群中的引領(lǐng)蜂按照式（6）通過不斷更新位置來搜尋蜜源，即：

式中 vij為更新后的新位置，k=1，2，…，H，k≠i，rand（-1，1）為[-1，1]上的一個隨機數(shù).

Step7：當引領(lǐng)蜂搜索到蜜源以后，計算測試蜜源的適應度，即：

式中Fi表示第i個蜜源的適應度；fi表示第i個蜜源的適應值（優(yōu)化問題目標函數(shù)值）.

Step8：將引領(lǐng)蜂搜索的新蜜源與原蜜源的適應度進行比較，如果前者高于后者，則由新蜜源位置替代原蜜源位置，否則蜜源位置不變并將迭代次數(shù)NP加1.

Step9：計算蜜源位置的概率值，跟隨蜂按概率函數(shù)Pi選擇其搜尋到的新蜜源，并計算相應的適應度.

Step10：將跟隨蜂選擇的新蜜源和原蜜源的適應度進行比較，如果前者高于后者，那么就用新蜜源位置替換原蜜源位置，否則蜜源位置不變并將迭代次數(shù)NP加1.

Step11：當?shù)螖?shù)NP達到人工蜂群算法的最大迭代數(shù)時，輸出最優(yōu)蜜源位置，位置輸出值作為BP網(wǎng)絡(luò)中的最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)初始參數(shù)，即初始權(quán)值ωij、Tki和節(jié)點閾值θi、θk.

粒子群-人工蜂群算法中，適應值f定義為BP神經(jīng)網(wǎng)絡(luò)的期望輸出與實際輸出的均方差，如：

式中n表示BP網(wǎng)絡(luò)訓練樣本數(shù)；m表示BP網(wǎng)絡(luò)輸出節(jié)點數(shù)；Qjh，sjh分別為第j個樣本在第h個BP網(wǎng)絡(luò)輸出節(jié)點處的期望輸出與實際輸出.

粒子群-人工蜂群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)流程如圖3所示.

5 高校教師創(chuàng)新能力評價模型應用

5.1 數(shù)據(jù)預處理

影響高校教師創(chuàng)新能力的指標因素有20個，各因素的量綱、單位不盡相同，當借助BP神經(jīng)網(wǎng)絡(luò)評價高校教師創(chuàng)新能力時，為避免因原始樣本數(shù)據(jù)過大影響網(wǎng)絡(luò)訓練速度及其靈敏性，這里對原始數(shù)據(jù)樣本的輸入和輸出都需要進行歸一化處理，將原始數(shù)據(jù)轉(zhuǎn)換為[0，1]區(qū)間值，力求數(shù)據(jù)均勻平滑分布.

圖3 粒子群-人工蜂群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)流程

式中x*表示歸一化后的數(shù)據(jù)值；x、s分別表示原始數(shù)據(jù)的輸入樣本和輸出樣本；xmax、xmin分別表示原始數(shù)據(jù)的最大值、最小值.在BP神經(jīng)網(wǎng)絡(luò)模型訓練結(jié)束后，對于網(wǎng)絡(luò)輸出得到的歸一化數(shù)據(jù)，需要再經(jīng)過反歸一化的數(shù)學處理，還原成正常的高校教師創(chuàng)新能力網(wǎng)絡(luò)評價結(jié)果值.

5.2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計

用于高校教師創(chuàng)新能力評價的20個指標因素分別對應BP神經(jīng)網(wǎng)絡(luò)的輸入神經(jīng)元，網(wǎng)絡(luò)輸入層節(jié)點數(shù)n=20.BP網(wǎng)絡(luò)輸出為高校教師創(chuàng)新能力評價結(jié)果s，評價結(jié)果s按照分值設(shè)定5個等第，即優(yōu)秀[100，90]、良好（90，80]、中等（80，70]、合格（70，60]、不合格（60，0]，輸出神經(jīng)元節(jié)點數(shù) m=1.BP 網(wǎng)絡(luò)中間層神經(jīng)元節(jié)點數(shù)h 由式（12）確定[7]，經(jīng)過多次測試得：

選取其節(jié)點數(shù)為17.高校教師創(chuàng)新能力評價的BP網(wǎng)絡(luò)結(jié)構(gòu)為20—17—1，中間層、輸出層神經(jīng)元傳遞函數(shù)分別選取tansig和purelin，中間層、輸出層節(jié)點的激活函數(shù)選取均選取Sigmoid.

5.3 訓練及測試樣本選取

表8列出某高校部分教師創(chuàng)新能力專家評價數(shù)據(jù)樣本，樣本含訓練及測試樣本，其中第1～60組數(shù)據(jù)用于BP神經(jīng)網(wǎng)絡(luò)的訓練（因版面限制，只列部分數(shù)據(jù)），后8組數(shù)據(jù)用于BP網(wǎng)絡(luò)的測試.x1～x20為影響高校部分教師創(chuàng)新能力評價的各指標數(shù)據(jù)值，得分Q為高校教師創(chuàng)新能力專家評價結(jié)果，它是由層次分析法推算出的綜合得分，即x1～x20評價指標值與其指標合成權(quán)重的乘積之和，用它作為BP神經(jīng)網(wǎng)絡(luò)的期望輸出值.

5.4 參數(shù)設(shè)計及評價結(jié)果分析

粒子群-人工蜂群算法初始化參數(shù)選取為：粒子群數(shù)量N=50，慣性權(quán)重初始值ω1=1.4、終值ω2=0.5；R1=R2=2；粒子群和人工蜂群算法的最大迭代次數(shù)分別為200，110.粒子群劃分的組數(shù)G=5，每組粒子個數(shù)B=10.BP神經(jīng)網(wǎng)絡(luò)訓練的目標誤差精度設(shè)定為0.000 1.BP神經(jīng)網(wǎng)絡(luò)的最多迭代次數(shù)為350.利用表8中的前60組評價數(shù)據(jù)借助MATLAB對BP神經(jīng)網(wǎng)絡(luò)進行學習訓練，直至BP網(wǎng)絡(luò)滿足規(guī)定目標誤差精度或者達到最多迭代次數(shù).從圖4所示的網(wǎng)絡(luò)訓練曲線分析得出：當網(wǎng)絡(luò)訓練步數(shù)達到136步時，能滿足目標誤差要求，BP神經(jīng)網(wǎng)絡(luò)的訓練時間短，訓練精度高.BP網(wǎng)絡(luò)訓練完畢后，利用表8中的第61～68這8組數(shù)據(jù)作為BP網(wǎng)絡(luò)的測試樣本，得出如表9所示的檢驗結(jié)果，分析顯示：用于高校教師創(chuàng)新能力評價的BP神經(jīng)網(wǎng)絡(luò)輸出值s與期望輸出值Q（即專家評價結(jié)果）之間的最大相對誤差為1.42%，網(wǎng)絡(luò)評價與專家評價的結(jié)論完全一致，所以所建立的BP神經(jīng)網(wǎng)絡(luò)模型能取代專家評價，可以對高校教師創(chuàng)新能力作出比較客觀公正、準確有效的評價結(jié)論.

表8 用于BP神經(jīng)網(wǎng)絡(luò)的訓練、測試樣本

為進一步驗證本研究提出的粒子群-人工蜂群算法及改進BP算法的優(yōu)化訓練性能，仍采用上述60組訓練樣本數(shù)據(jù)和8組測試樣本數(shù)據(jù)，先后分別采取BP算法、粒子群算法+BP算法、人工蜂群算法+BP算法和粒子群-人工蜂群算法+BP算法優(yōu)化、訓練且測試BP神經(jīng)網(wǎng)絡(luò)，再進行對比分析，如粒子群算法+BP算法，即首先用粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值、閾值等結(jié)構(gòu)參數(shù)，然后利用BP學習算法對神經(jīng)網(wǎng)絡(luò)加以訓練.表10的比較結(jié)果分析表明，BP神經(jīng)網(wǎng)絡(luò)經(jīng)粒子群-人工蜂群算法優(yōu)化后的網(wǎng)絡(luò)訓練速度最快、訓練誤差最小、測試精度最高.

圖4 BP神經(jīng)網(wǎng)絡(luò)訓練誤差曲線

表9 BP網(wǎng)絡(luò)測試樣本評價結(jié)果對比

表10 各種算法優(yōu)化BP網(wǎng)絡(luò)的指標比較

6 結(jié)語

利用層次分析法構(gòu)建高校教師創(chuàng)新能力評價指標體系，體系含高校教師知識存量、教學創(chuàng)新、科研創(chuàng)新、創(chuàng)新成果轉(zhuǎn)化4個一級指標，以及學歷學位情況、專業(yè)技術(shù)職務(wù)情況等20個二級指標.

建立高校教師創(chuàng)新能力評價的BP神經(jīng)網(wǎng)絡(luò)模型.選取影響高校教師創(chuàng)新能力的20個二級指標因素作為BP神經(jīng)網(wǎng)絡(luò)的輸入變量，高校教師創(chuàng)新能力評價結(jié)果作為BP神經(jīng)網(wǎng)絡(luò)的輸出變量.采取粒子群-人工蜂群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，通過數(shù)據(jù)樣本對網(wǎng)絡(luò)加以訓練和測試.高校教師創(chuàng)新能力網(wǎng)絡(luò)輸出評價結(jié)果與層次分析法評價（即專家評價）結(jié)果一致.本研究提出的用于高校教師創(chuàng)新能力評價的BP網(wǎng)絡(luò)模型預測精度高、效率高、效度高，具有較好的可信度和智能性，對于高校管理者科學評價高校教師創(chuàng)新能力提供了科學依據(jù)和有效手段，是一種值得推廣的高校教師創(chuàng)新能力評價方法.