CN111292002B - 基于遗传-粒子群算法的评阅答辩分组方法及系统 - Google Patents
基于遗传-粒子群算法的评阅答辩分组方法及系统 Download PDFInfo
- Publication number
- CN111292002B CN111292002B CN202010110536.4A CN202010110536A CN111292002B CN 111292002 B CN111292002 B CN 111292002B CN 202010110536 A CN202010110536 A CN 202010110536A CN 111292002 B CN111292002 B CN 111292002B
- Authority
- CN
- China
- Prior art keywords
- group
- particle
- teacher
- teachers
- answer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 239000002245 particle Substances 0.000 title claims abstract description 165
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000011156 evaluation Methods 0.000 claims abstract description 21
- 210000000349 chromosome Anatomy 0.000 claims abstract description 14
- 238000013461 design Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims abstract description 7
- 230000035772 mutation Effects 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000012552 review Methods 0.000 claims description 45
- 230000006870 function Effects 0.000 claims description 23
- 238000009826 distribution Methods 0.000 claims description 11
- 230000004044 response Effects 0.000 claims description 5
- 239000012634 fragment Substances 0.000 claims description 4
- 230000002194 synthesizing effect Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 230000001149 cognitive effect Effects 0.000 claims description 2
- 230000001174 ascending effect Effects 0.000 claims 1
- 230000002068 genetic effect Effects 0.000 abstract 1
- 238000012163 sequencing technique Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Educational Technology (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Physiology (AREA)
- Development Economics (AREA)
- Genetics & Genomics (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于遗传‑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。
Description
技术领域
本发明涉及中、大规模在给定约束条件下人员分组的技术领域,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。
背景技术
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。
发明内容
有鉴于此,本发明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,本发明采用如下技术方案:
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Xi 0;
步骤S5:所述粒子交叉变异模块将粒子Xi t-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Xi t。
步骤S6:所述粒子迭代模块将交叉变异后的粒子Xi t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Xi t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Xi t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;
Xi t=[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:
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,即Nsel=(TXi∪TPi∪TGi)∩Tsel;Tsel表示目前可选择教师集合,初始化为全体教师集合;
步骤S55:针对学生分布均匀约束,对染色体最终选择采取启发式选择,从Nsel中选择若干名评阅教师Riter,使得其评阅学生数之和最接近每组平均应分的学生数Navg,将Riter所对应的评阅学生作为第i个学生组Si,将Tsel与Riter取差集,即Tsel=Tsel-Riter;
步骤S56:重复步骤S51至S55,对所有答辩小组采取相同策略得到该粒子交叉变异后的结果Xi t;
步骤S57:重复步骤S51至S56,直至所有粒子交叉变异完毕。
进一步的,所述步骤S6具体为:
步骤S63:粒子位置不变;
步骤S64:将所有粒子进行更新迭代,直至发生以下情况:
(1)迭代多次,粒子群的全局最优位置没有发生变化;
(2)粒子群迭代次数达到规定最大迭代次数。
进一步的,所述步骤S7具体为:
步骤S71:用户从数据库、文件和Web页面输出形式中选择一种,并给出输出的目标表、目标文件路径或目标页面;
步骤S72:根据用户的选择,将最优解G的每一组的Ri及其对应的评阅学生Si和答辩老师Di以指定方式输出。
本发明与现有技术相比具有以下有益效果:
1、本发明可以高效、精确的对中大规模论文评阅和答辩教师进行分组。
2、本发明针对具体问题的多个约束条件分别设计不同的子适应度函数,将这些子适应度函数综合得到总适应度函数,从而更好的衡量解的精度。因此能够有效地得在解空间中得到近似最优解。
附图说明
图1是本发明一实施例中的方法流程图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1,本发明提供一种基于遗传-粒子群算法的评阅答辩分组方法,提供一种系统,该系统包括输入模块、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、输出模块,具体包括以下步骤:
步骤S1:所述输入模块输入系统所需要的相关数据,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以及教师、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所需必要的约束条件生成对应的目标函数,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在尽量满足各个约束条件下初始化评阅教师组、答辩教师组与答辩学生组,得到多个初始化粒子Xi 0;
步骤S5:所述粒子交叉变异模块将粒子Xi t-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作为交叉对象进行交叉,并以一定的概率进行变异,得到交叉变异后的粒子Xi t;
步骤S6:所述粒子迭代模块将交叉变异后的粒子Xi t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Xi t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;
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。
在本实施例中,所述步骤S2具体包括以下步骤:
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。
Xi t=[R,D,S]
在本实施例中,所述步骤S3具体包括以下内容:
针对学生成绩分布均匀约束条件,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。
综合以上目标函数设计得到最终适应度函数Fit(X):
Fit(X)=fit1(X)×fit2(X)×fit3(X)×(αfit4(X)+(1-α)fit5(X))
其中α∈[0,1]为加权系数。
在本实施例中,所述步骤S4具体包括以下步骤:
步骤S41:首先,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,例如,教师T0与教师T1交换评阅,教师T2与教师T3交换评阅,其他教师做相同处理。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中学生人数与平均每组应分得的学生数相接近为止。
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。
在本实施例中,所述步骤S5具体包括以下步骤:
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,即Nsel=(TXi∪TPi∪TGi)∩Tsel。(Tsel表示目前可选择教师集合,初始化为全体教师集合。)
步骤S55:针对每组学生数尽量相等约束条件,对染色体最终选择采取启发式选择,从Nsel中选择若干名评阅教师Riter,使得其评阅学生数之和最接近每组平均应分的学生数Navg,将Riter所对应的评阅学生作为第i个学生组Si,将Tsel与Riter取差集,即Tsel=Tsel-Riter。
步骤S56:重复步骤S51至S55,对所有答辩小组采取相同策略得到该粒子交叉变异后的结果Xi t。
步骤S56:重复步骤S51至S56,直至所有粒子交叉变异完毕。
在本实施例中,所述步骤S6具体包括以下步骤:
步骤S63:粒子位置不变。
步骤S64:重复64步骤,将所有粒子进行更新迭代,直至发生以下情况:
(1)迭代多次,粒子群的全局最优位置没有发生变化。
(2)粒子群迭代次数达到规定最大迭代次数。
在本实施例中,所述步骤S7具体包括以下步骤:
步骤S71:用户从数据库、文件、Web页面等方式中选择一种输出方式,并给出输出的目标表、文件路径或页面。
步骤S72:根据用户的选择,后台程序将最优解G的每一组的Ri及其对应的评阅学生Si和答辩老师Di以指定方式输出。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (9)
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Xi 0;
步骤S5:将粒子Xi t-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Xi t;
步骤S6:将交叉变异后的粒子Xi t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Xi t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Xi t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;
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;
Xi t=[R,D,S] (5)。
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。
3.根据权利要求2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,TSkj第k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,SRki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。
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,所述适应度函数Fit(X):
Fit(X)=fit1(X)×fit2(X)×fit3(X)×(αfit4(X)+(1-α)fit5(X)) (11)
其中α∈[0,1]为加权系数。
5.根据权利要求2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。
6.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S5具体为:
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,即Nsel=(TXi∪TPi∪TGi)∩Tsel;Tsel表示目前可选择教师集合,初始化为全体教师集合;
步骤S55:针对学生分布均匀约束,对染色体最终选择采取启发式选择,从Nsel中选择若干名评阅教师Riter,使得其评阅学生数之和最接近每组平均应分的学生数Navg,将Riter所对应的评阅学生作为第i个学生组Si,将Tsel更新为Tsel与Riter取的差集,即Tsel=Tsel-Riter;
步骤S56:重复步骤S51至S55,对所有答辩小组采取相同策略得到该粒子交叉变异后的结果Xi t;
步骤S57:重复步骤S51至S56,直至所有粒子交叉变异完毕。
7.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S6具体为:
步骤S63:粒子位置不变;
步骤S64:将所有粒子进行更新迭代,直至发生以下情况:
(1)迭代多次,粒子群的全局最优位置没有发生变化;
(2)粒子群迭代次数达到规定最大迭代次数。
8.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S7具体为:
步骤S71:用户从数据库、文件和Web页面输出形式中选择一种,并给出输出的目标表、目标文件路径或目标页面;
步骤S72:根据用户的选择,将最优解G的每一组的Ri及其对应的评阅学生Si和答辩老师Di以指定方式输出。
9.根据权利要求1-8任一所述的基于遗传-粒子群算法的评阅答辩分组方法的系统,其特征在于:所述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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010110536.4A CN111292002B (zh) | 2020-02-24 | 2020-02-24 | 基于遗传-粒子群算法的评阅答辩分组方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010110536.4A CN111292002B (zh) | 2020-02-24 | 2020-02-24 | 基于遗传-粒子群算法的评阅答辩分组方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111292002A CN111292002A (zh) | 2020-06-16 |
CN111292002B true CN111292002B (zh) | 2022-07-01 |
Family
ID=71026853
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010110536.4A Expired - Fee Related CN111292002B (zh) | 2020-02-24 | 2020-02-24 | 基于遗传-粒子群算法的评阅答辩分组方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111292002B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740977A (zh) * | 2016-01-28 | 2016-07-06 | 福州大学 | 一种基于多目标粒子群的停电管理优化方法 |
CN106953577A (zh) * | 2017-03-20 | 2017-07-14 | 福州大学 | 一种基于改进粒子群优化算法的异步电机参数辨识方法 |
CN107437230A (zh) * | 2016-11-23 | 2017-12-05 | 河南中医学院 | 一种基于矩阵编码的多目标进化求解面试分组的方法 |
CN109684604A (zh) * | 2018-12-06 | 2019-04-26 | 北京航空航天大学 | 一种基于上下文感知的非负张量分解的城市动态分析方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140278683A1 (en) * | 2013-03-13 | 2014-09-18 | Hirevue, Inc. | Systems and methods of scheduling interviews |
-
2020
- 2020-02-24 CN CN202010110536.4A patent/CN111292002B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740977A (zh) * | 2016-01-28 | 2016-07-06 | 福州大学 | 一种基于多目标粒子群的停电管理优化方法 |
CN107437230A (zh) * | 2016-11-23 | 2017-12-05 | 河南中医学院 | 一种基于矩阵编码的多目标进化求解面试分组的方法 |
CN106953577A (zh) * | 2017-03-20 | 2017-07-14 | 福州大学 | 一种基于改进粒子群优化算法的异步电机参数辨识方法 |
CN109684604A (zh) * | 2018-12-06 | 2019-04-26 | 北京航空航天大学 | 一种基于上下文感知的非负张量分解的城市动态分析方法 |
Non-Patent Citations (3)
Title |
---|
单目标优劣交叉的微分进化解决答辩分组问题;曹莉等;《计算机系统应用》;20170915(第09期);全文 * |
基于矩阵编码的多目标进化求解面试分组问题;许玉龙 等;《计算机工程与应用》;20170830;全文 * |
高校论文答辩排班模型与应用;方刚 等;《工业工程》;20161230;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111292002A (zh) | 2020-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | Reducing the total tardiness by Seru production: model, exact and cooperative coevolution solutions | |
Yin et al. | A particle swarm optimization approach to composing serial test sheets for multiple assessment criteria | |
CN113283585B (zh) | 一种基于自注意力机制的知识追踪方法及系统 | |
Obaid et al. | Comparing performance of genetic algorithm with varying crossover in solving examination timetabling problem | |
US11676232B2 (en) | Apparatus for improving applicant selection based on performance indices | |
CN102622535A (zh) | 一种基于多序列比对遗传算法的处理方法及装置 | |
CN111539581A (zh) | 智能分班排课方法及系统 | |
Zhang | Environment-aware production scheduling for paint shops in automobile manufacturing: A multi-objective optimization approach | |
CN114241267A (zh) | 基于结构熵采样的多目标架构搜索骨质疏松图像识别方法 | |
CN111292002B (zh) | 基于遗传-粒子群算法的评阅答辩分组方法及系统 | |
Tiruneh et al. | Feature selection for construction organizational competencies impacting performance | |
CN111666991A (zh) | 基于卷积神经网络的模式识别方法、装置和计算机设备 | |
Sheibani et al. | An evolutionary approach for the examination timetabling problems | |
CN115688863A (zh) | 一种基于残差连接和学生近况特征融合的深度知识追踪方法 | |
Bustillo et al. | Variable Minimization-based Prediction Model with Enhanced Genetic Algorithm using Flip Multi-sliced Average Crossover (FMSAX) Operator | |
CN114091964A (zh) | 一种基于误差逆传播算法的供应商多指标评价方法 | |
Alonso | Learning process analysis using machine learning techniques | |
CN107437230A (zh) | 一种基于矩阵编码的多目标进化求解面试分组的方法 | |
CN109215795B (zh) | 病例复杂度预测方法及系统 | |
Garg et al. | A Machine Learning-based Automatic Model to Predicting Performance of Students | |
Pambudi et al. | Genetic algorithm for teaching distribution based on lecturers’ expertise | |
US20240143702A1 (en) | Machine learning algorithm selection | |
CN117763361B (zh) | 一种基于人工智能的学生成绩预测方法及系统 | |
Zakuan et al. | Towards academic successor selection modelling with Genetic Algorithm in multi-criteria problems | |
Joaquin et al. | Statistical Prediction Application on the Enrollment Decline of the Electronics Engineering Program in the Philippines |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220701 |