多目标优化算法下高校党建与思政教育协同发展路径探索

高校是培养人才的主阵地，党建和思政教育是落实立德树人根本任务的重要途径，二者相互促进、不可分离。当前，高校党建和思政教育协同发展已成为新时代教育事业发展的必然要求，然而其在实践推进过程中还存在方向引领不够精准、资源配置不够合理、协同机制不够完善等现实困境，影响了育人合力的充分发挥。在此背景下，推进高校党建和思政教育的深度融合具有重要意义，这既是加强党对高校全面领导的具体体现，又是提高思政教育实效性以及培养合格时代新人的重要途径。因此，本文以解决当前协同发展存在的突出问题为目标，采用非支配排序遗传算法（NSGA-II）探索一条科学合理的协同发展之路，确定运用算法所必需的理论基础和操作方法，旨在促进党建和思政教育的深度融合、提高育人成效。

1 多目标优化算法适配高校党建与思政教育协同发展的理论建构

1.1 算法应用的理论基础与实践前提

多目标优化算法在高校党建和思政教育协同发展中应用前需确定理论基础以及实践条件，理论层面，马克思主义的建党学说为算法的设计提供了一个政治方向的指引，需保证算法设计不偏离育人宗旨和党的领导这一基本原则；实践层面，算法应用前提是把协同工作转化为可计算、优化的形式化问题。以非支配排序遗传算法（NSGA-II）为例，该算法采用非支配排序来区分解的优劣等级，以拥挤度距离来保持解集的多样性，适合于两个或者三个相互矛盾的目标之间的权衡优化。高校党建和思政教育协同场景下，可将“党建活动覆盖思政课程广度”和“学生思想认知提升深度”作为两个互相制约的目标，前者是组织上的资源投入，后者为教育效果好坏。决策变量可取活动频次、参与人数、内容嵌入方式等，算法运行要依靠基础数据平台支撑，融合党建工作台账、思政课教学记载、学生思想动态调查成果等结构化数据，从而为各个目标函数的计算提供量化的参照。

算法参数的设置则根据高校实际管理逻辑，种群规模、迭代次数、交叉变异概率等要参照同类教育管理问题求解经验来校准。非支配排序遗传算法的目标函数需要有数值表达，党建活动融入思政课程的比例可以用统计每学期联合备课次数、党课进课堂次数量化；学生思想认知提升可以用课程前后思想动态调查得分变化表征。算法得到的非支配解集是一组协同的方案，每一个方案均有不同的目标达成水平。高校管理者根据自身的工作重点从解集中选择出合适的方案，从而实现资源分配的最佳平衡。由此，算法的应用由抽象的理论变为具体的实践，为党建和思政教育的协同提供了可操作的决策支持。

1.2 党建与思政教育协同发展的多目标体系构建

根据多目标优化算法的逻辑，创建协同发展目标体系需从政治引领、价值塑造、实践落实这三个主要方面着手。这里结合NSGA-II算法建立三个维度评价指标体系，政治引领目标衡量党建活动对于思政教育方向把控的强度，选取党的创新理论在思政课程中所占章节数、专题报告次数等作为指标；价值培育目标体现学生理想信念、道德判断等各方面的提高，可用学生志愿活动参与率、理论社团活跃度等间接指标体现。实践落地目标侧重于协同机制的执行速度，可量化的指标有党建和思政工作联合计划完成率、资源共享平台使用次数等。NSGA-II的非支配排序可找出所有的互不支配的折中方案，以便决策者根据阶段性工作重点选择使用。

多目标体系的建立还要考虑目标权重的动态调整，算法本身不预设权重，采用帕累托前沿来呈现全部最优折中关系。高校根据不同的季节或者学期的工作重点，从帕累托解集中选择方案。这个过程不需要人工预先设定固定的权重，可消除主观偏好带来的影响、保证决策的科学性以及灵活性。同时，三个目标之间的内在联系也要在设置约束条件的时候体现。约束条件可以设定为各个目标的最低阈值，保证任何方案都不会严重偏废任何一个方面，用NSGA-II算法对多目标体系进行优化求解，使党建和思政教育的协同发展由经验判断转变为量化决策，确保各方面的推进有据可依、协同有径可循。

2 多目标优化算法支撑下高校党建与思政教育协同发展实践路径

2.1 构建算法驱动的资源整合机制

非支配排序遗传算法（NSGA-II）为高校党建和思政教育资源统筹整合提供了量化的决策手段；资源整合即将有限的人力、物力、财力集中到能产生协同效应的关键环节。具体可将党建工作所涵盖的师资力量、活动场地、宣传渠道等要素归为一类资源集合，将思政教育所涉及的课堂教学、实践教学、阵地建设等需求归为另一类需求集合，这两类需求集合之间形成的匹配关系就构成了多目标优化问题。目标函数分为两部分，一部分是资源匹配的覆盖率，即党建资源有效服务于思政教育活动所占的比例；一部分是资源投入的均衡度，即防止资源过度集中到某一个院系或活动，保障各教育环节获得均衡收益。决策变量可设计为资源分配矩阵，具体体现为党建骨干教师的院系思政课堂授课安排、红色教育场地的实践活动分配等具体事项。NSGA-II以非支配排序的方式在覆盖度和均衡度这两个目标之间找到一个折中的方案，生成一组资源调配解集。

同时高校可建立资源数据库，录入党建师资的专业方向、授课经历、活动组织经验等信息以及思政课程的教学主题、课时安排、学生规模参数。算法每次运行均可生成多种资源调配方案。每套方案均明确党建骨干的课程参与、课时分配及教学配合事项，决策者不需要依靠个人的经验来随机分配，而是从算法生成的帕累托前沿中选择出最符合本校阶段工作重点的方案。在某一学期中如果侧重于理论教学，那么可选择覆盖度较高的方案；如果侧重于实践教学，则采用均衡度较高的方案。该机制可有效防止资源被浪费或者重复使用，把党建资源分散式地用于各领域转变为精准式地使用，从而提高资源利用效率。

2.2 完善协同育人的课程融合体系

在课程融合体系构建过程中，NSGA-II算法可用于优化党建元素与各类课程内容的嵌入方案。思政课程和专业课程在教学目标、学生基础、课时安排等各方面都存在着差别，因此在党建元素的融入过程中要兼顾理论系统性、学生接受度以及教学可行性三大维度。将这三个维度设为优化目标函数，理论系统性用党建知识点在课程中呈现的连贯程度来衡量，学生接受度用课程教学效果的问卷调查结果来反映，教学可行性用教师实施难度和课时占用情况来考察。三个目标之间存在着潜在的矛盾，即过于重视理论系统的建构会加重教师备课的负担，减小了学生之间的互动空间，而过分注重学生对知识的掌握程度则会削弱理论的深度。决策变量可设为党建元素的嵌入方式，即嵌入到哪个章节、用什么形式呈现、需要多少教学时长等。NSGA-II通过非支配排序，生成一组能够同时实现三大目标最优的课程融合方案。

高校可以先行整理出本校所有思政课程和专业课程教学大纲，标出能够嵌入党建元素的教学节点，算法依据各个节点的学科属性、学生年级、学时长短来生成各种嵌入方案。以某门思想政治理论课为例，方案甲建议第四章应该增加红色经典文献的研读内容，方案乙建议课程期末应该加入现实案例分析。这些方案均经过了算法的筛选，在理论系统性、学生接受度、教学可行性三大维度上均达到非劣化标准。教学管理部门根据院系意见，从解集中选择具体方案，然后据此修订教案和教学计划。课程融合体系的动态调整同样依赖算法支撑，每学期末收集课程融合实施效果的评价反馈，将评价结果当作新一轮算法运行的输入条件，从而推动课程融合方案随着教学实际情况不断改进。

2.3 打造常态化协同实践平台

NSGA-II算法为党建和思政协同实践平台的创建提供了活动组合改良的技术支持，不同的实践活动在育人效果、学生参与度、资源消耗等各方面存在差异，需通过科学统筹实现多维度平衡。具体应将实践活动的设计转化成多目标优化问题，设置三个目标函数，其中，参与广度用活动覆盖的学生数量来衡量，育人深度以活动之后学生认知变化的显著程度来衡量，资源效率则以单位资源投入对应的活动产出来计算。三个目标互相制约，参与面广的活动通常育人深度有限，而育人深度较强的活动需要消耗较多资源。基于此，决策变量可设为学期里各种实践活动的次数、时长、参加人数、举办方式等，经过NSGA-II迭代寻优后得到一个非支配的活动组合方案，每一方案中包含着红色研学、志愿服务、知识竞赛、实践工坊等活动安排。

高校需创建完备的实践活动数据库，系统记录各类实践活动以往开展时所涉及的参与人数、学生评价得分、组织开支、场地利用状况、师资投入等各方面的关键信息，从而为算法改进提供全面、真实且有效数据支持。算法根据数据库里历史数据以及学期党建和思政教育工作重点来产生若干个可行的候选活动方案。各个候选计划根据目标函数侧重的方向产生差异化的配置，分别聚焦参与广度、育人深度、资源效率三大核心维度，从而形成互相补充、各有侧重的优化方案。决策者根据学期党建工作安排、思政教育重点工作任务和学校资源条件，从算法给出的帕累托前沿中选择最符合的活动计划，作为学期实践平台的实施依据。在实践活动开展期间需建立实时数据搜集体系，不间断地搜集学生参与情况、活动达成状况、学生即时反应等有关信息，并将其及时发送到算法系统当中，作为活动计划动态调整的主要参照。

另外，高校还需创建动态监测体系，对各类实践活动的参与程度和育人的成效展开持续追踪。如果某项活动的参与度一直处在预期标准之下，算法将根据历史数据以及即时反馈来给出有针对性的调整提议，通过削减该项活动的开展次数、改良活动的形式、更新活动的内容，同时增加适配性更强的活动供给，从而确保实践平台始终符合学生的需要以及育人目标。经过NSGA-II算法不断优化和动态调整，协同实践平台将能够摆脱固定化活动列表模式，变成可灵活适应、动态调整的运行系统，推动党建实践和思政实践在同一个平台上实现同频共振、协同发力，从而提高协同实践育人效果。

结语

本文依托多目标优化算法探索了高校党建和思政教育协同发展之路，研究发现，NSGA-II算法的使用能够促使党建和思政教育由经验驱动转向数据驱动，从而实现精细化协同发展。未来可以继续对算法模型进行优化并改进数据的采集方式，强化算法应用与实际工作相结合的程度，从而不断提高高校党建与思政教育协同发展水平，培育出高素质的时代新人。

【作者朱益民系西安财经大学数学学院讲师；本文系西安财经大学2024年辅导员专项课题《新时代高校学生党建与思政教育协同育人的路径研究》（编号：24FCXKT15）】