基于AHP—GA的和谐校园评价指标体系研究

于俊乐 宋奔

摘 要：鉴于和谐校园评价指标体系，以层次分析法（AHP）为基础，改革其定量分析的不足，在AHP层次分析法基础上综合运用改进的遗传算法（GA）建立数据挖掘模型，并对和谐校园评价指标之间的关系做出了科学的定量分析。为和谐校园评价指标体系量化工作提供了一个广阔的前景。

关键词：数据挖掘；和谐校园；层次分析法（AHP）；遗传算法（GA）

中图分类号：G647 文献标志码：A 文章编号：1002-2589（2013）21-0327-02

引言

和谐校园是以校园作为载体，以文化作为纽带和桥梁，把各种教育的要素组合得适当与匀称，要以人与人、人与社会、人与知识、人与环境等各种关系和因素互相协调，互相默契，形成良性的互动、科学的发展，形成整体效应和优化的育人氛围。高校建设和谐校园，它不仅是构建社会主义和谐社会的必然要求，同时是高校自身建设和发展的必然要求。本文综合运用AHP层次分析法和GA改进的遗传算法，力求解决和谐校园评价指标体系中评价指标的相关联的关系，即评价指标各层次目标权重，做出定量分析；综合运用基于层次分析法（AHP）和改进的遗传算法（GA）设计数据挖掘模型，充分实践评价指标体系中各层次目标权重的最佳定量值。在评价指标体系内容上力求实践性、针对性、现实性；在评价指标体系模型研究的方法上力求多样性、先进性；其结果力求公正性、导向性、科学性。本文研究和解决的问题将对和谐校园评价技术产生积极的影响。

一、挖掘模型及方法的建立

（一）建立和谐校园评价指标体系的层次结构一般模型

建立和谐校园相应的评价指标体系，即对评价指标体系中的评判对象完成层次分析与研究，确定分级评价指标体系，将评价指标所包含的各因素划分为不同的评价层次，这里设最高层、中间层和最底层。最高层表示目标层，即决策者所要达到的目标因素；中间层表示准则层，即衡量是否达到目标的判别准则；最底层表示方案层，即可供选择的方案（解析）。每层之间的连线是各层之间各要素的相关联关系。在同一层次的因素设为比较和评价的准则，将下一层次的各因素设起支配作用，同时它又是设为从属于上一层的因素。这样就给出评价评判对象的因素集和子因素集。

高校和谐校园评价体系的层次结构模型如图1所示。这里的层次结构模型从上至下由目标（顶层）层次A、评价的一级层次B、评价的二级层次C、评价的观测层次D所组成；A层是总目标，只有一个（顶层）要素，B层是n个一级评判指标，即B1，B2，...，Bn所组成，包括了“办学指导思想、师资队伍建设、教学条件利用率”等；C层由m个二级评判指标所构成，即C1，C2，...，Cm所组成，D层是主要观测点（指标的判断说明），即D1，D2，...，Dk所组成。

（二）建立层次要素的判断矩阵

综上所述，通过建立评价判断层次结构模型之后，层与层之间因素的隶属关系就被确定。以此为基础需要对每一层中各个因素的相对重要性给出判断。对同一层各个元素关于上一层中某一元素的重要性进行比较，层次做单排序，建立比较矩阵（即判断矩阵），对每一层因素进行重要程度比较分析，根据AHP层次结构模型算法要求，采用1～9级（度），以倒数的判断度量方法，由专家对各因素及其相对重要性进行打分，并建立判断矩阵。AHP层次法只要求判断矩阵PB具有满意的一致性，尽可能适应实际中各种复杂系统分析与判断。这里判断矩阵PB一致性（收敛）程度取决于评价判断专家们对各因素认识和把握的程度，各因素优劣认识得越清楚，其一致性（收敛）程度就会越高，而且评价判断各因素的优劣正是我们要解决的问题，也是AHP层次分析法解决的实际问题。有时正因为专家们对各因素的优劣不是很清楚的情况下，才显然，式（2-6）中左端的值越小，则评价判断矩阵PB一致性（收敛）程度就越高，当式（2-6）成立时则PB具有完全的一致性。因此，B（2-7）

在式（2-7）分析中，是一致性判断指标函数，权值是wt，t=1，2…n，是优化变量，其他符号同前所述。当PB完全一致性（收敛）时，式（2-6）就完全确定，从而一致性（收敛）式（2-7）取最小值CIF=0，这时式（2-7）的约束条件可知，该评价判断的（全局）最小值便是唯一的值。

（四）运用遗传算法（GA）的数据挖掘分析

由于每个评价判断矩阵是由多个专家根据个人认识和把握程度打分而得，则该量化求解就有多个初始解，优化问题显得很重要。使用常规方法解决和优化这些多个初始解显得很难处理，本文使用遗传算法（GA）解决全局优化问题，而且是常用、求解该问题实用有效的方法。其步骤是。

第一，采用二进制编码对评价判断矩阵PB编码。该矩阵组成一个对称矩阵，只需完成矩阵的一半元素编码即可，即组成4位二进制编码的矩阵，同时由5个专家提出的评价判断矩阵都完成编码后，则就获得了遗传算法要求的一个最初始种群X={xi|i=1，…，5}，即该种群形成了5个初始个体矩阵。

第二，对种群X所有CIF值完成求总计算。计算相对适应度大小值（对每一个个体都计算）m=fi/f，m为概率值（个体被遗传下一代群体的概率），则每一个概率值组成一个小区域，这样就产生了0到1之间随机数，在上述哪个小区域内根据随机数可能出现的金星确定每一个个体被选中的次数。对未能交叉的种群以概率为0.7完成单点交叉，未变异种群也就得到确定，然后再完成未能变异种群的变异。

第三，变异后的种群重插入计算获得最后新种群。将重复上面的运算方法和步骤，直到CIF<0.1时则停止。再完成种群中最优化个体的逆向编码重新构建矩阵，并完成最大特征值计算。此时就获得了目标权重的最佳定量值。同样用此方法对C、D层次各判断矩阵都可以确定相应的一致性指标函数，就可以得到相应的目标权重的最佳值。也就是说评价指标体系中的各目标之间的关系（权重）也就确定，这时就要重新构造和谐校园评价指标体系。

二、实证性数据检验

下面以本文建立的和谐校园评价层次模型为依据，邀请5位专家打分说明和谐校园评价信息挖掘模型计算过程。依据图1.1模型对5位专家打分数据（数据表略）的一级（B层）指标“学校内涵与办学绩效发展”的每个二级（C层）指标以及主要观测点实行两两比较方法得到下面判断矩阵：

计算可得第1层（B层）最优化值CIF=0.0008，第2层（C层）最优化值CIF=0.0012，则可获得目标CIF<0.1，说明有满意的一致性（收敛）程度，此时可以说上述权重确定的值是合理的。

现在对该计算结果进行评述，权重值w1结果说明在“学校内涵与办学绩效发展”中“学生工作”是最主要的评价准则，“科学研究”其次；权重值w2结果说明在“学生工作”中“教学改革学风建设”是最主要的评价准则，“心理健康及职业发展教育”其后。最终通过上述评价层次模型和计算方法对整个学校“和谐水平评估指标体系”权重值完成计算。

三、结论

综合运用AHP-GA数据挖掘方法建立和谐校园评价指标体系，是基于多个专家对评价指标体系某一项因素给出的判断值，并组成判断矩阵，做出其定量分析；解决评价指标体系的各层次目标权重。由于各层次目标权重有多个初始解，使用遗传算法的全局优化方法对其进行优化处理，使求解该问题更加实用有效。在结果上做到了科学性、公正性、导向性，该方法的研究将对和谐校园评价技术产生积极的影响。