基于交互式遺傳算法的群體評價模型
——以水利人才為例

馬瑞敏,卞藝杰,吳 慧

(河海大學 商學院，南京 211100)

?

基于交互式遺傳算法的群體評價模型
——以水利人才為例

馬瑞敏,卞藝杰,吳 慧

(河海大學 商學院，南京 211100)

針對水利人才評價的復雜決策問題，提出了一種基于交互式遺傳算法的群體評價模型。以交互式遺傳算法中適應度值為接口，實現了群體評價方法與交互式遺傳算法的結合，通過人工智能技術把定性指標定量化，解決了水利人才評價這類復雜決策問題的優化目標非定量化的問題。在Matlab環境下建立仿真模型，并將其用于水利人才的評價。實驗結果表明：該模型是可行和有效的，為這類復雜、模糊的決策問題提供了一種解決方法。

交互式遺傳算法；群體評價；層次分析法；水利人才

人們在日常生活中遇到的復雜決策問題大多是開放的復雜巨系統的問題，如國民經濟發展預測、軍事對陣、環境保護區域規劃等。這類復雜性問題的結構都是極其不良的，包括3個方面：初始狀態不明確、目標狀態不明確和操作不明確[1]。本文研究的水利人才的評價問題就是一類復雜的決策問題。通過分析發現，可以通過各種定性指標和定量指標來反映人才的能力和各種技術水平。這種人才評價問題具有目標函數不明確、結構不清晰、求解空間大、無明確的求解方案的特點，是典型的隱型目標決策問題。如何在決策過程中以較高的效率獲得群體意見共識成為極大的挑戰。由于傳統的評價方法存在可操作性及群體共識的最大化方面不理想的缺點，因此本文構建基于交互式遺傳算法的群體評價模型，選用層次分析法得到個體的適應度值來代替難以或無法顯式表示的適應度函數，群體論證具有準確度高、平均效益大的特點；另一方面，交互式遺傳算法是解決復雜的大型決策問題的有效方法，它進行全局優化自適應搜索，在決策的過程中不斷進化和完善。因此，群體論證和交互式遺傳算法相結合的方法是解決這類復雜決策問題的有效方法。

1 面向水利人才的群體評價方法

在生產和社會實踐中，經常遇到諸如產品評優、工農業產品定級、設計方案評選、成果評價之類的評價活動。這時常由多個評價者構成評價組，集中各評價者意見，用其作為群體的意見，這種集合評價者意見的方法及將其用于評價的行為稱為群體評價[2]。評價本身帶有很強的主觀性，各個決策者的主觀行為(如經驗、判斷、觀察力、決策風格等)對各階段的評估效果都有很大的影響。因此，考慮到個別專家的評價具有片面性，為了克服這一缺點，人們在進行重要決策或評價時，往往需要多個專家的意見，以得到更為科學的結果。

1.1 評價對象

本文以水利人才為對象進行研究。水資源是基礎性的自然資源和戰略性的經濟資源，是生態與環境的重要控制因素。水利工作與民生密切相關，水利事業事關人民生存與發展。黨的十七大把水利工作擺上重要位置，提出了更高要求。按照全面建設小康社會的要求，到2020年，要基本建成重點流域和區域綜合防洪減災體系、城鄉水資源合理配置和高效利用體系、水環境保護和河湖生態健康保障體系、較為完善的管理和運行保障體系等四大體系[3]。對于水利工作的高要求和水利體系的建設而言，水利人才尤為重要，優秀的水利人才為水利事業的發展提供了專業的保障，為水利體系的建設提供了良好的支撐。但是，目前水利人才隊伍的現狀還不能完全適應水利事業發展的需要。主要表現在：水利系統人才總量不足和高層次人才缺乏的問題仍未得到根本解決，高技能、復合型、創新型人才緊缺，人才結構和分布不合理的問題依然存在[3]。因此，如何選拔優秀的水利人才，對水利事業的發展至關重要。

1.2 面向水利人才的群體評價方法優選

隨著群體評價的研究越來越受到人們的關注，出現了各種群體評價方法，現有評價方法有專家會議法、德爾菲法、加權求和法、模糊綜合評價法、層次分析法及其擴展方法等。現有的群體評價方法有很多，因此需要選擇一個適合水利人才群體評價的方法。對以上5種群體評價方法進行的對比見表1。

表1 群體評價方法對比

通過對比可知：專家會議法最大的缺點是人際沖突，即成員易屈服于權威或大多數人的意見，易受勸說性意見的影響。德爾菲法雖然避免了這一缺點，但是德爾菲法的決策速度較慢，時間成本高，而且不適用于結構模糊復雜的問題。加權求和法看重不同專家在評價中的地位對評價結果的影響，但沒有考慮專家之間評價一致性的影響，不能保證評價結果的合理性。模糊綜合評價法和層次分析法都考慮了影響決策問題的各種因素的作用，但對于多層次、多目標的問題，層次分析法能確定各層次的各個因素對決策問題的影響，相比模糊綜合評價方法的使用范圍更廣。

通過以上對比可知，層次分析法較適合于水利人才的評價。首先，水利人才評價這一問題難以量化，存在多個定性指標，層次分析法將影響水利人才評價的多個因素分解為多個目標或準則，形成一個多層次的分析模型，可有效地將定性指標定量化；其次，層次分析法的決策速度較快，可以避免群體專家因決策時間過長而產生疲勞；再次，群體專家各自對水利人才進行層次分析，然后根據各個專家的權重進行加權平均，有效地減少了專家之間的沖突。因此，層次分析法可作為水利人才評價的一個優選評價方法。

2 基于交互式遺傳算法的群體評價模型

交互式遺傳算法(interactive genetic algorithm,IGA)是對遺傳算法改進后的算法，它基于人的主觀評價，是人機交互與遺傳算法相結合的產物，將人的主觀評價與計算機技術相結合，利用人的主觀評價得到進化個體適應值，用來代替難以或無法顯示表示的適應度函數。它是解決定性指標優化問題的有效方法，是人的智能評價與遺傳算法的優化能力相結合的產物，體現了個體決策者對問題帶有主觀性和不確定性評價的決策過程。

基于交互式遺傳算法的群體評價模型利用群體評價的方法得到個體的適應度值，進行選擇、交叉和變異的遺傳操作，不斷地進行迭代進化，直到達到終止條件為止。其中層次分析法模型有效地將定性指標定量化，充分考慮了各個指標的影響程度，合理計算出每個個體的綜合評分，并作為每個個體的適應度值，以適應度值為接口將層次分析法模型嵌入到交互式遺傳算法模型中，為復雜的決策問題提供了一種解決方法。

2.1 構建總模型

根據之前確定的面向水利人才的群體評價方法——層次分析法，得到進化個體的適應度值來代替傳統的遺傳算法的適應度函數，并以此為接口，將層次分析法的群體評價方法與交互式遺傳算法相結合，得到基于交互式遺傳算法的群體評價模型，如圖1所示。

圖1 基于交互式遺傳算法的群體評價模型

步驟流程如下：

Step 1 通過人機界面，由專家設定群體大小N、遺傳因子概率及終止代數T等參數，并產生N個個體作為初始種群；

Step 2 解碼，將進化個體的表現型提交給參與評價的專家群體；

Step 3 由專家群體判斷種群中的個體是否達到最優，若是，則輸出最優個體；否則，轉到Step 4；

Step 4 專家通過人機界面進行群體評價得出個體適應值，進入層次分析子模型；

Step 5 判斷群體進化是否達到最大進化代數，若是，則輸出最優個體；否則，轉到Step 6；

Step 6 系統進行遺傳操作，包括選擇、交叉、變異，得到新一代群體，轉到Step 2。

2.2 模型說明

1) 確定各種參數或約束條件

設定編碼串長度l、群體大小N、交叉概率pc、變異概率pm、終止代數T等參數。

群體大小N：表示群體中包含的個體的總量，當N取值較小時，降低了群體的多樣性，有可能導致算法出現早熟現象，但是可提高算法的運算速度；反之，算法運算速度會降低。

交叉概率pc：遺傳算法主要通過交叉操作產生新個體，因此pc取值應較大。但是如果pc取值過大，會破壞群體現有的優良結構，反而不利于群體進化；反之，若取值過小，產生新個體的速度會較慢。一般建議的取值范圍是0.4～0.99。

變異概率pm：遺傳算法也可通過變異產生新個體，但是如果變異概率取值較大，也容易破壞群體的優良結構；反之，若取值過小，則變異操作產生新個體的能力和抑制早熟現象的能力就會較差。一般建議的取值范圍是0.000 1～0.1。

終止代數T：表示遺傳算法運行到第T代停止進化，并將當前群體中的最佳個體作為最優解輸出。一般建議的取值范圍是100～1 000。

2) 確定表示可行解的染色體的編碼方法

根據層次分析模型，指標層中的各項指標對應于遺傳算法中個體的某個基因，一個個體對應于遺傳算法中的一個染色體，其編碼可選擇遺傳算法最常用的二進制編碼。二進制編碼操作簡單易行，交叉、變異等遺傳操作便于實現。通過解碼二進制，將個體通過人機界面呈現給參與評價的專家。

3) 確定個體適應度的評價方法

利用交互式遺傳算法進行水利人才群體評價時，專家對每一個個體都有自己的主觀判斷，據此專家通過層次分析法對每一個個體給出評價值，系統根據各個專家的打分，求取每一個個體的綜合得分作為該個體的適應度值Fi。

4) 設計遺傳算子

確定選擇運算、交叉運算、變異運算等遺傳算子的具體操作方法。

選擇：選擇操作以個體適應度值為基礎對個體進行優勝劣汰的操作，是遺傳算法中實現群體優良基因傳播的基本方式。遺傳算法中最常用的選擇方法是比例選擇，其基本思想是個體被選中的概率與其適應度大小成正比。設群體規模大小為N，第i個個體的適應度為Fi，則個體i被選中的概率pi為

由上式可見：個體適應度值越高，被選中的概率越大；反之，個體被選中的概率就越小。被選中的個體進入繁殖池，并從原群體中去除，直到繁殖池中群體規模達到N為止。

交叉：交叉運算是指對兩兩配對的染色體相互交換其部分基因，從而形成2個新的個體。本文采用最常用的交叉算子(即單點交叉算子)，將交叉點隨機設置在個體編碼串中，然后在該點交換已配對的兩個個體的部分染色體，交叉概率為pc。

變異：是指通過將個體染色體編碼串中的某些基因座上的基因值用其他等位基因來替換以產生新個體的方法。本文采用最簡單的變異算子，即基本位變異算子，對二進制編碼所表示的個體的某一基因座進行變異操作，若原有基因值為0，則變異操作將該基因值變為1；反之，若原有基因值為1，則變異操作將其變為0，變異概率為pm。

2.3 構建層次分析子模型

采用層次分析法，將影響水利人才評價的多個因素根據目標分解為多個目標或準則，進而分解為多個指標的若干層次，形成一個多層次的分析模型。

2.3.1 確立評價指標體系

人才評價指標體系根據其具體應用范圍和評價目的不同，采用的構架也有所區別。指標體系一般分為3個層次：第一層是目標層，反映指標體系所追求的目標；第二層是準則層，反映評價的具體目標，是構造評價指標體系的依據；第三層是指標層，從不同方面反映評價的直接效果和間接效果[4]。本文對水利人才的評價指標體系采用這種結構：第一層目標層A是水利人才評價；第二層的準則層B主要包括學識水平、工作能力、工作經歷3個方面；第三層指標層C對準則層劃分詳細的指標，見圖2。

圖2 水利人才評價指標體系

2.3.2 綜合測評打分

按照圖2的層次結構，應用表度法，通過專家的討論，建立該評價體系的各個層次的比較判斷矩陣。為了能科學地反映各個指標的相對重要性，在取得判斷矩陣的權重向量后，需對其進行一致性檢驗，依據CR值判定判斷矩陣是否通過一致性檢驗，若CR<0.1，具有滿意的一致性，該判斷矩陣可以用來做層次分析；若CR>0.1，則需要重新給出相對重要度評價，直到滿足CR<0.1。綜合各層次單排序的計算結果，可以得到指標層C中的各指標相對于總目標層A的權重，計算過程如下：Wj=Bi*Cj。其中，Wj是指標Cj對目標層的權重；Bi是準則層中Bi因素對目標層的權重；Cj是Bi對應的指標Cj對該準則層的權重。

3 實例仿真

3.1 實驗設置及過程

3.1.1 實驗設置

在Matlab環境下開發了一個仿真系統，參與群體評價的專家經過討論確定水利人才的評價指標。對于這些評價指標，專家的定性評價按等級制，并通過指標層的指標編碼群體中的個體。本系統采用二進制編碼，編碼及表現型如表2所示。

表2 二進制編碼及表現型

如表2所示，每個指標的參數有4種選擇，從高到低分別代表3分、2分、1分、0分，編碼為2位，因此一個方案的個體編碼為2×8=16位，系統產生的搜索空間為48=65 536。每種編碼組合唯一確定一個個體，個體的編碼結構如表3所示。

表3 個體的二進制編碼結構

表3中：1表示水利專業知識；2表示水利學術研究水平；3表示受教育程度；4表示解決水利問題的能力；5表示工作效率；6表示水利技術等級；7表示從事水利工作年限；8表示參與重大水利工程經歷。

假設此次群體評價由大學水利專家，水利局管理者以及水利基層工作者共同參與，3種評價者的權重設置如表4所示。

表4 評價者權重

假設群體評價的專家經過討論確定最大進化代數T、種群規模N、交叉概率pc、變異概率pm等參數的設置，如表5所示。

表5 參數設置

3.1.2 實驗過程

首先，進入參數設置窗口(如圖3所示)，設置交叉概率pc、變異概率pm、種群規模N、最大進化代數T。系統默認值分別為pc=0.6，pm=0.001，N=8，T=15(可根據實際情況設置為100～1 000)。

圖3 參數設置

完成參數設置后，進入系統主界面(如圖4)。首先，進行初始化操作，由系統自動生成初始化群體，個體基因型解碼后轉化為表現型在圖形用戶界面中顯示出來。

圖4 基于交互式遺傳算法的群體評價模型主界面

然后，單擊“判斷矩陣”按鈕，彈出判斷矩陣設置窗口。此次群體評價的參與者為大學水利專家(如圖5)，大學水利專家根據對話框顯示的水利人才評價指標體系，完成判斷矩陣，充分體現了人機交互功能。大學水利專家評價完成后，再分別由水利局管理者和水利基層工作者進行評價。三者組成的群體專家評價完成后，根據之前已確定的3類專家的權重，將評價結果加權平均，最終得到評價指標體系各層的判斷矩陣。

圖5 大學水利專家參與評價

專家評價完成后，單擊 “下一代”按鈕，開始進化.。后臺通過群體專家評價得到的判斷矩陣計算個體的適應度值，進行選擇、交叉、變異的遺傳操作產生新一代的群體，系統解碼后，將個體的表現型顯示出來，如圖6所示。進行迭代進化直到產生專家滿意的個體，或是達到最大進化代數為止。

圖6 進化產生新群體

最后輸出此次進化過程中的最優個體，如圖7所示。

圖7 最優個體

3.2 實驗結果分析

在此次進化過程中，不僅得到了最優個體，而且由大學水利專家、水利局管理者和水利基層工作者組成的群體專家評價后得到了水利評價體系中指標層各指標的權重，如表6所示。其中，解決水利問題的能力和工作效率所占比重最大，對評價的影響程度最大，參與水利工程的經歷次之，水利技術等級第三。因此，對水利人才除了注重專業知識和技術的培養之外，教育工作者和水利工作單位還應為其提供更多的參與水利工程建設的機會，使其在實踐中應用理論知識，提高實踐能力，積累經驗，不斷拓展視野，提高解決水利問題的能力。

表6 各指標的權重

總結該算法模型系統的特點如下：

1) 實現了人機交互，充分發揮了人與計算機各自的優勢；

2) 群體專家的意見得以收斂；

3) 采用編碼作為運算對象，為一些無數值概念或很難有數值概念的復雜決策問題提供了一種解決方法；

4) 該算法模型所采用的交互式遺傳算法從有多個個體組成的初始群體開始搜索，相比傳統的優化方法提高了搜索效率；

5) 采用層次分析法進行群體評價，將水利人才評價的定性指標定量化，將經過運算后的綜合評分作為個體適應度值，實現了交互式遺傳算法與群體評價方法的有效結合。

4 結束語

針對水利人才評價問題提出了一種基于交互式遺傳算法的群體評價模型，詳細給出了算法的兩個主要模塊——交互式遺傳算法模塊和群體評價模塊。以個體適應度值作為連接點將兩個模塊結合起來，人機交互的遺傳算法充分發揮了人機各自的優勢，實現了從定性評價到定量評價的有效轉換，并且提高了搜索最優解的效率。通過Matlab技術構建仿真模型，成功地應用于水利人才的群體評價。實驗結果表明這一模型是可行的，并且得到的結果滿足專家的要求，是一種有效的群體評價模型，為水利人才評價這種復雜的決策問題提供了一種解決方法。

[1] 宋東明，朱耀琴，吳慧中.基于交互式遺傳算法模型的群體論證方法[J].中國工程科學，2009,11:66-71，80.

[2] 徐恭學.篩選式群體評價模型及算法[J].數學的實踐與認識，1999，29(4)：21-26..

[3] 水利部.現代水利人才需求與培養[EB-OL].[2014-10-20].http://www.gov.cn/gzdt/2008-10/11/content1117708.htm.

[4] 付顯惠.基于企業職業技術人才評價研究與應用[J].遼寧工業大學學報:自然科學版,2010(2):60-65.

[5] 吳潔，陳衛.模糊決策在基礎研究創新群體評價中的應用[J].科技進步與決策，2002(11):122-123.

[6] 黃深澤.一種模糊多屬性的群體評價方法[J].科技與管理，2005(2):38-40,44.

[7] 張發明，郭亞軍，張連懷.一種多階段交互式群體評價方法[J].管理學報，2010(9):158-162.

[8] 張發明.一種主客方交互式群體評價方法及其應用[J].管理學報，2011(11):144-148.157.

[9] 孫曉燕，王煦法，鞏敦衛.分布協同交互式遺傳算法及其在群體決策中的應用[J].信息與控制，2007(5):31-35.

[10]鞏固，黃永清，郝國生.交互式遺傳算法的改進方法及應用[J].計算機工程，2009(1):171-173.

[11]尤海峰，王喜瑋，徐翔,等.一種多用戶交互式遺傳算法及其在群體設計中的應用[J].中國科學技術大學學報，2010(4):98-103.

[12]郭廣頌，趙紹剛.基于個體適應值灰模型的交互式遺傳算法[J].計算機工程，2010(3):215-218.

[13]胡曉輝，陳俊蓮，張曉穎.改進的區間值模糊集交互式遺傳算法[J].計算機工程與應用，2010,28:55-57.

[14]胡靜，李金龍，陳恩紅,等.交互式遺傳算法中用戶評估方法研究[J].小型微型計算機系統,2001,22(5):562-564.

[15]吳大親，么文學.基于層次分析法的應用型人才培養評價模式研究[J].長春師范學院學報:自然科學版,2010(8):33-36.

(責任編輯 楊黎麗)

Group Evaluation Model Based on Interactive Genetic Algorithm：Taking Talents of Water Conservancy as an Example

MA Rui-min, BIAN Yi-jie, WU Hui

(Business School, Hohai University, Nanjing 211100, China)

A group evaluation model based on interactive genetic algorithm was proposed according to the complex decision-making problem of water conservancy talent evaluation. It realized the combination of group evaluation methods with interactive genetic algorithm by the individual’s fitness. It solved the non-quantitative of optimization targets of the complex decision-making of this kind water conservancy talent evaluation by combining human subjective evaluation with computer technology and quantifying the qualitative index through applying the artificial intelligence techniques. The group evaluation system based on interactive genetic algorithm was developed in the Matlab environment and adopted in the water conservancy talent evaluation. The experimental results show that this algorithm provides a solution for this kind of complex and fuzzy decision-making problem because it is feasible and effective in the group evaluation.

interactive genetic algorithm; group evaluation; analytic hierarchy process; water conservancy talent

2014-10-15 基金項目：國家自然科學基金資助項目(61170089)

馬瑞敏(1989—),女,河南新鄉人,碩士研究生,主要從事信息管理與電子商務研究；卞藝杰 (1964—),男,江蘇南通人,博士,教授,主要從事信息管理與電子商務研究。

馬瑞敏,卞藝杰,吳慧.基于交互式遺傳算法的群體評價模型——以水利人才為例[J].重慶理工大學學報：自然科學版，2015(3):71-77.

format：MA Rui-min, BIAN Yi-jie, WU Hui.Group Evaluation Model Based on Interactive Genetic Algorithm：Taking Talents of Water Conservancy as an Example[J].Journal of Chongqing University of Technology:Natural Science,2015(3):71-77.

10.3969/j.issn.1674-8425(z).2015.03.014

TP18

A

1674-8425(2015)03-0071-07