[摘要]提出一種基于交互式遺傳算法的大學(xué)圖書(shū)館藏書(shū)建設(shè)中圖書(shū)采購(gòu)經(jīng)費(fèi)分配群決策系統(tǒng)模型，通過(guò)人工智能技術(shù)把定性決策與定量決策結(jié)合起來(lái)，解決文獻(xiàn)經(jīng)費(fèi)分配決策中優(yōu)化目標(biāo)非定量化、難以較高效率獲得專(zhuān)家群體意見(jiàn)共識(shí)的問(wèn)題。模擬實(shí)驗(yàn)反映出該模型能以較高效率達(dá)成專(zhuān)家群體意見(jiàn)共識(shí)。
　　[關(guān)鍵詞]交互式遺傳算法　圖書(shū)采購(gòu)經(jīng)費(fèi)分配　群決策模型
　　[分類(lèi)號(hào)]TP182
　　
　　1　引言
　　
　　建立科學(xué)的、適用于大學(xué)讀者的最佳藏書(shū)結(jié)構(gòu)是高校藏書(shū)建設(shè)的核心內(nèi)容和基本任務(wù)。高校圖書(shū)館的服務(wù)需求相對(duì)變化較小，藏書(shū)建設(shè)具有一定的穩(wěn)定性；但同時(shí)，由于社會(huì)的發(fā)展、學(xué)科專(zhuān)業(yè)的調(diào)整，對(duì)藏書(shū)建設(shè)又提出前瞻性和突變性的要求，藏書(shū)結(jié)構(gòu)也要因之而變，通過(guò)調(diào)整各種新購(gòu)圖書(shū)的經(jīng)費(fèi)比例是實(shí)現(xiàn)藏書(shū)結(jié)構(gòu)改善的重要手段之一。因此，在經(jīng)費(fèi)有限的條件下，確定在一定周期內(nèi)(一般為一年)各種新購(gòu)圖書(shū)的最佳經(jīng)費(fèi)比例，是圖書(shū)采訪決策中十分關(guān)鍵的一環(huán)。各種新購(gòu)圖書(shū)經(jīng)費(fèi)的比例決策問(wèn)題是一種典型的隱性目標(biāo)非結(jié)構(gòu)化決策問(wèn)題，為了更好地反映本大學(xué)特色和學(xué)科發(fā)展的需要，一些大學(xué)圖書(shū)館采用由各學(xué)科教授等專(zhuān)家構(gòu)成藏書(shū)建設(shè)委員會(huì)，通過(guò)群決策模式來(lái)完成各種新購(gòu)圖書(shū)經(jīng)費(fèi)比例決策，但新購(gòu)圖書(shū)經(jīng)費(fèi)比例決策具有優(yōu)化目標(biāo)非定量化、求解空間極大(組合爆炸)的特點(diǎn)，決策過(guò)程中如何以較高的效率獲得群體意見(jiàn)共識(shí)就成為一個(gè)巨大的挑戰(zhàn)。傳統(tǒng)方法一般是通過(guò)利用判斷矩陣的一致性、群體一致性指標(biāo)、個(gè)體一致性指標(biāo)等方法來(lái)實(shí)現(xiàn)專(zhuān)家群體的共識(shí)，這類(lèi)方法雖然簡(jiǎn)單，但在可操作性以及群體共識(shí)的最大化方面不理想。因此，結(jié)合人工智能技術(shù)，探討高效的新購(gòu)圖書(shū)經(jīng)費(fèi)比例決策問(wèn)題優(yōu)化模型，具有重要的理論和實(shí)踐價(jià)值。
　　
　　
　　
　　
　　2　交互式遺傳算法
　　
　　2.1　遺傳算法
　　遺傳算法(Genetic Algorithm，GA)是由美國(guó)的J.Holland教授在1975年提出一類(lèi)模擬生命進(jìn)化機(jī)制(適者生存，優(yōu)勝劣汰遺傳機(jī)制)的搜索和優(yōu)化方法，它的全局最優(yōu)和隱含并行性特點(diǎn)適用于求解復(fù)雜的優(yōu)化問(wèn)題，已被人們廣泛地應(yīng)用于組合優(yōu)化、機(jī)器學(xué)習(xí)、信號(hào)處理、自適應(yīng)控制和人工生命等領(lǐng)域。
　　基本遺傳算法的基本優(yōu)化流程如圖1所示，其核心思想是：首先隨機(jī)或按照一定的條件產(chǎn)生一個(gè)初始種群(若干問(wèn)題解方案)，然后僅用適應(yīng)度(由實(shí)際問(wèn)題解的評(píng)價(jià)函數(shù)確定)來(lái)評(píng)價(jià)個(gè)體的優(yōu)劣，并以此作為遺傳操作的依據(jù)進(jìn)行一代一代進(jìn)化(一般來(lái)說(shuō)，適應(yīng)度越大，其被選擇進(jìn)行遺傳操作繁殖后代的概率就越大)
　　2.2　交互式遺傳算法
　　從2.1中的介紹可知，在遺傳算法中，適應(yīng)度是指引種群優(yōu)化的唯一方向標(biāo)，因此，在利用遺傳算法解決實(shí)際問(wèn)題時(shí)，確定個(gè)體解的適應(yīng)度的量化評(píng)價(jià)方法可以說(shuō)是整個(gè)優(yōu)化過(guò)程最重要的一步。隨著遺傳算法的廣泛應(yīng)用，學(xué)者們發(fā)現(xiàn)傳統(tǒng)的遺傳算法只能解決性能指標(biāo)用明確因數(shù)(顯式)表示的系統(tǒng)優(yōu)化問(wèn)題，因?yàn)閮?yōu)化問(wèn)題只有明確定義的性能指標(biāo)函數(shù)才能計(jì)算進(jìn)化個(gè)體的適應(yīng)值。但是，許多實(shí)際系統(tǒng)優(yōu)化問(wèn)題，如藝術(shù)設(shè)計(jì)、樂(lè)曲創(chuàng)作、知識(shí)學(xué)習(xí)和數(shù)據(jù)挖掘等的性能指標(biāo)往往難以用明確的函數(shù)表示，即它們屬于隱式性能指標(biāo)優(yōu)化問(wèn)題，而傳統(tǒng)的遺傳算法無(wú)法解決這類(lèi)問(wèn)題。在這樣的應(yīng)用背景下，日本學(xué)者高木英行等在前人研究成果的基礎(chǔ)上，系統(tǒng)地提出了交互式遺傳算法(interac―tive genetic algorithm，IGA)的理論與方法，并將其推廣應(yīng)用于藝術(shù)設(shè)計(jì)、語(yǔ)音識(shí)別、復(fù)雜產(chǎn)品設(shè)計(jì)等領(lǐng)域。交互式遺傳算法和傳統(tǒng)遺傳算法的最大區(qū)別在于通過(guò)交互式手段以用戶(hù)對(duì)個(gè)體評(píng)估來(lái)替代傳統(tǒng)的遺傳算法(GA)對(duì)適應(yīng)度值進(jìn)行自動(dòng)計(jì)算的過(guò)程。在IGA中，首先將種群的各個(gè)個(gè)體以某種可視化形式呈現(xiàn)給用戶(hù)，用戶(hù)對(duì)這些個(gè)體進(jìn)行評(píng)估(通常采用百分制、七分制、二分制等打分方式)，并以此作為遺傳操作的依據(jù)。因此，它既具有傳統(tǒng)進(jìn)化算法的搜索能力強(qiáng)等優(yōu)點(diǎn)，還具備與決策者交互的機(jī)制，特別適合應(yīng)用于那些適應(yīng)度函數(shù)難以表達(dá)，但用戶(hù)對(duì)個(gè)體評(píng)估較容易的復(fù)雜隱性目標(biāo)優(yōu)化問(wèn)題。
　　
　　3　基于交互式遺傳算法的新購(gòu)圖書(shū)比例輔助群決策模型
　　
　　3.1　應(yīng)用IGA優(yōu)化新購(gòu)圖書(shū)經(jīng)費(fèi)比例決策的主要步驟
　　遺傳算法有一種求解復(fù)雜系統(tǒng)優(yōu)化問(wèn)題的通用框架，結(jié)合新購(gòu)圖書(shū)經(jīng)費(fèi)比例決策問(wèn)題的實(shí)際，具體步驟如下：
　　3.1.1　確定決策變量及約束條件利用IGA算法進(jìn)行新購(gòu)圖書(shū)經(jīng)費(fèi)比例決策時(shí)，首先要確定圖書(shū)的分類(lèi)，本文按照中圖分類(lèi)法，將圖書(shū)分為22個(gè)大類(lèi)，每個(gè)大類(lèi)比例值的變化都會(huì)組合成不同的新購(gòu)圖書(shū)經(jīng)費(fèi)比例方案。設(shè)每類(lèi)圖書(shū)的經(jīng)費(fèi)比例為Ui(i=1，2，3，…，22)，則決策變量即為ui，約束條件為∑Ui=1。
　　3.1.2　確定表示可行解的染色體編碼方法　一個(gè)經(jīng)費(fèi)比例方案中的某類(lèi)圖書(shū)經(jīng)費(fèi)比例對(duì)應(yīng)于遺傳算法中的一個(gè)基因，一個(gè)經(jīng)費(fèi)比例方案對(duì)應(yīng)于遺傳算法中的一個(gè)染色體個(gè)體，其編碼可以選擇二進(jìn)制編碼或浮點(diǎn)數(shù)編碼。同樣的問(wèn)題常�？梢允褂貌煌�的編碼，不同的編碼對(duì)編程的方便性和程序運(yùn)行效率的影響是不同的，由于圖書(shū)經(jīng)費(fèi)比例參數(shù)屬于連續(xù)參數(shù)，因此采用直接的實(shí)數(shù)編碼方案比二進(jìn)制編碼更為方便。
　　3.1.3　確定個(gè)體適應(yīng)度的量化評(píng)價(jià)方法　利用IGA算法進(jìn)行新購(gòu)圖書(shū)經(jīng)費(fèi)比例決策時(shí)，藏書(shū)建設(shè)委員會(huì)的專(zhuān)家對(duì)每一個(gè)大類(lèi)圖書(shū)在本大學(xué)的合適比例都有自己的主觀判斷，據(jù)此對(duì)每一個(gè)新購(gòu)圖書(shū)經(jīng)費(fèi)比例方案給出評(píng)價(jià)值(采用百分制)，系統(tǒng)根據(jù)各個(gè)委員的打分，求取每一個(gè)新購(gòu)圖書(shū)經(jīng)費(fèi)比例方案的平均得分，即作為該方案的適應(yīng)度值。
　　3.1.4　確定遺傳算法優(yōu)化迭代停止條件若適應(yīng)度函數(shù)的最大值已知，理論上應(yīng)以找到適應(yīng)度達(dá)到最大值的個(gè)體作為遺傳算法迭代終止條件，然而圖書(shū)經(jīng)費(fèi)分配這個(gè)具體問(wèn)題，個(gè)體適應(yīng)度最大值雖然已知(100分)，但當(dāng)藏書(shū)建設(shè)委員會(huì)的專(zhuān)家較多時(shí)，找到這樣的個(gè)體幾乎是不可能的，所以具體實(shí)現(xiàn)遺傳算法時(shí)，采用理想解迭代停止法：預(yù)先設(shè)定一個(gè)低于100分的理想分?jǐn)?shù)，當(dāng)某一個(gè)體的適應(yīng)度值達(dá)到該分?jǐn)?shù)時(shí)即終止迭代。同時(shí)，設(shè)定最大遺傳代數(shù)和進(jìn)化停滯判定條件(若迭代到一定代數(shù)后，連續(xù)若干代群體的最優(yōu)個(gè)體的適應(yīng)度值不再增大，則判定進(jìn)化停滯。)，到了最大遺傳代數(shù)或進(jìn)化停滯時(shí)，即使當(dāng)前最優(yōu)個(gè)體的適應(yīng)度值沒(méi)有達(dá)到理想值也終止迭代。
　　3.1.5　設(shè)計(jì)遺傳算子，即確定出選擇運(yùn)算、交叉運(yùn)算、變異運(yùn)算等遺傳算子的具體操作方法遺傳算法的進(jìn)化過(guò)程主要包括選擇、交叉和變異，交叉和變異算子用于產(chǎn)生新的個(gè)體，而選擇算子保證了遺傳迭代中“適者生存”的群體進(jìn)化現(xiàn)象，在本模型中體現(xiàn)了專(zhuān)家群體意見(jiàn)求同的意向。下面對(duì)本模型中的進(jìn)化算子進(jìn)行簡(jiǎn)單介紹。
　　?選擇。選擇操作是遺傳算法中實(shí)現(xiàn)群體優(yōu)良基因傳播的基本方式，選擇即從當(dāng)前群體中選擇適應(yīng)值高的個(gè)體以生成繁殖池的過(guò)程。遺傳算法中最常用 的選擇方式是輪盤(pán)賭(Roulette Wheel)選擇方式，也稱(chēng)比例選擇或復(fù)制，在該方法中，各個(gè)個(gè)體被選擇的概率和其適應(yīng)度值成比例。在本模型中，設(shè)每次輪盤(pán)選擇操作時(shí)候選群體規(guī)模為N，則第i個(gè)個(gè)體被選擇進(jìn)入繁殖池的概率p.為：
　　
　　顯然，個(gè)體適應(yīng)度越大，其被選擇的概率越高，反之則越低。某個(gè)被選擇進(jìn)入繁殖池后的個(gè)體則從候選群體中移除。繁殖池里個(gè)體數(shù)達(dá)到種群規(guī)模M時(shí)則停止輪盤(pán)選擇操作。
　　?變異。實(shí)數(shù)編碼遺傳算法中常用的變異算子有：均勻變異，邊界變異，非均勻變異等。由于新購(gòu)圖書(shū)比例決策問(wèn)題中有嚴(yán)格的條件限制，即各個(gè)基因(各種圖書(shū)經(jīng)費(fèi)比例)之和必須等于1，因此，變異操作需要成對(duì)進(jìn)行，即須將每個(gè)基因作為一次變異操作對(duì)象。具體操作過(guò)程是：對(duì)繁殖池中的每一個(gè)體，依次指定個(gè)體編碼串中的相鄰兩個(gè)基因?yàn)樽儺慄c(diǎn)候選；對(duì)每一個(gè)候選變異點(diǎn)，以預(yù)先確定的變異概率進(jìn)行選擇，如選中，則對(duì)一個(gè)基因增加△U，另一個(gè)基因減少△U。
　　?交叉。交叉操作是遺傳算法中組合出新的個(gè)體的主要操作，在串空間進(jìn)行有效搜索，同時(shí)降低對(duì)有效模式的破壞概率。一般來(lái)講，交叉操作在兩個(gè)個(gè)體之間進(jìn)行，但由于新購(gòu)圖書(shū)經(jīng)費(fèi)比例決策問(wèn)題中嚴(yán)格的條件限制，如采用異體交叉，容易產(chǎn)生大量的無(wú)意義個(gè)體，因此，本模型中設(shè)計(jì)的交叉為自體交叉，即：對(duì)繁殖池中的每一個(gè)體，隨機(jī)指定個(gè)體編碼串中的兩個(gè)基因?yàn)榻徊婧蜻x；對(duì)每一個(gè)候選點(diǎn)，以預(yù)先確定的交叉概率進(jìn)行選擇，如選中，則互換兩個(gè)基因的值。一般來(lái)講，交叉概率比變異概率要大。
　　
　　3.2　基于IGA的新購(gòu)圖書(shū)經(jīng)費(fèi)比例群決策輔助系統(tǒng)流程圖
　　由藏書(shū)建設(shè)委員會(huì)專(zhuān)家群體進(jìn)行基于IGA模型的新購(gòu)圖書(shū)經(jīng)費(fèi)比例決策過(guò)程如圖2所示。
　　Step1：顯式當(dāng)前本館圖書(shū)結(jié)構(gòu)，作為藏書(shū)建設(shè)委員會(huì)專(zhuān)家們進(jìn)行新購(gòu)圖書(shū)經(jīng)費(fèi)比例決策的參考；
　　Step2：根據(jù)以前的圖書(shū)經(jīng)費(fèi)比例案例庫(kù)或由各個(gè)委員提出若干初始方案，作為初始種群；
　　Step3：將所有個(gè)體(各個(gè)比例方案)顯式給各個(gè)專(zhuān)家；
　　Step4：各個(gè)專(zhuān)家綜合各種主、客觀準(zhǔn)則和自己主觀認(rèn)識(shí)給定每一個(gè)個(gè)體的評(píng)價(jià)值；
　　Step5：藏書(shū)建設(shè)委員會(huì)主持人判斷當(dāng)前最優(yōu)方案的平均評(píng)價(jià)值是否達(dá)到理想值，如是，則結(jié)束迭代，否則轉(zhuǎn)到Step7；
　　Step6：軟件系統(tǒng)根據(jù)當(dāng)前進(jìn)化代數(shù)是否達(dá)到規(guī)定值或進(jìn)化是否已停滯，如是，則結(jié)束迭代，否則轉(zhuǎn)到Step7；
　　Step7：系統(tǒng)進(jìn)行遺傳操作，包括選擇、交叉、變異，然后轉(zhuǎn)到Step3。
　　
　　4　模擬實(shí)驗(yàn)
　　
　　針對(duì)大學(xué)圖書(shū)館藏書(shū)建設(shè)中新購(gòu)圖書(shū)經(jīng)費(fèi)比例決策這樣一個(gè)目標(biāo)難以顯式定量表達(dá)的非結(jié)構(gòu)化決策問(wèn)題，基于本文提出的交互式遺傳算法群決策系統(tǒng)模型，在VS2005環(huán)境下開(kāi)發(fā)了一個(gè)原型系統(tǒng)(為了簡(jiǎn)化開(kāi)發(fā)，原型系統(tǒng)中進(jìn)化停止條件僅由最大代數(shù)確定)，進(jìn)行了新購(gòu)圖書(shū)經(jīng)費(fèi)比例決策模擬實(shí)驗(yàn)。交叉概率設(shè)為O.6，變異概率設(shè)為0.15，為了盡量降低應(yīng)用IGA時(shí)人的疲勞問(wèn)題的影響，最大進(jìn)化代數(shù)和種群規(guī)模均設(shè)置得較小，種群規(guī)模為20，最大迭代次數(shù)為20，初始方案群(第O代)由參與模擬實(shí)驗(yàn)的某圖書(shū)館lO位館員提出(每人提出2個(gè))。整個(gè)實(shí)驗(yàn)過(guò)程費(fèi)時(shí)約2小時(shí)。初始最優(yōu)方案平均評(píng)價(jià)分值為69.6分，實(shí)驗(yàn)中20次迭代結(jié)束時(shí)，最優(yōu)方案平均評(píng)價(jià)分值達(dá)到了82.3分。最優(yōu)方案進(jìn)化情況如圖3所示。
　　分析進(jìn)化情況可以看到，在最初10代內(nèi)，最優(yōu)個(gè)體評(píng)價(jià)分快速增長(zhǎng)，之后總體增長(zhǎng)緩慢，甚至出現(xiàn)了評(píng)價(jià)分振蕩的情況，這可能與隨著評(píng)價(jià)次數(shù)的增多，館員的疲勞程度增大有關(guān)。因此，在實(shí)際應(yīng)用該模型開(kāi)發(fā)實(shí)用系統(tǒng)時(shí)，最大進(jìn)化代數(shù)還可適當(dāng)減少，同時(shí)，在遺傳操作中增加最優(yōu)保留策略，應(yīng)能避免振蕩。
　　
　　5　結(jié)語(yǔ)
　　
　　目前，已有一些學(xué)者進(jìn)行了將遺傳算法應(yīng)用于圖書(shū)采購(gòu)決策問(wèn)題的研究。文獻(xiàn)[6]從盡量滿(mǎn)足讀者采購(gòu)需求的角度出發(fā)，將每位讀者要求訂購(gòu)的書(shū)目用一個(gè)集合來(lái)表示，所有讀者的采購(gòu)要求構(gòu)成一個(gè)集合簇，用遺傳算法計(jì)算該集合簇的碰集，遺傳運(yùn)算中適應(yīng)度由采購(gòu)方案?jìng)�(gè)體與集合簇中的集合相“碰”的多少來(lái)確定；文獻(xiàn)[7]利用神經(jīng)網(wǎng)絡(luò)建立圖書(shū)的圖書(shū)內(nèi)容關(guān)鍵詞、圖書(shū)分類(lèi)號(hào)、圖書(shū)出版社、圖書(shū)出版日期、圖書(shū)版本號(hào)、圖書(shū)價(jià)格、圖書(shū)是否屬于重點(diǎn)學(xué)科等7種屬性(作為輸入神經(jīng)元)與是否被采購(gòu)(作為輸出神經(jīng)元)之間的非線性映射關(guān)系，采用遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值、閾值等進(jìn)行優(yōu)化，遺傳運(yùn)算中適應(yīng)度由期望輸出與實(shí)際輸出的誤差來(lái)確定。這種模型中，圖書(shū)屬性與是否被采購(gòu)的映射關(guān)系實(shí)際上由訓(xùn)練樣本情況來(lái)決定的，也就是由已購(gòu)情況預(yù)測(cè)(決策)待購(gòu)情況。上述模型針對(duì)的都是具體書(shū)目的采購(gòu)決策，考慮的因素均較單一，且在利用遺傳算法時(shí)，個(gè)體評(píng)價(jià)函數(shù)(適應(yīng)度函數(shù))都是能用定量數(shù)學(xué)式顯式表達(dá)的，本質(zhì)上均是傳統(tǒng)遺傳算法的應(yīng)用。而大學(xué)圖書(shū)館藏書(shū)建設(shè)中新購(gòu)圖書(shū)經(jīng)費(fèi)比例決策問(wèn)題需要考慮的影響因素眾多，如學(xué)校類(lèi)型、專(zhuān)業(yè)特色、人才培養(yǎng)定位、現(xiàn)有館藏情況、讀者層次分布等，這類(lèi)決策本質(zhì)上是一種典型的非結(jié)構(gòu)化決策，要建立有效綜合各種影響因素的定量數(shù)學(xué)評(píng)價(jià)模型是及其困難的。群體決策作為解決非結(jié)構(gòu)化決策問(wèn)題的重要手段，已越來(lái)越引起人們的重視，本文嘗試將群決策引入圖書(shū)采購(gòu)經(jīng)費(fèi)分配決策問(wèn)題求解，并采用交互式遺傳算法來(lái)解決快速高效達(dá)成群體共識(shí)這一群決策瓶頸問(wèn)題。模擬實(shí)驗(yàn)反映出該方法能以較高的效率提高最終購(gòu)書(shū)經(jīng)費(fèi)比例方案的群體共同認(rèn)可度。

相關(guān)熱詞搜索：遺傳 經(jīng)費(fèi) 算法 一種基于交互式遺傳算法的圖書(shū)經(jīng)費(fèi)分配群決策模型 圖書(shū)情報(bào) 圖書(shū)情報(bào)碩士