[摘要]提出一種基于交互式遺傳算法的大學圖書館藏書建設中圖書采購經(jīng)費分配群決策系統(tǒng)模型，通過人工智能技術把定性決策與定量決策結(jié)合起來，解決文獻經(jīng)費分配決策中優(yōu)化目標非定量化、難以較高效率獲得專家群體意見共識的問題。模擬實驗反映出該模型能以較高效率達成專家群體意見共識。
　　[關鍵詞]交互式遺傳算法　圖書采購經(jīng)費分配　群決策模型
　　[分類號]TP182
　　
　　1　引言
　　
　　建立科學的、適用于大學讀者的最佳藏書結(jié)構(gòu)是高校藏書建設的核心內(nèi)容和基本任務。高校圖書館的服務需求相對變化較小，藏書建設具有一定的穩(wěn)定性；但同時，由于社會的發(fā)展、學科專業(yè)的調(diào)整，對藏書建設又提出前瞻性和突變性的要求，藏書結(jié)構(gòu)也要因之而變，通過調(diào)整各種新購圖書的經(jīng)費比例是實現(xiàn)藏書結(jié)構(gòu)改善的重要手段之一。因此，在經(jīng)費有限的條件下，確定在一定周期內(nèi)(一般為一年)各種新購圖書的最佳經(jīng)費比例，是圖書采訪決策中十分關鍵的一環(huán)。各種新購圖書經(jīng)費的比例決策問題是一種典型的隱性目標非結(jié)構(gòu)化決策問題，為了更好地反映本大學特色和學科發(fā)展的需要，一些大學圖書館采用由各學科教授等專家構(gòu)成藏書建設委員會，通過群決策模式來完成各種新購圖書經(jīng)費比例決策，但新購圖書經(jīng)費比例決策具有優(yōu)化目標非定量化、求解空間極大(組合爆炸)的特點，決策過程中如何以較高的效率獲得群體意見共識就成為一個巨大的挑戰(zhàn)。傳統(tǒng)方法一般是通過利用判斷矩陣的一致性、群體一致性指標、個體一致性指標等方法來實現(xiàn)專家群體的共識，這類方法雖然簡單，但在可操作性以及群體共識的最大化方面不理想。因此，結(jié)合人工智能技術，探討高效的新購圖書經(jīng)費比例決策問題優(yōu)化模型，具有重要的理論和實踐價值。
　　
　　
　　
　　
　　2　交互式遺傳算法
　　
　　2.1　遺傳算法
　　遺傳算法(Genetic Algorithm，GA)是由美國的J.Holland教授在1975年提出一類模擬生命進化機制(適者生存，優(yōu)勝劣汰遺傳機制)的搜索和優(yōu)化方法，它的全局最優(yōu)和隱含并行性特點適用于求解復雜的優(yōu)化問題，已被人們廣泛地應用于組合優(yōu)化、機器學習、信號處理、自適應控制和人工生命等領域。
　　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：首先隨機或按照一定的條件產(chǎn)生一個初始種群(若干問題解方案)，然后僅用適應度(由實際問題解的評價函數(shù)確定)來評價個體的優(yōu)劣，并以此作為遺傳操作的依據(jù)進行一代一代進化(一般來說，適應度越大，其被選擇進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，適應度是指引種群優(yōu)化的唯一方向標，因此，在利用遺傳算法解決實際問題時，確定個體解的適應度的量化評價方法可以說是整個優(yōu)化過程最重要的一步。隨著遺傳算法的廣泛應用，學者們發(fā)現(xiàn)傳統(tǒng)的遺傳算法只能解決性能指標用明確因數(shù)(顯式)表示的系統(tǒng)優(yōu)化問題，因為優(yōu)化問題只有明確定義的性能指標函數(shù)才能計算進化個體的適應值。但是，許多實際系統(tǒng)優(yōu)化問題，如藝術設計、樂曲創(chuàng)作、知識學習和數(shù)據(jù)挖掘等的性能指標往往難以用明確的函數(shù)表示，即它們屬于隱式性能指標優(yōu)化問題，而傳統(tǒng)的遺傳算法無法解決這類問題。在這樣的應用背景下，日本學者高木英行等在前人研究成果的基礎上，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，并將其推廣應用于藝術設計、語音識別、復雜產(chǎn)品設計等領域。交互式遺傳算法和傳統(tǒng)遺傳算法的最大區(qū)別在于通過交互式手段以用戶對個體評估來替代傳統(tǒng)的遺傳算法(GA)對適應度值進行自動計算的過程。在IGA中，首先將種群的各個個體以某種可視化形式呈現(xiàn)給用戶，用戶對這些個體進行評估(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)進化算法的搜索能力強等優(yōu)點，還具備與決策者交互的機制，特別適合應用于那些適應度函數(shù)難以表達，但用戶對個體評估較容易的復雜隱性目標優(yōu)化問題。
　　
　　3　基于交互式遺傳算法的新購圖書比例輔助群決策模型
　　
　　3.1　應用IGA優(yōu)化新購圖書經(jīng)費比例決策的主要步驟
　　遺傳算法有一種求解復雜系統(tǒng)優(yōu)化問題的通用框架，結(jié)合新購圖書經(jīng)費比例決策問題的實際，具體步驟如下：
　　3.1.1　確定決策變量及約束條件利用IGA算法進行新購圖書經(jīng)費比例決策時，首先要確定圖書的分類，本文按照中圖分類法，將圖書分為22個大類，每個大類比例值的變化都會組合成不同的新購圖書經(jīng)費比例方案。設每類圖書的經(jīng)費比例為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　一個經(jīng)費比例方案中的某類圖書經(jīng)費比例對應于遺傳算法中的一個基因，一個經(jīng)費比例方案對應于遺傳算法中的一個染色體個體，其編碼可以選擇二進制編碼或浮點數(shù)編碼。同樣的問題常�？梢允褂貌煌�的編碼，不同的編碼對編程的方便性和程序運行效率的影響是不同的，由于圖書經(jīng)費比例參數(shù)屬于連續(xù)參數(shù)，因此采用直接的實數(shù)編碼方案比二進制編碼更為方便。
　　3.1.3　確定個體適應度的量化評價方法　利用IGA算法進行新購圖書經(jīng)費比例決策時，藏書建設委員會的專家對每一個大類圖書在本大學的合適比例都有自己的主觀判斷，據(jù)此對每一個新購圖書經(jīng)費比例方案給出評價值(采用百分制)，系統(tǒng)根據(jù)各個委員的打分，求取每一個新購圖書經(jīng)費比例方案的平均得分，即作為該方案的適應度值。
　　3.1.4　確定遺傳算法優(yōu)化迭代停止條件若適應度函數(shù)的最大值已知，理論上應以找到適應度達到最大值的個體作為遺傳算法迭代終止條件，然而圖書經(jīng)費分配這個具體問題，個體適應度最大值雖然已知(100分)，但當藏書建設委員會的專家較多時，找到這樣的個體幾乎是不可能的，所以具體實現(xiàn)遺傳算法時，采用理想解迭代停止法：預先設定一個低于100分的理想分數(shù)，當某一個體的適應度值達到該分數(shù)時即終止迭代。同時，設定最大遺傳代數(shù)和進化停滯判定條件(若迭代到一定代數(shù)后，連續(xù)若干代群體的最優(yōu)個體的適應度值不再增大，則判定進化停滯。)，到了最大遺傳代數(shù)或進化停滯時，即使當前最優(yōu)個體的適應度值沒有達到理想值也終止迭代。
　　3.1.5　設計遺傳算子，即確定出選擇運算、交叉運算、變異運算等遺傳算子的具體操作方法遺傳算法的進化過程主要包括選擇、交叉和變異，交叉和變異算子用于產(chǎn)生新的個體，而選擇算子保證了遺傳迭代中“適者生存”的群體進化現(xiàn)象，在本模型中體現(xiàn)了專家群體意見求同的意向。下面對本模型中的進化算子進行簡單介紹。
　　?選擇。選擇操作是遺傳算法中實現(xiàn)群體優(yōu)良基因傳播的基本方式，選擇即從當前群體中選擇適應值高的個體以生成繁殖池的過程。遺傳算法中最常用 的選擇方式是輪盤賭(Roulette Wheel)選擇方式，也稱比例選擇或復制，在該方法中，各個個體被選擇的概率和其適應度值成比例。在本模型中，設每次輪盤選擇操作時候選群體規(guī)模為N，則第i個個體被選擇進入繁殖池的概率p.為：
　　
　　顯然，個體適應度越大，其被選擇的概率越高，反之則越低。某個被選擇進入繁殖池后的個體則從候選群體中移除。繁殖池里個體數(shù)達到種群規(guī)模M時則停止輪盤選擇操作。
　　?變異。實數(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。由于新購圖書比例決策問題中有嚴格的條件限制，即各個基因(各種圖書經(jīng)費比例)之和必須等于1，因此，變異操作需要成對進行，即須將每個基因作為一次變異操作對象。具體操作過程是：對繁殖池中的每一個體，依次指定個體編碼串中的相鄰兩個基因為變異點候選；對每一個候選變異點，以預先確定的變異概率進行選擇，如選中，則對一個基因增加△U，另一個基因減少△U。
　　?交叉。交叉操作是遺傳算法中組合出新的個體的主要操作，在串空間進行有效搜索，同時降低對有效模式的破壞概率。一般來講，交叉操作在兩個個體之間進行，但由于新購圖書經(jīng)費比例決策問題中嚴格的條件限制，如采用異體交叉，容易產(chǎn)生大量的無意義個體，因此，本模型中設計的交叉為自體交叉，即：對繁殖池中的每一個體，隨機指定個體編碼串中的兩個基因為交叉候選；對每一個候選點，以預先確定的交叉概率進行選擇，如選中，則互換兩個基因的值。一般來講，交叉概率比變異概率要大。
　　
　　3.2　基于IGA的新購圖書經(jīng)費比例群決策輔助系統(tǒng)流程圖
　　由藏書建設委員會專家群體進行基于IGA模型的新購圖書經(jīng)費比例決策過程如圖2所示。
　　Step1：顯式當前本館圖書結(jié)構(gòu)，作為藏書建設委員會專家們進行新購圖書經(jīng)費比例決策的參考；
　　Step2：根據(jù)以前的圖書經(jīng)費比例案例庫或由各個委員提出若干初始方案，作為初始種群；
　　Step3：將所有個體(各個比例方案)顯式給各個專家；
　　Step4：各個專家綜合各種主、客觀準則和自己主觀認識給定每一個個體的評價值；
　　Step5：藏書建設委員會主持人判斷當前最優(yōu)方案的平均評價值是否達到理想值，如是，則結(jié)束迭代，否則轉(zhuǎn)到Step7；
　　Step6：軟件系統(tǒng)根據(jù)當前進化代數(shù)是否達到規(guī)定值或進化是否已停滯，如是，則結(jié)束迭代，否則轉(zhuǎn)到Step7；
　　Step7：系統(tǒng)進行遺傳操作，包括選擇、交叉、變異，然后轉(zhuǎn)到Step3。
　　
　　4　模擬實驗
　　
　　針對大學圖書館藏書建設中新購圖書經(jīng)費比例決策這樣一個目標難以顯式定量表達的非結(jié)構(gòu)化決策問題，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)境下開發(fā)了一個原型系統(tǒng)(為了簡化開發(fā)，原型系統(tǒng)中進化停止條件僅由最大代數(shù)確定)，進行了新購圖書經(jīng)費比例決策模擬實驗。交叉概率設為O.6，變異概率設為0.15，為了盡量降低應用IGA時人的疲勞問題的影響，最大進化代數(shù)和種群規(guī)模均設置得較小，種群規(guī)模為20，最大迭代次數(shù)為20，初始方案群(第O代)由參與模擬實驗的某圖書館lO位館員提出(每人提出2個)。整個實驗過程費時約2小時。初始最優(yōu)方案平均評價分值為69.6分，實驗中20次迭代結(jié)束時，最優(yōu)方案平均評價分值達到了82.3分。最優(yōu)方案進化情況如圖3所示。
　　分析進化情況可以看到，在最初10代內(nèi)，最優(yōu)個體評價分快速增長，之后總體增長緩慢，甚至出現(xiàn)了評價分振蕩的情況，這可能與隨著評價次數(shù)的增多，館員的疲勞程度增大有關。因此，在實際應用該模型開發(fā)實用系統(tǒng)時，最大進化代數(shù)還可適當減少，同時，在遺傳操作中增加最優(yōu)保留策略，應能避免振蕩。
　　
　　5　結(jié)語
　　
　　目前，已有一些學者進行了將遺傳算法應用于圖書采購決策問題的研究。文獻[6]從盡量滿足讀者采購需求的角度出發(fā)，將每位讀者要求訂購的書目用一個集合來表示，所有讀者的采購要求構(gòu)成一個集合簇，用遺傳算法計算該集合簇的碰集，遺傳運算中適應度由采購方案個體與集合簇中的集合相“碰”的多少來確定；文獻[7]利用神經(jīng)網(wǎng)絡建立圖書的圖書內(nèi)容關鍵詞、圖書分類號、圖書出版社、圖書出版日期、圖書版本號、圖書價格、圖書是否屬于重點學科等7種屬性(作為輸入神經(jīng)元)與是否被采購(作為輸出神經(jīng)元)之間的非線性映射關系，采用遺傳算法對神經(jīng)網(wǎng)絡的權(quán)值、閾值等進行優(yōu)化，遺傳運算中適應度由期望輸出與實際輸出的誤差來確定。這種模型中，圖書屬性與是否被采購的映射關系實際上由訓練樣本情況來決定的，也就是由已購情況預測(決策)待購情況。上述模型針對的都是具體書目的采購決策，考慮的因素均較單一，且在利用遺傳算法時，個體評價函數(shù)(適應度函數(shù))都是能用定量數(shù)學式顯式表達的，本質(zhì)上均是傳統(tǒng)遺傳算法的應用。而大學圖書館藏書建設中新購圖書經(jīng)費比例決策問題需要考慮的影響因素眾多，如學校類型、專業(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)學評價模型是及其困難的。群體決策作為解決非結(jié)構(gòu)化決策問題的重要手段，已越來越引起人們的重視，本文嘗試將群決策引入圖書采購經(jīng)費分配決策問題求解，并采用交互式遺傳算法來解決快速高效達成群體共識這一群決策瓶頸問題。模擬實驗反映出該方法能以較高的效率提高最終購書經(jīng)費比例方案的群體共同認可度。

相關熱詞搜索：遺傳 經(jīng)費 算法 一種基于交互式遺傳算法的圖書經(jīng)費分配群決策模型 圖書情報 圖書情報碩士