CN116797423A - 一种基于全局优化的高校自动快速排课方法与*** - Google Patents
一种基于全局优化的高校自动快速排课方法与*** Download PDFInfo
- Publication number
- CN116797423A CN116797423A CN202311063206.4A CN202311063206A CN116797423A CN 116797423 A CN116797423 A CN 116797423A CN 202311063206 A CN202311063206 A CN 202311063206A CN 116797423 A CN116797423 A CN 116797423A
- Authority
- CN
- China
- Prior art keywords
- course
- course arrangement
- arrangement
- lesson
- automatic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 73
- 230000006870 function Effects 0.000 claims description 141
- 241001147416 Ursus maritimus Species 0.000 claims description 132
- 239000011159 matrix material Substances 0.000 claims description 60
- 238000007599 discharging Methods 0.000 claims description 12
- 238000012163 sequencing technique Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 239000006185 dispersion Substances 0.000 abstract description 5
- 230000002349 favourable effect Effects 0.000 abstract description 3
- 230000003313 weakening effect Effects 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及自动排课的技术领域,公开了一种基于全局优化的高校自动快速排课方法与***,所述方法包括:构建高校自动排课分层模型并建立排课冲突约束;基于高校自动排课分层模型中的选课信息构建排课优先度目标函数;对构建的排课优先度目标函数进行全局优化求解得到不同课程的排课顺序;构建高校自动排课分层模型的目标函数,基于排课冲突约束进行优化求解,生成高校排课结果。本发明课程课时总数以及课程课时的分布确定不同课程课时的排课顺序,增强同一课程不同课时的排序分散程度,避免学生在短期内过多上同一课程,基于是否存在排课冲突进行多方向的排课结果更新,有利于使得排课结果向减弱排课冲突的方向移动,快速得到有效的排课结果。
Description
技术领域
本发明涉及自动排课的技术领域,尤其涉及一种基于全局优化的高校自动快速排课方法与***。
背景技术
目前高校尤其是综合类高校,自动排课功能是学校重点核心功能。自动排课可以大量节约工作人员的时间,从早期采用手工排课的平均排课时长约1个月,采用计算机自动排课降低至2周左右。自动排课中主要耗费时间是教室集合、教师集合、班级集合冲突检查算法。传统的自动排课冲突检查算法,主要是通过数据库不断轮询数据库方式,每一次检查都需要连接一次数据库,造成巨大的连接浪费,其他采用缓存的方式由于没有算法模型的支撑,提升效果不明显。由于自动排课问题本质上是一种NP问题,传统的排课算法只适用于在合理的时间内解决小规模问题实例,应用于较大排课规模时存在较大时间消耗。针对该问题,本发明提出一种基于全局优化的高校自动快速排课方法,提高高校自动排课效率。
发明内容
有鉴于此,本发明提供一种基于全局优化的高校自动快速排课方法与***,目的在于:1)通过对选课信息进行分层,得到高校自动排课分层模型以及四层选课信息,并分别对每层选课信息构建cube立方体,进而构建排课冲突约束,并根据选课信息构建排课优先度目标函数,优先对课时数较多的课程课时进行排课,并增强同一课程不同课时的排序分散程度,避免学生在短期内过多上同一课程,影响学生的学习效率,通过模拟北极熊的捕猎模式生成捕猎半径,基于捕猎半径对任意课程课时的排课顺序进行全局搜索更新,调整不同课程课时的排课顺序,并结合种群的繁衍以及灭亡机制动态调整种群规模,从而增加新解以及删除最差解,扩大解的搜索空间,生成全局最优的课程排课顺序;2)基于学生每日的最大课时数、教师每日的最大课时数以及同一课程的短期排课频率构建高校自动排课分层模型的目标函数,即考虑学生上课以及教师授课的心理状态构建目标函数,提高学习效率,基于智能分层cube算法模型生成初始排课结果,有效保证所生成初始排课结果不存在排课冲突,且只有初始化与检测排课冲突时读取数据库,极大的降低对网络带宽的要求,同时也降低了排课服务器数量和硬件要求,并当排课结果不存在排课冲突时,对排课结果进行随机交换和调整处理,使其在原始排课结果处发生轻微扰动,有利于搜索空间向全局最优范围靠拢,而当排课结果存在排课冲突时,则基于排课冲突约束的方向对高校排课结果进行更新,有利于使得排课结果向减弱排课冲突的方向移动,快速得到有效的排课结果。
实现上述目的,本发明提供的一种基于全局优化的高校自动快速排课方法,包括以下步骤:
S1:构建高校自动排课分层模型并建立排课冲突约束,所构建模型包括学生集合、课程集合、教师集合以及教室集合的选课信息;
S2:基于高校自动排课分层模型中的选课信息构建排课优先度目标函数;
S3:对构建的排课优先度目标函数进行全局优化求解得到不同课程的排课顺序,其中改进的北极熊优化算法为所述全局优化的主要实施方法;
S4:按照不同课程的排课顺序构建高校自动排课分层模型的目标函数,并基于排课冲突约束对目标函数进行优化求解,生成高校排课结果,
所述基于排课冲突约束对目标函数进行优化求解,生成高校排课结果包括以下步骤:
S41:通过随机优化策略动态变异高校排课结果判断是否满足排课约束;
S42:在满足约束条件下计算相应目标函数值;
S43:将所有可行的高校排课结果中目标函数值最小的高校排课结果作为最终的排课输出;
其中改进的可行方向法为所述优化求解的主要实施方法。
作为本发明的进一步改进方法:
可选地,所述S1步骤中构建高校自动排课分层模型,包括:
构建高校自动排课分层模型,其中所构建模型分为四层选课信息,包括学生集合、课程集合、教师集合以及教室集合的选课信息;
所述学生集合的表示形式为:
;
其中:
表示高校中第i名学生,/>表示高校学生的总数;
表示学生/>的选课集合;
所述课程集合的表示形式为:
;
其中:
表示第j门课程的编号,/>表示课程/>的选课学生集合,/>表示课程的课时数,/>表示高校的课程总数;
所述教师集合的表示形式为:,其中/>表示第n名高校教师,N表示高校教师的总数;
所述教室集合的表示形式为:,其中/>表示第m间教室,M表示高校中教室的总数;
建立不同层选课信息之间的映射关系:
;
其中:
表示高校教师/>在教室/>教授课程/>,且学生/>选到了课程/>,若/>则上述表示不成立;
初始化生成不同层选课信息与排课时间的矩阵表示形式,并将矩阵表示形式构建为cube立方体,其中矩阵的列数Q为一学期的上课日期数,矩阵的行数P为每天的上课节数;
课程与排课时间的矩阵元素表示形式为:/>,/>表示第q个上课日期的第p节课被安排为课程/>,否则表示未被安排为课程/>,表示课程/>与排课时间所构成矩阵的第q列第p行元素,并将J门课程与排课时间的矩阵表示形式构建为cube立方体;其中/>;
学生与排课时间的矩阵元素表示形式为:/>,/>表示学生/>在第q个上课日期的第p节课有课,/>表示学生/>与排课时间所构成矩阵的第q列第p行元素,并将num名学生与排课时间的矩阵表示形式构建为cube立方体;
高校教师与排课时间的矩阵元素表示形式为:/>,表示高校教师/>在第q个上课日期的第p节课有课,高校教师/>表示高校教师/>与排课时间所构成矩阵的第q列第p行元素,并将N名高校教师与排课时间的矩阵表示形式构建为cube立方体;
教室与排课时间的矩阵元素表示形式为:/>,表示教室/>在第q个上课日期的第p节课有课,教室/>表示教室与排课时间所构成矩阵的第q列第p行元素,并将M间教室与排课时间的矩阵表示形式构建为cube立方体;
将不同层的选课信息、不同层选课信息之间的映射关系以及不同层选课信息与排课时间所构成的cube立方体作为高校自动排课分层模型。
可选地,所述S1步骤中建立排课冲突约束,包括:
建立排课冲突约束,所述排课冲突约束包括:
;
;
;
其中:
表示学生排课时间冲突约束,即学生/>在任意第q个上课日期的第p节课仅上一门课程;
表示教室排课时间冲突约束,/>表示任意第q个上课日期的第p节课为课程/>,且上课地点在教室/>;
表示课程/>中任意课时的排课时间为第q个上课日期的第p节课,表示教室/>在任意第q个上课日期的第p节课仅上一门课程,且只有教室/>在任意第q个上课日期的第p节课被安排了课程/>的课时;
表示教师排课时间冲突,即高校教师/>在任意第q个上课日期的第p节课仅上一门课程。
可选地,所述S2步骤中构建排课优先度目标函数,包括:
构建排课优先度目标函数,其中排课优先度目标函数为:
;
;
;
其中:
表示按照排课优先度进行排序的课程课时排序顺序,/>表示排序后的第k个课程课时,其中每门课程包含若干课时,课程/>对应的课时数为/>;本发明实施例中,每门课时对应一节课;
表示排序后课程/>后,/>所对应课程的剩余课时数,其中剩余课时数不包括已排序的课程课时;
表示课程/>的第u个课时的排序顺序,/>表示课程/>的第u+1个课时的排序顺序,/>。
在本发明实施例中,表示课时数较多的课程排序编号更靠前,即/>更大,并引入参数/>,为使该参数达到最小,排课优先度目标函数达到最大,则同一课程的相邻课时之间的排序间隔接近1.5P,增强同一课程不同课时的排序分散程度。
可选地,所述S3步骤中对构建的排课优先度目标函数进行全局优化求解得到不同课程的排课顺序,包括:
对所构建的排课优先度目标函数进行全局优化求解得到不同课程的排课顺序,其中全局优化求解流程为:
S31:确定全局优化求解的最大迭代求解次数为Max,当前迭代次数为t,t的初始值为0,北极熊种群的最大种群数为H;
S32:初始化生成0.7H个北极熊构成北极熊种群,其中每个北极熊对应一组K个课程课时的排课顺序,北极熊种群第h个北极熊的初始表示形式为:
;
其中:
表示第k个排课顺序的课程课时;
则第h个北极熊在第t次迭代后的表示形式为;
S33:设置全局优化求解流程的适应度函数为排课优先度目标函数,将北极熊的表示形式带入到排课优先度目标函数中,得到北极熊的适应度函数值,其中第t次迭代得到的第h个北极熊的适应度函数值为;
S34:随机生成在第t+1次迭代前,各北极熊在不同课程课时的行进角度,其中行进角度/>的取值范围为/>,则/>所对应的行进角度为/>,并生成各北极熊的初始行进角度,初始行进角度的范围为/>,其中第h个北极熊的初始行进角度为/>;
S35:计算在第t+1次迭代前,各北极熊的移动半径,其中第h个北极熊的移动半径为:
;
其中:
表示0-1之间的随机数;
S36:基于北极熊的移动半径,对北极熊各课程课时的排课顺序进行更新,其中第h个北极熊的第k个排课顺序课程课时的排课顺序更新结果/>为:
;
并将课程课时移动到排课顺序/>位置,令k=k+1,重复步骤S36,直到对所有课程课时进行排课顺序更新,其中k的初始值为1;
计算更新后北极熊的适应度函数值/>,得到第h个北极熊的t+1次迭代结果:
;
其中:
表示第h个北极熊更新排课顺序后的更新结果;
S37:计算北极熊种群中第t+1次迭代后所有北极熊的适应度函数值,并随机产生0-1之间的随机数,若所产生随机数小于0.2,且当前北极熊种群中北极熊数目大于0.5H,则删除第t+1次迭代后适应度函数值最小的北极熊;
S38:若当前北极熊种群中北极熊的数目小于H-1,则利用下式繁衍一只新的北极熊:
;
其中:
为繁衍得到的北极熊;
表示第t+1次迭代后,适应度函数值最大的北极熊,/>表示除/>外,适应度函数值最大的前5%北极熊中的随机北极熊,/>表示将两个北极熊的表示形式混合在一起,构成一个包含K个不同课程课时的排课顺序结果,作为繁衍得到的北极熊;
S39:若,则令/>,返回步骤S34,否则选取北极熊/>所对应的课程课时排课顺序作为输出结果。在本发明实施例中,通过模拟北极熊的捕猎模式生成捕猎半径,基于捕猎半径对任意课程课时的排课顺序进行全局搜索更新,调整不同课程课时的排课顺序,并结合种群的繁衍以及灭亡机制动态调整种群规模,从而增加新解以及删除最差解,扩大解的搜索空间,生成全局最优的课程排课顺序。
可选地,所述S4步骤中按照不同课程的排课顺序构建高校自动排课分层模型的目标函数,包括:
按照不同课程的排课顺序构建高校自动排课分层模型的目标函数,其中高校自动排课分层模型的目标函数为:
;
;
其中:
为高校自动排课分层模型的目标函数,W表示J门课程与排课时间以及教室安排的矩阵表示形式,矩阵的列数为K,对应K个不同的课程课时,行数为1,矩阵元素值为每个课程课时的排课时间以及教室安排的编码表示,编码表示结果即为排课结果,并基于W填充高校自动排课分层模型中不同层选课信息与排课时间所构成的cube立方体,得到目标函数值/>;
表示学生/>在一天中所上的最大课时数,/>表示高校教师/>在一天中所上的最大课时数;
课程/>的第u个课时的排课时间。
可选地,所述S4步骤中基于排课冲突约束对目标函数进行优化求解,生成高校排课结果,包括:
S41:通过随机优化策略动态变异高校排课结果判断是否满足排课约束;
按照不同课程的排课顺序生成Z组初始高校排课结果,其中第z组初始高校排课结果为,设置当前优化求解的优化次数为d,d的初始值为0,最大值为D,则第z组初始高校排课结果在第d次优化后的值为/>,/>;在本发明实施例中,初始高校排课结果的生成流程为:
初始化生成日期与m个教室的cube立方体C,若教室在日期q的cube立方体值为1,则表示教室/>在日期q被占满,否则教室/>在日期q的cube立方体值为0;
按照不同课程课时的排课顺序,对课程课时进行排序;随机选取排课日期,并在排课日期中选取cube立方体C的值不为1的教室,并随机选取该教室的空闲上课时间作为排课结果,重复该步骤,直到得到所有课程课时的排课时间以及教室;
S42:在满足约束条件下计算相应目标函数值;
S421:根据高校排课结果填充高校自动排课分层模型中不同层选课信息与排课时间所构成的cube立方体,得到高校排课结果的目标函数值,其中的目标函数值为;
S422:基于排课冲突约束检验任意高校排课结果是否存在排课冲突,若不存在排课冲突,则依照更新概率/>对高校排课结果/>进行下述更新:
;
;
其中:
表示对高校排课结果中的任意两个课程课时的排课结果进行交换,以及随机调整任意课程课时的排课时间或者教室;在本发明实施例中,排课冲突的检查方式为基于排课冲突约束对cube立方体中的存储值进行检查;
若存在排课冲突,则对高校排课结果进行下述更新:
;
其中:
表示将/>带入排课冲突约束的梯度;
S43:将所有可行的高校排课结果中目标函数值最小的高校排课结果作为最终的排课输出;
若,则令/>,返回步骤S42,否则选取当前不存在排课冲突以及目标函数值最小的高校排课结果作为输出;
利用所生成的高校排课结果进行高校自动排课。
在本发明实施例中,本发明通过基于智能分层cube算法模型生成初始排课结果,有效保证所生成初始排课结果不存在排课冲突,且只有初始化与检测排课冲突时读取数据库,极大的降低对网络带宽的要求,同时也降低了排课服务器数量和硬件要求,并当排课结果不存在排课冲突时,对排课结果进行随机交换和调整处理,使其在原始排课结果处发生轻微扰动,有利于搜索空间向全局最优范围靠拢,而当排课结果存在排课冲突时,则基于排课冲突约束的方向对高校排课结果进行更新,有利于使得排课结果向减弱排课冲突的方向移动。
为了解决上述问题,本发明提供一种基于全局优化的高校自动快速排课***,所述***包括:
高校排课分层模块,用于构建高校自动排课分层模型并建立排课冲突约束,所构建模型包括学生集合、课程集合、教师集合以及教室集合的选课信息;
排课顺序计算模块,用于基于高校自动排课分层模型中的选课信息构建排课优先度目标函数,对构建的排课优先度目标函数进行全局优化求解得到不同课程的排课顺序;
自动排课模块,用于按照不同课程的排课顺序构建高校自动排课分层模型的目标函数,并基于排课冲突约束对目标函数进行优化求解,生成高校排课结果。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;
通信接口,实现电子设备通信;及
处理器,执行所述存储器中存储的指令以实现上述所述的基于全局优化的高校自动快速排课方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于全局优化的高校自动快速排课方法。
相对于现有技术,本发明提出一种基于全局优化的高校自动快速排课方法,该技术具有以下优势:
首先,本方案提出一种排课顺序确定方法,其中排课优先度目标函数为:
;
;
;
其中:
表示按照排课优先度进行排序的课程课时排序顺序,/>表示排序后的第k个课程课时,其中每门课程包含若干课时,课程/>对应的课时数为/>;
表示排序后课程/>后,/>所对应课程的剩余课时数,其中剩余课时数不包括已排序的课程课时;
表示课程/>的第u个课时的排序顺序,/>表示课程/>的第u+1个课时的排序顺序,/>;对所构建的排课优先度目标函数进行全局优化求解得到不同课程的排课顺序,其中全局优化求解流程为:确定全局优化求解的最大迭代求解次数为Max,当前迭代次数为t,t的初始值为0,北极熊种群的最大种群数为H;初始化生成0.7H个北极熊构成北极熊种群,其中每个北极熊对应一组K个课程课时的排课顺序,北极熊种群第h个北极熊的初始表示形式/>为:
;
其中:
表示第k个排课顺序的课程课时;则第h个北极熊在第t次迭代后的表示形式为/>;设置全局优化求解流程的适应度函数为排课优先度目标函数,将北极熊的表示形式带入到排课优先度目标函数中,得到北极熊的适应度函数值,其中第t次迭代得到的第h个北极熊的适应度函数值为/>;随机生成在第t+1次迭代前,各北极熊在不同课程课时的行进角度/>,其中行进角度/>的取值范围为/>,则/>所对应的行进角度为/>,并生成各北极熊的初始行进角度,初始行进角度的范围为/>,其中第h个北极熊的初始行进角度为/>;计算在第t+1次迭代前,各北极熊的移动半径,其中第h个北极熊的移动半径为:
;
其中:
表示0-1之间的随机数;基于北极熊的移动半径,对北极熊各课程课时的排课顺序进行更新,其中第h个北极熊的第k个排课顺序课程课时/>的排课顺序更新结果/>为:
;
并将课程课时移动到排课顺序/>位置,令k=k+1,重复步骤S36,直到对所有课程课时进行排课顺序更新,其中k的初始值为1;计算更新后北极熊/>的适应度函数值/>,得到第h个北极熊的t+1次迭代结果:
;
其中:
表示第h个北极熊更新排课顺序后的更新结果;计算北极熊种群中第t+1次迭代后所有北极熊的适应度函数值,并随机产生0-1之间的随机数,若所产生随机数小于0.2,且当前北极熊种群中北极熊数目大于0.5H,则删除第t+1次迭代后适应度函数值最小的北极熊;若当前北极熊种群中北极熊的数目小于H-1,则利用下式繁衍一只新的北极熊:
;
其中:
为繁衍得到的北极熊;/>表示第t+1次迭代后,适应度函数值最大的北极熊,表示除/>外,适应度函数值最大的前5%北极熊中的随机北极熊,/>表示将两个北极熊的表示形式混合在一起,构成一个包含K个不同课程课时的排课顺序结果,作为繁衍得到的北极熊;若/>,则令/>,返回上述,否则选取北极熊/>所对应的课程课时排课顺序作为输出结果。本方案通过对选课信息进行分层,得到高校自动排课分层模型以及四层选课信息,并分别对每层选课信息构建cube立方体,进而构建排课冲突约束,并根据选课信息构建排课优先度目标函数,优先对课时数较多的课程课时进行排课,并增强同一课程不同课时的排序分散程度,避免学生在短期内过多上同一课程,影响学生的学习效率,通过模拟北极熊的捕猎模式生成捕猎半径,基于捕猎半径对任意课程课时的排课顺序进行全局搜索更新,调整不同课程课时的排课顺序,并结合种群的繁衍以及灭亡机制动态调整种群规模,从而增加新解以及删除最差解,扩大解的搜索空间,生成全局最优的课程排课顺序。
同时,本方案提出一种自动排课方法,按照不同课程的排课顺序构建高校自动排课分层模型的目标函数,其中高校自动排课分层模型的目标函数为:
;
;
其中:
为高校自动排课分层模型的目标函数,W表示J门课程与排课时间以及教室安排的矩阵表示形式,矩阵的列数为K,对应K个不同的课程课时,行数为1,矩阵元素值为每个课程课时的排课时间以及教室安排的编码表示,编码表示结果即为排课结果,并基于W填充高校自动排课分层模型中不同层选课信息与排课时间所构成的cube立方体,得到目标函数值/>;
表示学生/>在一天中所上的最大课时数,/>表示高校教师/>在一天中所上的最大课时数;/>课程/>的第u个课时的排课时间。本方案基于学生每日的最大课时数、教师每日的最大课时数以及同一课程的短期排课频率构建高校自动排课分层模型的目标函数,即考虑学生上课以及教师授课的心理状态构建目标函数,提高学习效率,基于智能分层cube算法模型生成初始排课结果,有效保证所生成初始排课结果不存在排课冲突,且只有初始化与检测排课冲突时读取数据库,极大的降低对网络带宽的要求,同时也降低了排课服务器数量和硬件要求,并当排课结果不存在排课冲突时,对排课结果进行随机交换和调整处理,使其在原始排课结果处发生轻微扰动,有利于搜索空间向全局最优范围靠拢,而当排课结果存在排课冲突时,则基于排课冲突约束的方向对高校排课结果进行更新,有利于使得排课结果向减弱排课冲突的方向移动,快速得到有效的排课结果。
附图说明
图1为本发明一实施例提供的一种基于全局优化的高校自动快速排课方法的流程示意图;
图2为本发明一实施例提供的基于全局优化的高校自动快速排课***的功能模块图;
图3为本发明一实施例提供的实现基于全局优化的高校自动快速排课方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种基于全局优化的高校自动快速排课方法。所述基于全局优化的高校自动快速排课方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述基于全局优化的高校自动快速排课方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
实施例1
S1:构建高校自动排课分层模型并建立排课冲突约束,所构建模型包括学生集合、课程集合、教师集合以及教室集合的选课信息。
所述S1步骤中构建高校自动排课分层模型,包括:
构建高校自动排课分层模型,其中所构建模型分为四层选课信息,包括学生集合、课程集合、教师集合以及教室集合的选课信息;
所述学生集合的表示形式为:
;
其中:
表示高校中第i名学生,/>表示高校学生的总数;
表示学生/>的选课集合;
所述课程集合的表示形式为:
;
其中:
表示第j门课程的编号,/>表示课程/>的选课学生集合,/>表示课程的课时数,/>表示高校的课程总数;
所述教师集合的表示形式为:,其中/>表示第n名高校教师,N表示高校教师的总数;
所述教室集合的表示形式为:,其中/>表示第m间教室,M表示高校中教室的总数;
建立不同层选课信息之间的映射关系:
;
其中:
表示高校教师/>在教室/>教授课程/>,且学生/>选到了课程/>,若/>则上述表示不成立;
初始化生成不同层选课信息与排课时间的矩阵表示形式,并将矩阵表示形式构建为cube立方体,其中矩阵的列数Q为一学期的上课日期数,矩阵的行数P为每天的上课节数;
课程与排课时间的矩阵元素表示形式为:/>,/>表示第q个上课日期的第p节课被安排为课程/>,否则表示未被安排为课程/>,表示课程/>与排课时间所构成矩阵的第q列第p行元素,并将J门课程与排课时间的矩阵表示形式构建为cube立方体;其中/>;
学生与排课时间的矩阵元素表示形式为:/>,/>表示学生/>在第q个上课日期的第p节课有课,/>表示学生/>与排课时间所构成矩阵的第q列第p行元素,并将num名学生与排课时间的矩阵表示形式构建为cube立方体;
高校教师与排课时间的矩阵元素表示形式为:/>,表示高校教师/>在第q个上课日期的第p节课有课,高校教师/>表示高校教师/>与排课时间所构成矩阵的第q列第p行元素,并将N名高校教师与排课时间的矩阵表示形式构建为cube立方体;
教室与排课时间的矩阵元素表示形式为:/>,/>表示教室/>在第q个上课日期的第p节课有课,教室/>表示教室与排课时间所构成矩阵的第q列第p行元素,并将M间教室与排课时间的矩阵表示形式构建为cube立方体;
将不同层的选课信息、不同层选课信息之间的映射关系以及不同层选课信息与排课时间所构成的cube立方体作为高校自动排课分层模型。
所述S1步骤中建立排课冲突约束,包括:
建立排课冲突约束,所述排课冲突约束包括:
;
;
;
其中:
表示学生排课时间冲突约束,即学生/>在任意第q个上课日期的第p节课仅上一门课程;
表示教室排课时间冲突约束,/>表示任意第q个上课日期的第p节课为课程/>,且上课地点在教室/>;
表示课程/>中任意课时的排课时间为第q个上课日期的第p节课,表示教室/>在任意第q个上课日期的第p节课仅上一门课程,且只有教室/>在任意第q个上课日期的第p节课被安排了课程/>的课时;
表示教师排课时间冲突,即高校教师/>在任意第q个上课日期的第p节课仅上一门课程。
S2:基于高校自动排课分层模型中的选课信息构建排课优先度目标函数。
所述S2步骤中构建排课优先度目标函数,包括:
构建排课优先度目标函数,其中排课优先度目标函数为:
;
;
;/>
其中:
表示按照排课优先度进行排序的课程课时排序顺序,/>表示排序后的第k个课程课时,其中每门课程包含若干课时,课程/>对应的课时数为/>;在本发明实施例中,每门课时对应一节课;
表示排序后课程/>后,/>所对应课程的剩余课时数,其中剩余课时数不包括已排序的课程课时;
表示课程/>的第u个课时的排序顺序,/>表示课程/>的第u+1个课时的排序顺序,/>。
在本发明实施例中,表示课时数较多的课程排序编号更靠前,即/>更大,并引入参数/>,为使该参数达到最小,排课优先度目标函数达到最大,则同一课程的相邻课时之间的排序间隔接近1.5P,增强同一课程不同课时的排序分散程度。
S3:对构建的排课优先度目标函数进行全局优化求解得到不同课程的排课顺序。
所述S3步骤中对构建的排课优先度目标函数进行全局优化求解得到不同课程的排课顺序,包括:
对所构建的排课优先度目标函数进行全局优化求解得到不同课程的排课顺序,其中全局优化求解流程为:
S31:确定全局优化求解的最大迭代求解次数为Max,当前迭代次数为t,t的初始值为0,北极熊种群的最大种群数为H;
S32:初始化生成0.7H个北极熊构成北极熊种群,其中每个北极熊对应一组K个课程课时的排课顺序,北极熊种群第h个北极熊的初始表示形式为:
;
其中:
表示第k个排课顺序的课程课时;
则第h个北极熊在第t次迭代后的表示形式为;
S33:设置全局优化求解流程的适应度函数为排课优先度目标函数,将北极熊的表示形式带入到排课优先度目标函数中,得到北极熊的适应度函数值,其中第t次迭代得到的第h个北极熊的适应度函数值为;
S34:随机生成在第t+1次迭代前,各北极熊在不同课程课时的行进角度,其中行进角度/>的取值范围为/>,则/>所对应的行进角度为/>,并生成各北极熊的初始行进角度,初始行进角度的范围为/>,其中第h个北极熊的初始行进角度为/>;
S35:计算在第t+1次迭代前,各北极熊的移动半径,其中第h个北极熊的移动半径为:
;
其中:
表示0-1之间的随机数;/>
S36:基于北极熊的移动半径,对北极熊各课程课时的排课顺序进行更新,其中第h个北极熊的第k个排课顺序课程课时的排课顺序更新结果/>为:
;
并将课程课时移动到排课顺序/>位置,令k=k+1,重复步骤S36,直到对所有课程课时进行排课顺序更新,其中k的初始值为1;
计算更新后北极熊的适应度函数值/>,得到第h个北极熊的t+1次迭代结果:
;
其中:
表示第h个北极熊更新排课顺序后的更新结果;
S37:计算北极熊种群中第t+1次迭代后所有北极熊的适应度函数值,并随机产生0-1之间的随机数,若所产生随机数小于0.2,且当前北极熊种群中北极熊数目大于0.5H,则删除第t+1次迭代后适应度函数值最小的北极熊;
S38:若当前北极熊种群中北极熊的数目小于H-1,则利用下式繁衍一只新的北极熊:
;
其中:
为繁衍得到的北极熊;
表示第t+1次迭代后,适应度函数值最大的北极熊,/>表示除/>外,适应度函数值最大的前5%北极熊中的随机北极熊,/>表示将两个北极熊的表示形式混合在一起,构成一个包含K个不同课程课时的排课顺序结果,作为繁衍得到的北极熊;
S39:若,则令/>,返回步骤S34,否则选取北极熊/>所对应的课程课时排课顺序作为输出结果。
S4:按照不同课程的排课顺序构建高校自动排课分层模型的目标函数,并基于排课冲突约束对目标函数进行优化求解,生成高校排课结果。
所述S4步骤中按照不同课程的排课顺序构建高校自动排课分层模型的目标函数,包括:
按照不同课程的排课顺序构建高校自动排课分层模型的目标函数,其中高校自动排课分层模型的目标函数为:
;
;
其中:
为高校自动排课分层模型的目标函数,W表示J门课程与排课时间以及教室安排的矩阵表示形式,矩阵的列数为K,对应K个不同的课程课时,行数为1,矩阵元素值为每个课程课时的排课时间以及教室安排的编码表示,编码表示结果即为排课结果,并基于W填充高校自动排课分层模型中不同层选课信息与排课时间所构成的cube立方体,得到目标函数值/>;
表示学生/>在一天中所上的最大课时数,/>表示高校教师/>在一天中所上的最大课时数;
课程/>的第u个课时的排课时间。
所述S4步骤中基于排课冲突约束对目标函数进行优化求解,生成高校排课结果,包括:
S41:通过随机优化策略动态变异高校排课结果判断是否满足排课约束;
按照不同课程的排课顺序生成Z组初始高校排课结果,其中第z组初始高校排课结果为,设置当前优化求解的优化次数为d,d的初始值为0,最大值为D,则第z组初始高校排课结果在第d次优化后的值为/>,/>;
S42:在满足约束条件下计算相应目标函数值;
S421:根据高校排课结果填充高校自动排课分层模型中不同层选课信息与排课时间所构成的cube立方体,得到高校排课结果的目标函数值,其中的目标函数值为;
S422:基于排课冲突约束检验任意高校排课结果是否存在排课冲突,若不存在排课冲突,则依照更新概率/>对高校排课结果/>进行下述更新:
;
;
其中:
表示对高校排课结果中的任意两个课程课时的排课结果进行交换,以及随机调整任意课程课时的排课时间或者教室;
若存在排课冲突,则对高校排课结果进行下述更新:
;
其中:
表示将/>带入排课冲突约束的梯度;
S43:将所有可行的高校排课结果中目标函数值最小的高校排课结果作为最终的排课输出;
若,则令/>,返回步骤S42,否则选取当前不存在排课冲突以及目标函数值最小的高校排课结果作为输出;
利用所生成的高校排课结果进行高校自动排课。
实施例2
如图2所示,是本发明一实施例提供的基于全局优化的高校自动快速排课***的功能模块图,其可以实现实施例1中的基于全局优化的高校自动快速排课方法。
本发明所述基于全局优化的高校自动快速排课***100可以安装于电子设备中。根据实现的功能,所述基于全局优化的高校自动快速排课***可以包括高校排课分层模块101、排课顺序计算模块102及自动排课模块103。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
高校排课分层模块101,用于构建高校自动排课分层模型并建立排课冲突约束,所构建模型包括学生集合、课程集合、教师集合以及教室集合的选课信息;
排课顺序计算模块102,用于基于高校自动排课分层模型中的选课信息构建排课优先度目标函数,对构建的排课优先度目标函数进行全局优化求解得到不同课程的排课顺序;
自动排课模块103,用于按照不同课程的排课顺序构建高校自动排课分层模型的目标函数,并基于排课冲突约束对目标函数进行优化求解,生成高校排课结果。
详细地,本发明实施例中所述基于全局优化的高校自动快速排课***100中的所述各模块在使用时采用与上述的图1中所述的基于全局优化的高校自动快速排课方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
实施例3
如图3所示,是本发明一实施例提供的实现基于全局优化的高校自动快速排课方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信接口13和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如程序12。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card, SMC)、安全数字(SecureDigital, SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如程序12的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(用于实现基于全局优化的高校自动快速排课的程序12等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述通信接口13可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接,并实现电子设备内部组件之间的连接通信。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的程序12是多个指令的组合,在所述处理器10中运行时,可以实现:
构建高校自动排课分层模型并建立排课冲突约束;
基于高校自动排课分层模型中的选课信息构建排课优先度目标函数;
对构建的排课优先度目标函数进行全局优化求解得到不同课程的排课顺序;
按照不同课程的排课顺序构建高校自动排课分层模型的目标函数,并基于排课冲突约束对目标函数进行优化求解,生成高校排课结果。
具体地,所述处理器10对上述指令的具体实现方法可参考图1至图3对应实施例中相关步骤的描述,在此不赘述。
需要说明的是,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种基于全局优化的高校自动快速排课方法,其特征在于,所述方法包括:
S1:构建高校自动排课分层模型并建立排课冲突约束,所构建模型包括学生集合、课程集合、教师集合以及教室集合的选课信息;
S2:基于高校自动排课分层模型中的选课信息构建排课优先度目标函数;
S3:对构建的排课优先度目标函数进行全局优化求解得到不同课程的排课顺序;
S4:按照不同课程的排课顺序构建高校自动排课分层模型的目标函数,并基于排课冲突约束对目标函数进行优化求解,生成高校排课结果;
所述基于排课冲突约束对目标函数进行优化求解,生成高校排课结果包括以下步骤:
S41:通过随机优化策略动态变异高校排课结果判断是否满足排课约束;
S42:在满足约束条件下计算相应目标函数值;
S43:将所有可行的高校排课结果中目标函数值最小的高校排课结果作为最终的排课输出。
2.如权利要求1所述的一种基于全局优化的高校自动快速排课方法,其特征在于,所述S1步骤中构建高校自动排课分层模型,包括:
构建高校自动排课分层模型,其中所构建模型分为四层选课信息,包括学生集合、课程集合、教师集合以及教室集合的选课信息;
所述学生集合的表示形式为:
;
其中:
表示高校中第i名学生,/>表示高校学生的总数;
表示学生/>的选课集合;
所述课程集合的表示形式为:
;
其中:
表示第j门课程的编号,/>表示课程/>的选课学生集合,/>表示课程/>的课时数,/>表示高校的课程总数;
所述教师集合的表示形式为:,其中/>表示第n名高校教师,N表示高校教师的总数;
所述教室集合的表示形式为:,其中/>表示第m间教室,M表示高校中教室的总数;
建立不同层选课信息之间的映射关系:
;
其中:
表示高校教师/>在教室/>教授课程/>,且学生选到了课程/>,若/>则上述表示不成立;
初始化生成不同层选课信息与排课时间的矩阵表示形式,并将矩阵表示形式构建为cube立方体,其中矩阵的列数Q为一学期的上课日期数,矩阵的行数P为每天的上课节数;
课程与排课时间的矩阵元素表示形式为:/>,/>表示第q个上课日期的第p节课被安排为课程/>,否则表示未被安排为课程/>,/>表示课程/>与排课时间所构成矩阵的第q列第p行元素,并将J门课程与排课时间的矩阵表示形式构建为cube立方体;其中/>;
学生与排课时间的矩阵元素表示形式为:/>,/>表示学生在第q个上课日期的第p节课有课,/>表示学生/>与排课时间所构成矩阵的第q列第p行元素,并将num名学生与排课时间的矩阵表示形式构建为cube立方体;
高校教师与排课时间的矩阵元素表示形式为:/>,/>表示高校教师/>在第q个上课日期的第p节课有课,高校教师/>表示高校教师/>与排课时间所构成矩阵的第q列第p行元素,并将N名高校教师与排课时间的矩阵表示形式构建为cube立方体;
教室与排课时间的矩阵元素表示形式为:/>,/>表示教室/>在第q个上课日期的第p节课有课,教室/>表示教室/>与排课时间所构成矩阵的第q列第p行元素,并将M间教室与排课时间的矩阵表示形式构建为cube立方体;
将不同层的选课信息、不同层选课信息之间的映射关系以及不同层选课信息与排课时间所构成的cube立方体作为高校自动排课分层模型。
3.如权利要求2所述的一种基于全局优化的高校自动快速排课方法,其特征在于,所述S1步骤中建立排课冲突约束,包括:
建立排课冲突约束,所述排课冲突约束包括:
;
;
;
其中:
表示学生排课时间冲突约束,即学生/>在任意第q个上课日期的第p节课仅上一门课程;
表示教室排课时间冲突约束,表示任意第q个上课日期的第p节课为课程/>,且上课地点在教室/>;
表示课程/>中任意课时的排课时间为第q个上课日期的第p节课,表示教室/>在任意第q个上课日期的第p节课仅上一门课程,且只有教室/>在任意第q个上课日期的第p节课被安排了课程/>的课时;
表示教师排课时间冲突,即高校教师/>在任意第q个上课日期的第p节课仅上一门课程。
4.如权利要求1所述的一种基于全局优化的高校自动快速排课方法,其特征在于,所述S2步骤中构建排课优先度目标函数,包括:
构建排课优先度目标函数,其中排课优先度目标函数为:
;
;
;
其中:
表示按照排课优先度进行排序的课程课时排序顺序,/>表示排序后的第k个课程课时,其中每门课程包含若干课时,课程/>对应的课时数为/>;
表示排序后课程/>后,/>所对应课程的剩余课时数,其中剩余课时数不包括已排序的课程课时;
表示课程/>的第u个课时的排序顺序,/>表示课程/>的第u+1个课时的排序顺序,/>。
5.如权利要求4所述的一种基于全局优化的高校自动快速排课方法,其特征在于,所述S3步骤中对构建的排课优先度目标函数进行全局优化求解得到不同课程的排课顺序,包括:
对所构建的排课优先度目标函数进行全局优化求解得到不同课程的排课顺序,其中全局优化求解流程为:
S31:确定全局优化求解的最大迭代求解次数为Max,当前迭代次数为t,t的初始值为0,北极熊种群的最大种群数为H;
S32:初始化生成0.7H个北极熊构成北极熊种群,其中每个北极熊对应一组K个课程课时的排课顺序,北极熊种群第h个北极熊的初始表示形式为:
;
其中:
表示第k个排课顺序的课程课时;
则第h个北极熊在第t次迭代后的表示形式为;
S33:设置全局优化求解流程的适应度函数为排课优先度目标函数,将北极熊的表示形式带入到排课优先度目标函数中,得到北极熊的适应度函数值,其中第t次迭代得到的第h个北极熊的适应度函数值为;
S34:随机生成在第t+1次迭代前,各北极熊在不同课程课时的行进角度,其中行进角度/>的取值范围为/>,则/>所对应的行进角度为/>,并生成各北极熊的初始行进角度,初始行进角度的范围为/>,其中第h个北极熊的初始行进角度为/>;
S35:计算在第t+1次迭代前,各北极熊的移动半径,其中第h个北极熊的移动半径为:
;
其中:
表示0-1之间的随机数;
S36:基于北极熊的移动半径,对北极熊各课程课时的排课顺序进行更新,其中第h个北极熊的第k个排课顺序课程课时的排课顺序更新结果/>为:
;
并将课程课时移动到排课顺序/>位置,令k=k+1,重复步骤S36,直到对所有课程课时进行排课顺序更新,其中k的初始值为1;
计算更新后北极熊的适应度函数值/>,得到第h个北极熊的t+1次迭代结果:
;
其中:
表示第h个北极熊更新排课顺序后的更新结果;
S37:计算北极熊种群中第t+1次迭代后所有北极熊的适应度函数值,并随机产生0-1之间的随机数,若所产生随机数小于0.2,且当前北极熊种群中北极熊数目大于0.5H,则删除第t+1次迭代后适应度函数值最小的北极熊;
S38:若当前北极熊种群中北极熊的数目小于H-1,则利用下式繁衍一只新的北极熊:
;
其中:
为繁衍得到的北极熊;
表示第t+1次迭代后,适应度函数值最大的北极熊,/>表示除/>外,适应度函数值最大的前5%北极熊中的随机北极熊,/>表示将两个北极熊的表示形式混合在一起,构成一个包含K个不同课程课时的排课顺序结果,作为繁衍得到的北极熊;
S39:若,则令/>,返回步骤S34,否则选取北极熊/>所对应的课程课时排课顺序作为输出结果。
6.如权利要求1所述的一种基于全局优化的高校自动快速排课方法,其特征在于,所述S4步骤中按照不同课程的排课顺序构建高校自动排课分层模型的目标函数,包括:
按照不同课程的排课顺序构建高校自动排课分层模型的目标函数,其中高校自动排课分层模型的目标函数为:
;
;
其中:
为高校自动排课分层模型的目标函数,W表示J门课程与排课时间以及教室安排的矩阵表示形式,矩阵的列数为K,对应K个不同的课程课时,行数为1,矩阵元素值为每个课程课时的排课时间以及教室安排的编码表示,编码表示结果即为排课结果,并基于W填充高校自动排课分层模型中不同层选课信息与排课时间所构成的cube立方体,得到目标函数值;
表示学生/>在一天中所上的最大课时数,/>表示高校教师/>在一天中所上的最大课时数;
课程/>的第u个课时的排课时间。
7.如权利要求6所述的一种基于全局优化的高校自动快速排课方法,其特征在于,所述S4步骤中基于排课冲突约束对目标函数进行优化求解,生成高校排课结果,包括:
S41:通过随机优化策略动态变异高校排课结果判断是否满足排课约束;
按照不同课程的排课顺序生成Z组初始高校排课结果,其中第z组初始高校排课结果为,设置当前优化求解的优化次数为d,d的初始值为0,最大值为D,则第z组初始高校排课结果在第d次优化后的值为/>,/>;
S42:在满足约束条件下计算相应目标函数值;
S421:根据高校排课结果填充高校自动排课分层模型中不同层选课信息与排课时间所构成的cube立方体,得到高校排课结果的目标函数值,其中的目标函数值为/>;
S422:基于排课冲突约束检验任意高校排课结果是否存在排课冲突,若不存在排课冲突,则依照更新概率/>对高校排课结果/>进行下述更新:
;
;
其中:
表示对高校排课结果中的任意两个课程课时的排课结果进行交换,以及随机调整任意课程课时的排课时间或者教室;
若存在排课冲突,则对高校排课结果进行下述更新:
;
其中:
表示将/>带入排课冲突约束的梯度;
S43:若,则令/>,返回步骤S42,否则选取当前不存在排课冲突以及目标函数值最小的高校排课结果作为输出;
利用所生成的高校排课结果进行高校自动排课。
8.一种基于全局优化的高校自动快速排课***,其特征在于,所述***包括:
高校排课分层模块,用于构建高校自动排课分层模型并建立排课冲突约束,所构建模型包括学生集合、课程集合、教师集合以及教室集合的选课信息;
排课顺序计算模块,用于基于高校自动排课分层模型中的选课信息构建排课优先度目标函数,对构建的排课优先度目标函数进行全局优化求解得到不同课程的排课顺序;
自动排课模块,用于按照不同课程的排课顺序构建高校自动排课分层模型的目标函数,并基于排课冲突约束对目标函数进行优化求解,生成高校排课结果,以实现一种如权利要求1-7任一项所述的基于全局优化的高校自动快速排课方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311063206.4A CN116797423B (zh) | 2023-08-23 | 2023-08-23 | 一种基于全局优化的高校自动快速排课方法与*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311063206.4A CN116797423B (zh) | 2023-08-23 | 2023-08-23 | 一种基于全局优化的高校自动快速排课方法与*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116797423A true CN116797423A (zh) | 2023-09-22 |
CN116797423B CN116797423B (zh) | 2023-11-14 |
Family
ID=88038745
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311063206.4A Active CN116797423B (zh) | 2023-08-23 | 2023-08-23 | 一种基于全局优化的高校自动快速排课方法与*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116797423B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117036128A (zh) * | 2023-10-10 | 2023-11-10 | 湖南强智科技发展有限公司 | 一种智能辅助手工排课方法、***、设备及存储介质 |
CN117196259A (zh) * | 2023-11-01 | 2023-12-08 | 湖南强智科技发展有限公司 | 一种智能提升高校教学任务安排的方法、***及设备 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040009461A1 (en) * | 2000-04-24 | 2004-01-15 | Snyder Jonathan Scott | System for scheduling classes and managing eductional resources |
CN101984427A (zh) * | 2010-10-29 | 2011-03-09 | 刘健 | 一种高校自习室查询***及方法 |
CN103473724A (zh) * | 2013-09-16 | 2013-12-25 | 江苏金智教育信息技术有限公司 | 一种智能排课方法和装置 |
CN106127355A (zh) * | 2016-07-19 | 2016-11-16 | 焦点科技股份有限公司 | 一种高效智能的排课方法及*** |
US20180068576A1 (en) * | 2016-09-06 | 2018-03-08 | International Business Machines Corporation | Automatic learning curriculum generation |
CN109902371A (zh) * | 2019-02-19 | 2019-06-18 | 校宝在线(杭州)科技股份有限公司 | 一种基于深度强化学习的智能排课方法 |
CN110020831A (zh) * | 2019-03-29 | 2019-07-16 | 北京工业大学 | 基于粒子群算法的新高考排课算法 |
CN111080498A (zh) * | 2019-11-18 | 2020-04-28 | 贵州彩数网络技术有限公司 | 一种基于人工鱼群的走班排课方法、***、装置和介质 |
CN111160848A (zh) * | 2019-12-09 | 2020-05-15 | 浙江万朋教育科技股份有限公司 | 一种优化后能满足多种需求的排课方法 |
CN113269532A (zh) * | 2021-06-08 | 2021-08-17 | 武汉拓森信息科技有限责任公司 | 一种基于紧迫度和回溯算法的高校排课方法 |
CN115657710A (zh) * | 2022-10-07 | 2023-01-31 | 哈尔滨工程大学 | 一种多目标量子北极熊机制的异构无人机大规模任务分配方法 |
-
2023
- 2023-08-23 CN CN202311063206.4A patent/CN116797423B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040009461A1 (en) * | 2000-04-24 | 2004-01-15 | Snyder Jonathan Scott | System for scheduling classes and managing eductional resources |
CN101984427A (zh) * | 2010-10-29 | 2011-03-09 | 刘健 | 一种高校自习室查询***及方法 |
CN103473724A (zh) * | 2013-09-16 | 2013-12-25 | 江苏金智教育信息技术有限公司 | 一种智能排课方法和装置 |
CN106127355A (zh) * | 2016-07-19 | 2016-11-16 | 焦点科技股份有限公司 | 一种高效智能的排课方法及*** |
US20180068576A1 (en) * | 2016-09-06 | 2018-03-08 | International Business Machines Corporation | Automatic learning curriculum generation |
CN109902371A (zh) * | 2019-02-19 | 2019-06-18 | 校宝在线(杭州)科技股份有限公司 | 一种基于深度强化学习的智能排课方法 |
CN110020831A (zh) * | 2019-03-29 | 2019-07-16 | 北京工业大学 | 基于粒子群算法的新高考排课算法 |
CN111080498A (zh) * | 2019-11-18 | 2020-04-28 | 贵州彩数网络技术有限公司 | 一种基于人工鱼群的走班排课方法、***、装置和介质 |
CN111160848A (zh) * | 2019-12-09 | 2020-05-15 | 浙江万朋教育科技股份有限公司 | 一种优化后能满足多种需求的排课方法 |
CN113269532A (zh) * | 2021-06-08 | 2021-08-17 | 武汉拓森信息科技有限责任公司 | 一种基于紧迫度和回溯算法的高校排课方法 |
CN115657710A (zh) * | 2022-10-07 | 2023-01-31 | 哈尔滨工程大学 | 一种多目标量子北极熊机制的异构无人机大规模任务分配方法 |
Non-Patent Citations (2)
Title |
---|
张亮: "国外新型智能优化算法——北极熊算法", 《计算机测量与控制》, vol. 28, no. 3 * |
王华鑫: "走班排课算法的研究与设计", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117036128A (zh) * | 2023-10-10 | 2023-11-10 | 湖南强智科技发展有限公司 | 一种智能辅助手工排课方法、***、设备及存储介质 |
CN117196259A (zh) * | 2023-11-01 | 2023-12-08 | 湖南强智科技发展有限公司 | 一种智能提升高校教学任务安排的方法、***及设备 |
CN117196259B (zh) * | 2023-11-01 | 2024-02-02 | 湖南强智科技发展有限公司 | 一种智能提升高校教学任务安排的方法、***及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN116797423B (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116797423B (zh) | 一种基于全局优化的高校自动快速排课方法与*** | |
Fey | School algebra for the year 2000 | |
Hicks et al. | A guide to teaching data science | |
Shiflet et al. | Introduction to computational science: modeling and simulation for the sciences | |
CN109191345B (zh) | 一种面向学生认知过程的认知诊断方法 | |
CN114758180B (zh) | 一种基于知识蒸馏的轻量化花卉识别方法 | |
CN110400117A (zh) | 一种错题的提醒方法、电子设备及存储介质 | |
Uslu et al. | The effect of language learning strategies on academic achievement | |
Larson et al. | How can teachers increase classroom use of academic vocabulary? | |
CN109902371A (zh) | 一种基于深度强化学习的智能排课方法 | |
Lytvynova et al. | Educational Computer Modelling in Natural Sciences Education: Chemistry and Biology Aspects. | |
CN114154839A (zh) | 一种基于在线教育平台数据的课程推荐方法 | |
Yachina | The problems of university education in Russia | |
Yi | [Retracted] Research on English Teaching Reading Quality Evaluation Method Based on Cognitive Diagnostic Evaluation | |
CN116777402B (zh) | 一种基于元认知的面向群体协作的个性化角色定位方法 | |
Khyzhniak et al. | E-Learning Efficiency in an Age of Global Risks and Changes | |
CN114925218A (zh) | 一种基于自适应图的学习者知识认知结构动态挖掘方法 | |
Guney | A Sample Design in Programming with Four-Component Instructional Design (4C/ID) Model. | |
Gao et al. | Improving Knowledge Learning Through Modelling Students’ Practice-Based Cognitive Processes | |
Ba et al. | A course scheduling algorithm in secondary vocational school based on genetic algorithm | |
Liu | Physical education resource information management system based on big data artificial intelligence | |
Xie et al. | The Construction of English Teaching Platform Based on Artificial Intelligence Under Computer-Aided Design | |
CN109726690A (zh) | 基于DenseCap网络的学习者行为图像多区域描述方法 | |
CN110675297B (zh) | 计算机数字化教学资源的调取***及方法 | |
Richter et al. | Intelligent Training Courses in Virtual Laboratories |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |