基于遗传-粒子群算法的评阅答辩分组方法及系统技术方案

本发明专利技术涉及一种基于遗传‑粒子群算法的评阅答辩分组方法及系统，采集关键信息，并对关键信息与参数进行编码，每个解由若干个答辩组构成；根据对应的约束条件生成的目标函数设计适应度函数；将数据按照解的编码进行初始化得到初始种群；将种群中的粒子进行交叉变异操作：当粒子经过多轮迭代达到一定条件后，停止对粒子的迭代操作，此时全局最优粒子就是适应度最高的近似最优解，得到最优结果。本发明专利技术借鉴了遗传算法中的染色体思想，将解设计为矩阵和张量，以满足离散型解在更新时的交叉与变异操作，解决了人工处理评阅答辩分组时所包含的精度不高、处理速度慢、难以应对大规模人员分配等问题。

Group method and system of review reply based on Genetic Particle Swarm Optimization

【技术实现步骤摘要】
基于遗传-粒子群算法的评阅答辩分组方法及系统
本专利技术涉及中、大规模在给定约束条件下人员分组的
，具体涉及一种基于遗传-粒子群算法的评阅答辩分组方法及系统。
技术介绍
面试分组问题，是一个在日常生活中常见的问题。将面试者与被面试者分入不同的组中，由面试者与被面试者交谈，并对被面试者的素质进行主观评估。由于对于被面试者来说，面试关乎未来学业，工作的方方面面，所以分组的公平性和有效性十分重要。高校学生毕业时的毕业答辩人员分组就属于面试分组问题。答辩人员分组问题可以描述为将所有教师与学生进行分组，但分组过程必须遵循一些约束件，如为了保证教师不偏袒自己的学生，从而影响其他答辩学生，师生之间需要遵守回避约束；出于对答辩教师工作量以及工作效率的考虑，分组学生数应该遵守均匀分布约束；学生成绩遵守均匀分布约束可以确保答辩时学生成绩呈梯度分布，为学生创造一个良好的竞争环境。这些约束使得该类型的分组成为复杂的组合问题。因为此类答辩分组问题有着许多复杂约束条件，因此目前已有求解方法对于问题的求解有着一定的困难，例如在针对有着较大规模人员数量时问题无法在短时间内求解、对于针对约束条件解的质量无法很好的衡量，对于解的精度无法保证等问题。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种基于遗传-粒子群算法的评阅答辩分组方法及系统，可以高效、精确的对中大规模论文评阅和答辩教师进行分组。为实现上述目的，本专利技术采用如下技术方案：一种基于遗传-粒子群算法的评阅答辩分组方法及系统，其特征在于：该系统包括依次连接的输入模块、粒子编码模块、粒子适应度设计模块、粒子初始化模块、粒子交叉变异模块、粒子迭代模块和输出模块。该系统按以下步骤进行评阅答辩分组，包括以下步骤：步骤S1：所述输入模块获取答辩分组的相关数据，包括答辩组数m、每组答辩教师人数p、初始化粒子群数量ngroup、最大迭代次数maxIter、教师名单和学生名单；步骤S2:所述粒子编码模块将粒子的解按照输入的答辩组数、答辩教师数、教师以及对应的答辩学生数据以矩阵的形式进行编码；步骤S3:所述粒子适应度设计模块根据对应的答辩分组约束条件生成对应的目标函数，并根据所有的目标函数设计粒子的适应度函数；步骤S4：所述粒子初始化模块初始化评阅教师组、答辩教师组与答辩学生组，得到多个初始化粒子Xi0；步骤S5：所述粒子交叉变异模块将粒子Xit-1中的评阅教师组Ri与其对应的评阅学生Sij作为染色体，将当前粒子、当前粒子的历史最优粒子与全局最优粒子的染色体进行交叉更新操作，并进行变异，得到交叉变异后的粒子Xit。步骤S6：所述粒子迭代模块将交叉变异后的粒子Xit代入适应度函数，并与该粒子历史最优适应度以及全局最优粒子适应度进行比较；若交叉变异的粒子Xit的适应度大于粒子历史最优适应度，则将历史最优粒子更新为当前粒子，若交叉变异的粒子Xit适应度大于全局最优粒子适应度，则将全局最优粒子更新为当前粒子，重复更新迭代粒子群直至全局最优解达到一定的精度或者迭代次数达到最大阈值，得到最优人员分配结果G；步骤S7：所述输出模块将迭代后最优人员分配结果G以指定格式输出。进一步的，所述步骤S2具体为：步骤S21：将每个答辩小组的评阅教师组编码成以下形式：R为代表各组评阅教师的二阶张量；Rij表示第i组第j个评阅教师，nij表示第i组第j个评阅教师所评阅的学生数，ki表示第i组教师数；步骤S22：将每个答辩小组的答辩教师组编码成以下形式：D为代表各组答辩教师的矩阵，Dij表示结第i组第j个答辩教师；步骤S23:将每个答辩小组的答辩学生组编码成以下形式：S为代表各组学生的二阶张量，Sij表示第i组第j个学生，qi表示该组的学生个数；步骤S24:将以上三个矩阵R、D、S进行合成，得到粒子解的编码；Xit＝[R,D,S](5)。进一步的，所述答辩分组约束包括教师回避约束、教师单次约束、学生分布均匀约束和成绩分布均匀约束。进一步的，所述教师回避约束：其中，Ski为第k组第i个学生，TSki第i组第j个答辩教师所带学生的集合；其中，Tki为第k组第i个学生对应的指导老师，TSki为第k组第i个学生对应的评阅老师；教师单次约束：其中，Dij为第i组第j个组的答辩老师；学生分布均匀约束：其中，其中n为组数，Navg为每组应分答辩学生数，qi表示第i组的答辩学生数；学生成绩分布均匀约束：其中，k表示将绩点分为k个区间，Fj表示全部学生中，绩点在第j个区间的占比；Lij第i组学生中绩点在第j个区间人数占该组总人数的比例；Bij为最坏情况下，第i组绩点在第j个区间学生数占该组人数的比例。进一步的，所述适应度函数Fit(X)：Fit(X)＝fit1(X)×fit2(X)×fit3(X)×(αfit4(X)+(1-α)fit5(X))(10)其中α∈[0,1]为加权系数。进一步的，所述步骤S4具体为：步骤S41：根据教师指导的学生数ni对教师Ti进行排升序，得到序列Rsort＝[T0,T1,T2,...,Ti]，若教师数为偶数，则相邻教师交换评阅，若教师数为奇数，则教师Tn-2，教师Tn-1与教师Tn三者间交换评阅，其他教师同偶数情况交换评阅；将序列Rsort处理后得到评阅老师的待选序列Rsel＝[(T0,m0),(T1:m1),(T2:m2),...,(Ti:mi)]，mi是指Ti教师所评阅的学生数；步骤S42：创建一个答辩分组Gi,从Rsel中随机抽取一个教师Ti，将Ti与其互相评阅的教师Tj从Rsel序列删除，并将Tj加入到回归序列Rreturn；将Ti以及所评阅的学生分别加入第i组的评阅教师组Ri以及答辩学生组Si。步骤S43：重复步骤S42，直至Si中学生人数满足预设平均每组应分得的学生数区间；步骤S44：将回归序列Rreturn中的教师添加进待选列表Rsel，执行下一组的教师抽取；步骤S45:从每组的Ri中随机抽取一定数量的评阅教师作为答辩老师Di，Gi初始化完成；步骤S46：重复步骤S42至S46，直至初始化出所需要的答辩组数m。进一步的，所述步骤S5具体为：步骤S51：从当前粒子Xit-1的第i个评阅教师组Ri随机取出个教师组成染色体片段TXi，其中c0是当前迭代组的非负学习因子；步骤S52：从当前粒子历史最优解第i个评阅教师组RPi中取出个教师组成染色体片段TPi，其中c1是历史最优迭代组的非负认知因子；步骤S53：从当前全局最优解评阅教师组RGi中取出个教师组成染色体片段TGi，其中c2是全局最优迭代组的非负社会因子；步骤S54：将步骤S51、S52、S53得到的TXi、TPi、TGi取并集再与Tsel取交集获得待选择染色体Nsel,本文档来自技高网...

【技术保护点】
1.一种基于遗传-粒子群算法的评阅答辩分组方法，其特征在于，包括以下步骤：/n步骤S1：获取答辩分组的相关数据，包括答辩组数m、每组答辩教师人数p、初始化粒子群数量n

【技术特征摘要】
1.一种基于遗传-粒子群算法的评阅答辩分组方法，其特征在于，包括以下步骤：
步骤S1：获取答辩分组的相关数据，包括答辩组数m、每组答辩教师人数p、初始化粒子群数量ngroup、最大迭代次数maxIter、教师名单和学生名单；
步骤S2:将粒子的解按照输入的答辩组数、答辩教师数、教师以及对应的答辩学生数据以矩阵的形式进行编码；
步骤S3:根据对应的答辩分组约束条件生成对应的目标函数，并根据所有的目标函数设计粒子的适应度函数；
步骤S4：初始化评阅教师组、答辩教师组与答辩学生组，得到多个初始化粒子Xi0；
步骤S5：将粒子Xit-1中的评阅教师组Ri与其对应的评阅学生Sij作为染色体，将当前粒子、当前粒子的历史最优粒子与全局最优粒子的染色体进行交叉更新操作，并进行变异，得到交叉变异后的粒子Xit。
步骤S6：将交叉变异后的粒子Xit代入适应度函数，并与该粒子历史最优适应度以及全局最优粒子适应度进行比较；若交叉变异的粒子Xit的适应度大于粒子历史最优适应度，则将历史最优粒子更新为当前粒子，若交叉变异的粒子Xit适应度大于全局最优粒子适应度，则将全局最优粒子更新为当前粒子，重复更新迭代粒子群直至全局最优解达到一定的精度或者迭代次数达到最大阈值，得到最优人员分配结果G；
步骤S7：将迭代后最优人员分配结果G以指定格式输出。


2.根据权利要求1所述的基于遗传-粒子群算法的评阅答辩分组方法，其特征在于，所述步骤S2具体为：
步骤S21：将每个答辩小组的评阅教师组编码成以下形式：



R为代表各组评阅教师的二阶张量；Rij表示第i组第j个评阅教师，nij表示第i组第j个评阅教师所评阅的学生数，ki表示第i组教师数；
步骤S22：将每个答辩小组的答辩教师组编码成以下形式：



D为代表各组答辩教师的矩阵，Dij表示结第i组第j个答辩教师；
步骤S23:将每个答辩小组的答辩学生组编码成以下形式：






S为代表各组学生的二阶张量，Sij表示第i组第j个学生，qi表示该组的学生个数；
步骤S24:将以上三个矩阵R、D、S进行合成，得到粒子解的编码；
Xit＝[R,D,S](5)。


3.根据权利要求1所述的基于遗传-粒子群算法的评阅答辩分组方法，其特征在于，所述答辩分组约束包括教师回避约束、教师单次约束、学生分布均匀约束和成绩分布均匀约束。


4.根据权利要求3所述的基于遗传-粒子群算法的评阅答辩分组方法，其特征在于，所述
教师回避约束：



其中，Ski为第k组第i个学生，TSki第i组第j个答辩教师所带学生的集合；其中，Tki为第k组第i个学生对应的指导老师，TSki为第k组第i个学生对应的评阅老师；
教师单次约束：



其中，Dij为第i组第j个组的答辩老师；
学生分布均匀约束：



其中，其中n为组数，Navg为每组应分答辩学生数，qi表示第i组的答辩学生数；
学生成绩分布均匀约束：



其中，k表示将绩点分为k个区间，Fj表示全部学生中，绩点在第j个区间的占比；Lij第i组学生中绩点在第j个区间人数占该组总人数的比例；Bij为最坏情况下，第i组绩点在第j个区间学生数占该组人数的比例。


5.根据权利要求4所述的基于遗传-粒子群算法的评阅答辩分组方法，其特征在于，所述适应度函数Fit(X)：
Fit(X)＝fit1(X)×fit2(X)×fit3(X)×(αfit4(X)+(1-α)fit5(X))(10)
其中α∈[0,1]为加权系数。


6.根据权利要求3所述的基于遗传-粒子群算法的评阅答辩分组方法，其特征在于，所述步骤S4具体为：
步骤S41：根据教师指导的学生数ni对教师Ti...

【专利技术属性】
技术研发人员：郭昆，陈展鸿，吴俊杰，林栩，
申请(专利权)人：福州大学，
类型：发明
国别省市：福建;35