CN113269426A - 一种基于启发式改进粒子群算法的宿舍分配方法 - Google Patents

Abstract

本发明属于计算机领域下的算法仿真与应用技术领域，具体涉及一种基于启发式改进粒子群算法的宿舍分配方法。本发明提供了一种启发式粒子群算法，在每次迭代更新粒子时既考虑到个体历史最优值也考虑到当前全局最优值，使当前粒子尽可能去贴近个体历史最优值与当前全局最优值。本发明在启发式粒子群算法的基础上，采用精英策略对其进行改进，并应用于宿舍分配场景，采取个性化原则，尽量安排各项指标相似的同学在同一个寝室以达到优化宿舍分配的效果。本发明可以效地将相似的人分配在一个寝室，使人与人之间的差异度尽可能得小，使同宿舍内的同学更相似更难发生冲突，宿舍分配效果更好。

Description

一种基于启发式改进粒子群算法的宿舍分配方法

技术领域

本发明属于计算机领域下的算法仿真与应用技术领域，具体涉及一种基于启发式改进粒子群算法的宿舍分配方法。

背景技术

宿舍分配最初是由人工手动完成，费时费力。目前对于大学生的宿舍分配，众多高校采用计算机录入学生信息，自动生成宿舍分配序列，一定程度上节省了人力，工作效率也有所提高。然而计算机随机生成的学生宿舍分配序列仍较大概率存在寝室内发生冲突的隐患。

根据关于全国高校学生对当前宿舍满意度的无记名调查问卷，对目前宿舍不满意的被调查者占14.86％，对目前寝室感受一般的被调查者占27.77％；广州大学心理健康教育与咨询中心收集了2500份舍友人际关系调查问卷，据调查结果显示，对宿舍内部人际关系持不满意态度的大学生占比超过50％。其中95.2％的学生认为在宿舍内因生活习惯不同、关于某件事意见不合等原因发生过矛盾。因此采取个性化原则，即尽量安排各项指标相似的同学在同一个寝室以达到优化宿舍分配的效果。如何较为高效地将相似的人分配在一个寝室，使人与人之间的差异度尽可能得小成为主要研究内容。

发明内容

本发明的目的在于提供一种基于启发式改进粒子群算法的宿舍分配方法。

本发明的目的通过如下技术方案来实现：包括以下步骤：

步骤1：获取待分配的人员总数I、每个宿舍中的人员数M和每个人员的属性数量D，其中人员总数I可以整除每个宿舍中的人员数M；

步骤2：初始化t＝1，设定最大迭代次数T、粒子群中粒子总数为N、个体最优学习因子C₁、全局最优学习因子C₂、期望全局差异度E_best；初始化个体历史最优粒子集合

初始化全局最优粒子集合

步骤3：初始化随机生成父代粒子群，将父代粒子群中所有父代粒子存入个体历史最优粒子集合pBest，pBest＝{pB₁,pB₂,...,pB_N}；pB_n＝X_n；

其中，父代粒子群中每个父代粒子X_n表示一组人员分配序列，X_n＝{x_n1,x_n2,...,x_nI}，该序列中按顺序每M个人分配到一个宿舍；x_ni表示父代粒子群中第n个父代粒子X_n对应的人员分配序列中的排列在第i位的人员，n＝1,2,...,N，i＝1,2,...,I；每个人员x_ni拥有D个属性，x_ni＝{y_ni1,y_ni2,...,y_niD}，y_nid表示x_ni的第d个属性值；

步骤4：计算父代粒子群中各父代粒子X_n的全局差异度eval(X_n)；

步骤4.1：计算父代粒子X_n的对应的人员分配序列X_n＝{x_n1,x_n2,...,x_nI}中每个人员x_ni的个体差异度fp_ni，fp_ni为x_ni与同一宿舍中其余M-1个人的“距离”dist之和；

其中，

为向下取整函数；

步骤4.2：计算父代粒子X_n的全局差异度eval(X_n)；

其中，average()为求平均值函数；

步骤5：取父代粒子群中对应全局差异度eval(X_n)最小的父代粒子X_n，令gB_t＝X_n；

步骤6：更新个体历史最优粒子集合pBest：若eval(X_n)＜eval(pB_n)，则令pB_n＝X_n；

步骤7：若t＝T或eval(gB_t)≤E_best，则输出全局最优粒子gB_t对应的人员分配序列，完成宿舍的分配；

否则，生成子代粒子群，计算子代粒子群中各子代粒子Z_n的全局差异度eval(Z_n)，将子代粒子群与父代粒子群合并，选择对应全局差异度eval()最小的N个粒子作为下一次迭代的父代粒子群，令t＝t+1，返回步骤4。

本发明还可以包括：

所述的步骤7中生成子代粒子群的方法为：

步骤7.1：初始化n＝1；

步骤7.2：对于父代粒子X_n，生成两个随机数rand_1n、rand_2n；rand_1n∈(1,I)，rand_2n∈(1,I)；

步骤7.3：若rand_1n＞C₁×rand_2n，则生成两个随机数rand_3n、rand_4n；rand_3n∈(1,I)，rand_4n∈(1,I)，rand_3n≠rand_4n，直接执行步骤7.7；否则，生成一个随机数rand_3n，执行步骤7.4至步骤7.7；

步骤7.4：获取父代粒子X_n对应的人员分配序列中位置索引为rand_3n的人员，获取该人员在个体历史最优粒子pB_n对应的人员分配序列中的位置索引index₁；

步骤7.5：若index₁＜1，则令index₁＝index₁+1；否则，令index₁＝index₁-1；

步骤7.6：获取个体历史最优粒子pB_n对应的人员分配序列中位置索引为index₁的人员，获取该人员在父代粒子X_n对应的人员分配序列中的位置索引r₁，令rand_4n＝r₁；

步骤7.7：将父代粒子X_n对应的人员分配序列中位置索引在rand_3n～rand_4n之间的人员倒序排列，生成新粒子Q_n；

步骤7.8：对于新粒子Q_n，生成两个随机数rand_5n、rand_6n；rand_5n∈(1,I)，rand_6n∈(1,I)；

步骤7.9：若rand_5n＞C₂×rand_6n，则生成两个随机数rand_7n、rand_8n；rand_7n∈(1,I)，rand_8n∈(1,I)，rand_7n≠rand_8n，直接执行步骤7.13；否则，生成一个随机数rand_7n，执行步骤7.10至步骤7.13；

步骤7.10：获取新粒子Q_n对应的人员分配序列中位置索引为rand_7n的人员，获取该人员在全局最优粒子gB_t对应的人员分配序列中的位置索引index₂；

步骤7.11：若index₂＜1，则令index₂＝index₂+1；否则，令index₂＝index₂-1；

步骤7.12：获取全局最优粒子gB_t对应的人员分配序列中的位置索引为index₂的人员，获取该人员在新粒子Q_n对应的人员分配序列中的位置索引r₂，令rand_8n＝r₂；

步骤7.13：将新粒子Q_n对应的人员分配序列中位置索引在rand_7n～rand_8n之间的人员倒序排列，生成子代粒子Z_n；

步骤7.14：若n＜N，则令n＝n+1，返回步骤7.2；否则，输出包含N个子代粒子Z_n的子代粒子群。

本发明的有益效果在于：

本发明提供了一种启发式粒子群算法，在每次迭代更新粒子时既考虑到个体历史最优值也考虑到当前全局最优值，使当前粒子尽可能去贴近个体历史最优值与当前全局最优值。本发明在启发式粒子群算法的基础上，采用精英策略对其进行改进，并应用于宿舍分配场景，采取个性化原则，尽量安排各项指标相似的同学在同一个寝室以达到优化宿舍分配的效果。本发明可以效地将相似的人分配在一个寝室，使人与人之间的差异度尽可能得小，使同宿舍内的同学更相似更难发生冲突，宿舍分配效果更好。

附图说明

图1为本发明中启发式粒子群算法的流程图。

图2为本发明的实施例中分配寝室的八项指标及其赋分表。

图3为本发明中生成子代粒子群的算法伪代码图。

图4(a)为本发明与其他方法的结果对比图(评价标准值)。

图4(b)为本发明与其他方法的结果对比图(评价指标优化率)。

具体实施方式

下面结合附图对本发明做进一步描述。

本发明受粒子群算法思想启发，提供了一种启发式粒子群算法。启发式粒子群算法弱化了粒子速度的概念，在更新位置时只考虑两个极端值的影响：个体极端值和全局极端值，即在每次迭代更新粒子时既考虑到个体历史最优值也考虑到当前全局最优值，使当前粒子尽可能去贴近个体历史最优值与当前全局最优值。本发明在启发式粒子群算法的基础上，采用精英策略对其进行改进。本发明将启发式粒子群算法应用于宿舍分配场景，使同宿舍内的同学更相似更难发生冲突，宿舍分配效果更好。

一种基于启发式改进粒子群算法的宿舍分配方法，包括以下步骤：

步骤1：获取待分配的人员总数I、每个宿舍中的人员数M和每个人员的属性数量D，其中人员总数I可以整除每个宿舍中的人员数M；

步骤2：初始化t＝1，设定最大迭代次数T、粒子群中粒子总数为N、个体最优学习因子C₁、全局最优学习因子C₂、期望全局差异度E_best；初始化个体历史最优粒子集合

初始化全局最优粒子集合gBest＝{gB₁,gB₂,...,gB_T}，

步骤3：初始化随机生成父代粒子群，将父代粒子群中所有父代粒子存入个体历史最优粒子集合pBest，pBest＝{pB₁,pB₂,...,pB_N}；pB_n＝X_n；

其中，父代粒子群中每个父代粒子X_n表示一组人员分配序列，X_n＝{x_n1,x_n2,...,x_nI}，该序列中按顺序每M个人分配到一个宿舍；x_ni表示父代粒子群中第n个父代粒子X_n对应的人员分配序列中的排列在第i位的人员，n＝1,2,...,N，i＝1,2,...,I；每个人员x_ni拥有D个属性，x_ni＝{y_ni1,y_ni2,...,y_niD}，y_nid表示x_ni的第d个属性值；

步骤4：计算父代粒子群中各父代粒子X_n的全局差异度eval(X_n)；

步骤4.1：计算父代粒子X_n的对应的人员分配序列X_n＝{x_n1,x_n2,...,x_nI}中每个人员x_ni的个体差异度fp_ni，fp_ni为x_ni与同一宿舍中其余M-1个人的“距离”dist之和；

其中，

为向下取整函数；

步骤4.2：计算父代粒子X_n的全局差异度eval(X_n)；

其中，average()为求平均值函数；

步骤5：取父代粒子群中对应全局差异度eval(X_n)最小的父代粒子X_n，令gB_t＝X_n；

步骤6：更新个体历史最优粒子集合pBest：若eval(X_n)＜eval(pB_n)，则令pB_n＝X_n；

步骤7：若t＝T或eval(gB_t)≤E_best，则输出全局最优粒子gB_t对应的人员分配序列，完成宿舍的分配；

否则，生成子代粒子群，计算子代粒子群中各子代粒子Z_n的全局差异度eval(Z_n)，将子代粒子群与父代粒子群合并，选择对应全局差异度eval()最小的N个粒子作为下一次迭代的父代粒子群，令t＝t+1，返回步骤4；

所述的生成子代粒子群的方法为：

步骤7.1：初始化n＝1；

步骤7.2：对于父代粒子X_n，生成两个随机数rand_1n、rand_2n；rand_1n∈(1,I)，rand_2n∈(1,I)；

步骤7.3：若rand_1n＞C₁×rand_2n，则生成两个随机数rand_3n、rand_4n；rand_3n∈(1,I)，rand_4n∈(1,I)，rand_3n≠rand_4n，直接执行步骤7.7；否则，生成一个随机数rand_3n，执行步骤7.4至步骤7.7；

步骤7.4：获取父代粒子X_n对应的人员分配序列中位置索引为rand_3n的人员，获取该人员在个体历史最优粒子pB_n对应的人员分配序列中的位置索引index₁；

步骤7.5：若index₁＜1，则令index₁＝index₁+1；否则，令index₁＝index₁-1；

步骤7.6：获取个体历史最优粒子pB_n对应的人员分配序列中位置索引为index₁的人员，获取该人员在父代粒子X_n对应的人员分配序列中的位置索引r₁，令rand_4n＝r₁；

步骤7.7：将父代粒子X_n对应的人员分配序列中位置索引在rand_3n～rand_4n之间的人员倒序排列，生成新粒子Q_n；

步骤7.8：对于新粒子Q_n，生成两个随机数rand_5n、rand_6n；rand_5n∈(1,I)，rand_6n∈(1,I)；

步骤7.9：若rand_5n＞C₂×rand_6n，则生成两个随机数rand_7n、rand_8n；rand_7n∈(1,I)，rand_8n∈(1,I)，rand_7n≠rand_8n，直接执行步骤7.13；否则，生成一个随机数rand_7n，执行步骤7.10至步骤7.13；

步骤7.10：获取新粒子Q_n对应的人员分配序列中位置索引为rand_7n的人员，获取该人员在全局最优粒子gB_t对应的人员分配序列中的位置索引index₂；

步骤7.11：若index₂＜1，则令index₂＝index₂+1；否则，令index₂＝index₂-1；

步骤7.12：获取全局最优粒子gB_t对应的人员分配序列中的位置索引为index₂的人员，获取该人员在新粒子Q_n对应的人员分配序列中的位置索引r₂，令rand_8n＝r₂；

步骤7.13：将新粒子Q_n对应的人员分配序列中位置索引在rand_7n～rand_8n之间的人员倒序排列，生成子代粒子Z_n；

步骤7.14：若n＜N，则令n＝n+1，返回步骤7.2；否则，输出包含N个子代粒子Z_n的子代粒子群。

实施例1：

如图2所示，为300名学生分配六人寝，以男生为例(男生和女生部分指标的数据分布不同，但解决问题原理相同)，每人有八个指标：作息时间、是否抽烟、网购频率、复习功课频率、每天的阅读时长、学习计划性、运动健身频率、每天玩游戏时间。本发明采取个性化原则：便于匹配到最合适的室友，使宿舍和谐。尽量将生活习惯、作息时间相近，兴趣爱好相似的学生安排在同一宿舍。

首先规定目标函数，将宿舍分配问题转化为优化类问题。粒子群通过不断调度学生所在寝室来不断优化目标函数值使目标函数值尽可能的小。目标函数为单人差异度平均值。两个人的距离为八个指标平方差之和。单人差异度为一个人同其他室友的距离之和。所有人的单人差异度平均值即为目标函数，也称全局差异度。

1、距离(dist)

定义两个人之间的“距离”dist为两个人的八个指标的平方差距离之和。y_nid、y_njd分别表示第i个人的第d个指标，以及第j个人的第d个指标。

2、个人差异度(fp_ni)

个人差异度为fp_ni一个人与其他五个室友的“距离”之和(自己与自己的距离为0)。

3、全局差异度eval

average()为求平均值函数。全局差异度eval数值越小说明结果越好。

其次，将一个分配序列作为一个粒子，50个分配序列作为粒子群。在每次迭代中，将粒子群中的粒子根据个体最优值与全局最优值信息，挨个更新粒子位置并生成新粒子群。(个体最优值为单个粒子历史目标函数最优值，全局最优值为当前粒子群全部粒子中目标函数的最优值)。为保障每一次迭代差异度都不会上升，本发明在启发式粒子群算法的基础上采用精英策略进行改进，将生成的新粒子群与原粒子群中差异度最小的50个粒子作为新一代粒子群继续迭代。

初始化：将一个学生宿舍分配序列视为一个粒子，多个分配序列为一个粒子群。粒子在本发明中的实际意义为本配序列的一种排列方式。决策变量维度为300，意为一个粒子(分配序列)有300个数字组成。一个分配序列由1*300的一维数组存储。每个学生编号为1-300.最终宿舍分配序列由1*300的一维数组进行存储，存储的数字为学生编号。设置个体最优学习因子C₁为0.5、全局最优学习因子C₂为0.6、种群规模N为50，即初始化50个分配序列。由50*300的二维数组存储。最大迭代次数T设置为439541(此数值只是为了尽可能的大，方便将数据可视化时判断结果是否已经收敛)。

如图4(a)和图4(b)所示，对于全局差异度，启发式改进粒子群算法优化率明显比贪心算法的优化率高。这是因为虽然贪心算法每步都取局部最优解但依然很可能与全局最优解有较大差距，而本发明提供的启发式改进粒子群算法能够计算、考虑到更多的情况。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种基于启发式改进粒子群算法的宿舍分配方法，其特征在于，包括以下步骤：

步骤1：获取待分配的人员总数I、每个宿舍中的人员数M和每个人员的属性数量D，其中人员总数I可以整除每个宿舍中的人员数M；

步骤2：初始化t＝1，设定最大迭代次数T、粒子群中粒子总数为N、个体最优学习因子C₁、全局最优学习因子C₂、期望全局差异度E_best；初始化个体历史最优粒子集合

初始化全局最优粒子集合gBest＝{gB₁,gB₂,...,gB_T}，

步骤3：初始化随机生成父代粒子群，将父代粒子群中所有父代粒子存入个体历史最优粒子集合pBest，pBest＝{pB₁,pB₂,...,pB_N}；pB_n＝X_n；

其中，父代粒子群中每个父代粒子X_n表示一组人员分配序列，X_n＝{x_n1,x_n2,...,x_nI}，该序列中按顺序每M个人分配到一个宿舍；x_ni表示父代粒子群中第n个父代粒子X_n对应的人员分配序列中的排列在第i位的人员，n＝1,2,...,N，i＝1,2,...,I；每个人员x_ni拥有D个属性，x_ni＝{y_ni1,y_ni2,...,y_niD}，y_nid表示x_ni的第d个属性值；

步骤4：计算父代粒子群中各父代粒子X_n的全局差异度eval(X_n)；

步骤4.1：计算父代粒子X_n的对应的人员分配序列X_n＝{x_n1,x_n2,...,x_nI}中每个人员x_ni的个体差异度fp_ni，fp_ni为x_ni与同一宿舍中其余M-1个人的“距离”dist之和；

其中，

为向下取整函数；

步骤4.2：计算父代粒子X_n的全局差异度eval(X_n)；

其中，average()为求平均值函数；

步骤5：取父代粒子群中对应全局差异度eval(X_n)最小的父代粒子X_n，令gB_t＝X_n；

步骤6：更新个体历史最优粒子集合pBest：若eval(X_n)＜eval(pB_n)，则令pB_n＝X_n；

步骤7：若t＝T或eval(gB_t)≤E_best，则输出全局最优粒子gB_t对应的人员分配序列，完成宿舍的分配；

否则，生成子代粒子群，计算子代粒子群中各子代粒子Z_n的全局差异度eval(Z_n)，将子代粒子群与父代粒子群合并，选择对应全局差异度eval()最小的N个粒子作为下一次迭代的父代粒子群，令t＝t+1，返回步骤4。

2.根据权利要求1所述的一种基于启发式改进粒子群算法的宿舍分配方法，其特征在于：所述的步骤7中生成子代粒子群的方法为：

步骤7.1：初始化n＝1；

步骤7.2：对于父代粒子X_n，生成两个随机数rand_1n、rand_2n；rand_1n∈(1,I)，rand_2n∈(1,I)；

步骤7.3：若rand_1n＞C₁×rand_2n，则生成两个随机数rand_3n、rand_4n；rand_3n∈(1,I)，rand_4n∈(1,I)，rand_3n≠rand_4n，直接执行步骤7.7；否则，生成一个随机数rand_3n，执行步骤7.4至步骤7.7；

步骤7.4：获取父代粒子X_n对应的人员分配序列中位置索引为rand_3n的人员，获取该人员在个体历史最优粒子pB_n对应的人员分配序列中的位置索引index₁；

步骤7.5：若index₁＜1，则令index₁＝index₁+1；否则，令index₁＝index₁-1；

步骤7.6：获取个体历史最优粒子pB_n对应的人员分配序列中位置索引为index₁的人员，获取该人员在父代粒子X_n对应的人员分配序列中的位置索引r₁，令rand_4n＝r₁；

步骤7.7：将父代粒子X_n对应的人员分配序列中位置索引在rand_3n～rand_4n之间的人员倒序排列，生成新粒子Q_n；

步骤7.8：对于新粒子Q_n，生成两个随机数rand_5n、rand_6n；rand_5n∈(1,I)，rand_6n∈(1,I)；

步骤7.9：若rand_5n＞C₂×rand_6n，则生成两个随机数rand_7n、rand_8n；rand_7n∈(1,I)，rand_8n∈(1,I)，rand_7n≠rand_8n，直接执行步骤7.13；否则，生成一个随机数rand_7n，执行步骤7.10至步骤7.13；

步骤7.10：获取新粒子Q_n对应的人员分配序列中位置索引为rand_7n的人员，获取该人员在全局最优粒子gB_t对应的人员分配序列中的位置索引index₂；

步骤7.11：若index₂＜1，则令index₂＝index₂+1；否则，令index₂＝index₂-1；

步骤7.12：获取全局最优粒子gB_t对应的人员分配序列中的位置索引为index₂的人员，获取该人员在新粒子Q_n对应的人员分配序列中的位置索引r₂，令rand_8n＝r₂；

步骤7.13：将新粒子Q_n对应的人员分配序列中位置索引在rand_7n～rand_8n之间的人员倒序排列，生成子代粒子Z_n；

步骤7.14：若n＜N，则令n＝n+1，返回步骤7.2；否则，输出包含N个子代粒子Z_n的子代粒子群。

Images