双边匹配问题广泛存在于社会生活的各个领域,充分挖掘多形式评价背后的隐藏信息,进行有效表达并对匹配模型合理求解是双边匹配理论研究的核心问题。本文针对评价信息为不确定偏好序的情况,在匹配模型中引入后悔理论与公平性原则,设计自适应学习的双子群并行协作粒子群算法进行求解。考虑不确定偏好序双边匹配决策问题中,匹配个体往往缺乏理性判断,提取竞争度和犹豫度两个方面的有效信息作为匹配个体的真实偏好值。考虑匹配个体的心理因素,引入后悔理论计算每个匹配对的后悔值与欣喜值,同时兼顾匹配个体对所有潜在匹配对象的心理感知。考虑实际匹配过程中有时会出现一方个体对匹配方案难以接受的情况,依据公平性原则以及差异度大小赋予匹配对相应权重,降低差异度明显的匹配对的权重,从而使匹配方案相对公平。本文提出双子群协作的粒子群算法用于双边匹配模型求解,为避免过快陷入局部最优,将粒子群分为普通子群和精英子群。普通子群将最近两代的最大适应值作为动态系数指导粒子学习其他优秀位置和个体最差位置,通过引入更多学习源来避免陷入局部最优。精英子群在粒子速度与位置更新后,利用群体最优位置和群体最差位置动态调节群体次优位置进行局部搜索与学习,提高算法的求解精度。模拟实验结果表明,引入后悔理论提高了匹配方案的综合感知效用值,加入公平性原则使匹配双方的差异度显著降低；与基本粒子群算法相比,双子群协作粒子群算法能更大程度地跳出局部最优解,令匹配方案的综合感知效用值明显提高。
