遗传算法视角下创新人才成才特征评价方法研究--中国期刊网

字体：大中小

首页> 原创作品> 正文

遗传算法视角下创新人才成才特征评价方法研究

发表时间：2021/5/12 来源：《基层建设》2021年第1期作者：高莹

[导读] 摘要：本文是在遗传算法的视角下，在创新人才成才影响因素最佳组合发现研究过程和遗传算法流程对照表的基础上，通过遗传算法的0、1编码，选择，交叉，变异，对创新人才成才影响因素进行评价。

        中国石油长庆石化分公司陕西咸阳 712000
        摘要：本文是在遗传算法的视角下，在创新人才成才影响因素最佳组合发现研究过程和遗传算法流程对照表的基础上，通过遗传算法的0、1编码，选择，交叉，变异，对创新人才成才影响因素进行评价。
        关键词：遗传算法；成才；评价
        1 引言
        重视关注创新人才的培养、开发已经成为当前世界范围内热点问题。亚太经合组织、博鳌论坛等国际组织都把人力资源开发，尤其是对创新人才开发的选题作为发展或关注的重要问题。
        21世纪是一个知识化信息化经济全球一体化的时代，知识经济的内动力在于各种创造和革新活动。创新能力决定一个国家和民族在国际竞争和世界总格局中的地位。创新人才内涵丰富，不同学者以不同的视角对其定义并加以研究。理论界基于企业视角研究企业家这种创新人才以及基于创造视角研究科技创新人才的研究的比较多，因为创新人才成才的过程,是一个难以用经典解析函数和理论描述的复杂过程。
        但是如何对创新人才的成才特征进行合理科学的评价却很少见。本文运用遗传算法对创新人才的成才特征进行评价。作为智能优化算法中的遗传算法是模仿自然界生物进化机制发展起来的随机全局搜索和优化方法，是对生物进化过程进行的一种数学仿真。
        2遗传算法
        遗传算法（Genetic Algorithm,简称GA）起源于对生物系统所进行的计算模拟研究。美国Michigan大学的Holland教授及其学生受到生物模拟技术的启发，于1975年首先提出来的一种基于自然群体遗传演化机制的高效探索算法─遗传算法。后来，作为一种优化工具在实践中得到了广泛的应用。
        遗传算法是模仿自然界生物进化机制发展起来的随机全局搜索和优化方法，是对生物进化过程进行的一种数学仿真。它借鉴了孟德尔的遗传说和达尔文的进化论。孟德尔的遗传学认为：遗传是以基因的形式包含在染色体中的，每个基因都有自己特定的位置并控制着个体的某个特性，而由这些基因控制的特性使个体对环境具有一定的适应性，通过基因杂交和基因突变可能产生对环境适应性更强的后代，通过优胜劣汰的自然选择，适应度高的基因结构被保存下来。与此相对应，达尔文的进化论认为每个物种都是朝着越来越适应环境的方向进化的，物种的每个个体都继承了其父代的基本特征，但又不完全与之相同，更能适应环境的个体在进化过程中生存下来，其特征也被保留下来，体现了适者生存的原理。
         遗传算法摒弃了传统的搜索方式，模拟自然界生物进化过程，采用人工进化的方式对目标空间进行随机化搜索。它将问题域中的可能解看作是群体的一个个体或染色体，并将每一个个体编码成符号串形式，模拟达尔文的遗传选择和自然淘汰的生物进化过程，对群体反复进行基于遗传学的操作(遗传，交叉和变异)，根据预定的目标适应度函数对每个个体进行评价，依据适者生存，优胜劣汰的进化规则，不断得到更优的群体，同时以全局并行搜索方式来搜索优化群体中最优个体．求得满足要求的最优解。遗传算法一般结构可以描述如下：
        Procedure: Genetic Algorithms
        Begin
        t ← 0;
        initialize P(t);evaluate P(t);
        while (not termination condition ) do
        begin
          recombine P(t) to yield C(t);
          evaluate C(t);
          select P(t+1) from P(t) and C(t);
          t ← t+1;
        end
        end
        3 评价思路
        遗传算法借用了生物进化中的相关概念，用一系列由0、1组成的计算机程序来实现解决问题的方案。每一个程序都对应于一个问题的解。这一思想和创新人才成才影响因素的评价是对应的。首先，一组评价规则对应于一组计算机程序（一系列0、1字符串）；其次，遗传算法的自然选择规则也和创新人才成才规律相一致。两者比较如下表：
        表1 创新人才成才影响因素最佳组合发现研究过程和遗传算法流程对照表

        将创新人才成才影响因素的评价分数及创新人才质量按照不同程度划分为五级，每个指标分别赋值5、4、3、2、1，各代表极高、很高、较高、一般、较差。当指标等级介于两个相邻等级之间时，相应评分为4.5、3.5、2.5、1.5，分值越大，指标等级越好。选用二进制编码方式，每条染色体代表一组评价分数，即一条染色体代表一位创新人才若干个成才影响因素的评价分数。遗传算法视角下创新人才成才影响因素评价方法步骤如下：
        Step1:针对给出的创新人才成才各个影响因素评价值进行0、1编码。
        Step2:对0、1编码进行交叉、变异操作，得到新的种群。
        Step3:对新的种群进行评价，将大于适应值的保留，再次重复step1。如此循环，直至最优个体出现。

        图1   遗传算法视角的评价步骤
        4 评价应用
        实际问题：假定创新人才成才影响因素家庭教养方式、家庭成员关系、家庭文化氛围、学校心理环境、学校问题环境、学校课程体系、师生交往环境、政策法规环境、创新文化氛围、研究开发投入、个人创新意识、个人创新精神、个人创新人格的初始评价分数。
        问题：通过遗传算法视角使此创新人才质量等级结论为高。
        Step1:染色体结构
        选用二进制编码方式，每条染色体代表一组评价分数，即一条染色体代表一位创新人才13个成才影响因素的评价分数，按从左到右的顺序依次代表家庭教养方式、家庭成员关系、家庭文化氛围、学校心理环境、学校问题环境、学校课程体系、师生交往环境、政策法规环境、创新文化氛围、研究开发投入、个人创新意识、个人创新精神、个人创新人格的评价分数。

图2 一个染色体二进制串

表2 染色体二进制与十进制比较
Table 5-20 Comparison of chromosome binary system and decimal system

        Step2:选择、交叉、变异操作
        选择运算使用轮盘选择算子，交叉运算使用单点交叉算子，变异运算使用基本位变异算子。
        Step3: 目标函数值转为适应度
        对于极大值问题，适应度就等于目标函数值在遗传算法中，评价函数起着自然进化中环境的角色，它通过染色体的适应度对其进行评价。
        5 结论
        本论文的研究的成果可以概括为两个方面，即：第一，从遗传算法视角研究创新人才成才影响因素评价问题。在研究创新人才成才影响因素评价的过程中，应用了智能优化算法中的遗传算法，这一算法的应用突破了以往对创新人才成才影响因素的评价。第二，运用遗传算法中的0、1编码去求解评价问题。通过遗传算法中的0、1编码，进行选择、交叉、变异。本文采用遗传算法可降低计算量，减低复杂程度。
        创新人才的成才影响因素不仅涉及家庭、学校、社会，同时取决于个人因素，既有客观因素，又有主观因素。因此，如何对创新人才成才因素进行评价需要进一步深入研究和完善，要结合现实的客观因素和主观因素。就遗传算法而言，也存在很多相应的缺点。本文为了建立模型的方便和降低问题的复杂程度，是在对问题作了相当的理想假设的基础上建立的模型。
        参考文献：
        [1] 郭啸，陈同扬．非理性因素在企业科技创新人才管理中的价值辨析［J］．中国人才，2012 ( 4) : 283 －284
        [2] 党传升，刘喜华．高等教育创新人才培养的制约因素及改革路径［J］．科学管理研究，2012，28 ( 3) : 113 －120
        [3] 张维和．结构因素对创新人才群体成长的影响［J］．中国高校科技，2011 ( 9) : 62 －65
        [4] Bessaou M, Slarry P. A genetic algorithm with real-value coding to optimize multimodal continuous functions .Struct Multidisc Optim, 2001, 23(1) :63-74.
        [5] Srinivas M, Patnaik L. M. Adaptive Probabilities of Crossover and Mutation in Gas. IEEE Trans. On SMC, 1994,24(4):656-667.
        [6]陆瑾.产业组织演化研究[D].复旦大学博士学位论文,2005.