基于支配强度的NSGA Ⅱ改进算法在研究生招生面试分组中的应用

doi:10.12005/orms.2022.0329

运筹与管理 ›› 2022, Vol. 31 ›› Issue (10): 127-132.DOI: 10.12005/orms.2022.0329

基于支配强度的NSGA Ⅱ改进算法在研究生招生面试分组中的应用

彭光彬^1,2, 何静媛²

1.重庆机电职业技术大学信息工程学院,重庆 402760;
2.重庆大学计算机学院,重庆 400044

收稿日期:2020-11-05 出版日期:2022-10-25 发布日期:2022-11-14
通讯作者: 何静媛(1975-),女,四川南充人,副教授,博士,研究方向:分布式智能优化、智能家居。
作者简介:彭光彬(1974-),男,重庆渝北人,讲师,硕士,研究方向:智能优化。
基金资助:
教育部新工科研究与实践项目(E-JSJRJ20201335);重庆市高等教育教学改革研究项目(191003);重庆市教育委员会科学技术研究资助项目(KJQN201903701)

Application of Improved NSGA Ⅱ Algorithm Based on Dominance Strength in Graduate Enrollment Interview Groupin

PENG Guang-bin^1,2, HE Jing-yuan²

1. CollegeofInformation Engineering, Chongqing Vocational and Technical University of Mechatronics,Chongqing 402760, China;
2. College of Computer Science, Chongqing University, Chongqing 400044, China

Received:2020-11-05 Online:2022-10-25 Published:2022-11-14

摘要/Abstract

摘要： 针对研究生招生面试分组这一NP难问题,提出了一种以分组遗传算法(GGA)和基于支配强度的改进NSGA Ⅱ算法为基础的混合多目标分组遗传算法。通过基于矩阵编码的多交叉/多变异算子、次精英化的初始化种群策略以及改进的帕累托支配关系,解决了经典NSGA Ⅱ算法在该问题中的收敛速度慢、易陷入局部最优的问题。仿真实验结果表明,该方法只需进行较少代数(不超过100代)的进化,即可获得最优解集,满足了快速分组的用户偏好。

关键词: 面试分组, 多目标优化, NSGA Ⅱ, 分组遗传算法

Abstract: In order to solve the NP hard problem of graduate enrollment interview grouping, a hybrid multi-objective grouping genetic algorithm is proposed. It is integrated with grouping genetic algorithm (GGA) and improved NSGA Ⅱ algorithm based on dominance strength. By using multi-crossover / multi-mutation operator based on matrix coding, sub elitist initialization population strategy and improved Pareto dominance relation, the problems of slow convergence speed and easily falling into local optimum of classical NSGA Ⅱ algorithm in this problem are solved. The simulation results show that the optimal solution sets can be obtained in only a few times of evolution (no more than 100 generations), which meets the user’s preferences of fast grouping.

Key words: interview grouping, multi-objective optimization, NSGA Ⅱ, grouping genetic algorithm

中图分类号:

O221.6
G643

彭光彬, 何静媛. 基于支配强度的NSGA Ⅱ改进算法在研究生招生面试分组中的应用[J]. 运筹与管理, 2022, 31(10): 127-132.

PENG Guang-bin, HE Jing-yuan. Application of Improved NSGA Ⅱ Algorithm Based on Dominance Strength in Graduate Enrollment Interview Groupin[J]. Operations Research and Management Science, 2022, 31(10): 127-132.

参考文献

[1] 刘文丽,吕书龙,梁飞豹.平行面试中的均衡分组模型[J].福州大学学报(自然科学版),2010,38(06):813-818.
[2] 陈媛,樊治平.综合性面试中的面试官分组方法[J].系统工程,2008(01):96-101.
[3] 樊治平,陈媛.科技类评审中项目分组的建模与优化[J].科研管理,2008(06):110-115.
[4] 陈媛,樊治平,谢美萍.综合面试中的均衡分组方法[J].中国管理科学,2014,22(08):123-129.
[5] 叶鑫,王雪,仲秋雁.考虑协同效应的突发事件救援人员分组方法[J].运筹与管理,2015,24(01):237-245.
[6] 樊治平,刘洋,袁媛,朱少华.突发事件应急救援人员的分组方法研究[J].运筹与管理,2012,21(02):1-7.
[7] 许玉龙,孙晓静,曹莉,王晓辉.基于矩阵编码的多目标进化求解面试分组问题[J].计算机工程与应用,2017,53(16):249-257.
[8] Ramos-Figueroa O, Quiroz-Castellanos M, Efrén Mezura-Montes, Schütze O. Metaheuristics to solve grouping problems: a review and a case study[J]. Swarm and Evolutionary Computation, 2020, 53: 100643.
[9] Falkenauer E. A new representation and operators for genetic algorithms applied to grouping problems[J]. Evolutionary Computation, 1994, 2(2): 123-144.
[10] Yasuda K, Hu L, Yin Y. A grouping genetic algorithm for the multi-objective cell formation problem[J]. International Journal of Production Research, 2005, 43(4): 829-853.
[11] Cornelius Rüther, Rieck J. A grouping genetic algorithm for multi depot pickup and delivery problems with time windows and heterogeneous vehicle fleets[C]. Proceedings of the 20th EvoCOP, Seville: Springer, 2020. 148-162.
[12] Deb K, Pratap A, Agrawal S, Meyarivan T. A fast and elitist multi-objective genetic algorithm: NSGA-II[J]. IEEE Transactions on Evolutionary Computation , 2002, 6(2): 182-197.
[13] Zhang Q, Li H. MOEA/D: A multiobjective evolutionary algorithm based on decomposition[J]. IEEE Transactions on Evolutionary Computation, 2007, 11(6): 712-731.
[14] Deb K, Jain H. An evolutionary many-objective optimization algorithm using reference-point-based nondominated sorting approach, part I: solving problems with box constraints[J]. IEEE Transactions on Evolutionary Computation, 2014, 18(4): 577-601.
[15] 毕晓君.计算智能[M].北京:人民邮电出版社,2020.
[16] 赖文星,邓忠民.基于支配强度的NSGA2改进算法[J].计算机科学,2018,045(006):187-192.
[17] 蔡卓森,戴凌全,刘海波,戴会超,董前进,王煜.基于支配强度的NSGA-Ⅱ改进算法在水库多目标优化调度中的应用[J].武汉大学学报(工学版),2021,54(11):999-1007.
[18] 王塞塞,张黎明,王建,吴义志,张凯.基于多目标算法的断块油藏生产优化研究[J].特种油气藏,2019,26(05):124-129.
[19] 刘芳芳,吕林,刘友波,黄杨,刘畅,陈刚,等.高渗透清洁能源的城市高压配电网转供调度策略[J].电力系统保护与控制,2020,48(11):1-9.

基于支配强度的NSGA Ⅱ改进算法在研究生招生面试分组中的应用

Application of Improved NSGA Ⅱ Algorithm Based on Dominance Strength in Graduate Enrollment Interview Groupin

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

[1]	闫森, 齐金平. 考虑需求不确定的多级应急物流设施选址研究[J]. 运筹与管理, 2022, 31(9): 7-13.
[2]	吴暖, 王诺, 吴迪, 汪玲. 考虑客户满意度的计划外来船靠泊调度模型及算法[J]. 运筹与管理, 2022, 31(7): 22-27.
[3]	王俐英, 董厚琦, 宋美琴, 林嘉琳, 曾鸣. 计及需求响应不确定性的综合能源系统多目标优化调度管理[J]. 运筹与管理, 2022, 31(6): 32-39.
[4]	刘超, 李元睿, 谢菁. 基于多目标进化聚类的信用风险特征识别[J]. 运筹与管理, 2022, 31(6): 147-153.
[5]	张志颖, 聂迎春, 刘鑫. 面向可选服务的产品服务系统配置研究[J]. 运筹与管理, 2022, 31(6): 226-232.
[6]	张聆晔, 吕靖, 班豪, 范瀚文. 考虑油膜动态过程的海上溢油应急物资调度优化[J]. 运筹与管理, 2022, 31(4): 35-40.
[7]	原丕业, 刘佳楠, 刘畅, 张萌. 混流装配线平衡问题的多目标优化方法研究[J]. 运筹与管理, 2022, 31(10): 26-32.
[8]	邰世文, 商剑平, 饶卫振. 煤炭码头船货匹配下泊位动态分配多目标优化模型及算法[J]. 运筹与管理, 2022, 31(1): 14-21.
[9]	金秀, 李鹤. 考虑投资者异质信念和目标优先级的投资组合问题研究[J]. 运筹与管理, 2022, 31(1): 183-189.
[10]	陈可嘉, 段瑞明, 刘碧玉, 周晓敏. 模糊置换流水车间调度的多目标模型[J]. 运筹与管理, 2021, 30(8): 28-36.
[11]	郑豆豆龚晶, 高蕾. 基于UTA方法的关键基础设施系统的保护研究[J]. 运筹与管理, 2021, 30(8): 75-80.
[12]	胡文发, 何新华. 绿色建筑前期设计阶段的多目标优化及多属性决策模型[J]. 运筹与管理, 2021, 30(7): 44-49.
[13]	吴澎, 吴群, 周礼刚, 陈华友. 基于多目标属性权重优化的犹豫模糊语言TOPSIS决策方法[J]. 运筹与管理, 2021, 30(6): 42-47.
[14]	王文烈. 政府促进银行实施绿色信贷的多目标优化策略研究[J]. 运筹与管理, 2021, 30(4): 178-183.
[15]	丁秋雷, 胡祥培, 位娟, 姜洋. 动态需求下蓄冷式多温共配多目标优化模型及算法[J]. 运筹与管理, 2021, 30(12): 13-19.