CN110517170A - 基于进化算法的选科分班方法 - Google Patents
基于进化算法的选科分班方法 Download PDFInfo
- Publication number
- CN110517170A CN110517170A CN201910767665.8A CN201910767665A CN110517170A CN 110517170 A CN110517170 A CN 110517170A CN 201910767665 A CN201910767665 A CN 201910767665A CN 110517170 A CN110517170 A CN 110517170A
- Authority
- CN
- China
- Prior art keywords
- class
- student
- administrative
- choosing
- teaching
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000011156 evaluation Methods 0.000 claims description 9
- 239000000203 mixture Substances 0.000 claims description 9
- 230000035772 mutation Effects 0.000 claims description 7
- 230000014759 maintenance of location Effects 0.000 claims description 6
- 210000001747 pupil Anatomy 0.000 claims description 6
- 230000006978 adaptation Effects 0.000 claims description 5
- 229910002056 binary alloy Inorganic materials 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 6
- 238000002474 experimental method Methods 0.000 description 10
- 238000013473 artificial intelligence Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
- G06Q50/2053—Education institution selection, admissions, or financial aid
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Biophysics (AREA)
- Educational Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Genetics & Genomics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明公开了基于进化算法的选科分班方法,其实现步骤是:创建行政班集合,生成种群集合,求种群集合中每个个体对应的适应度值和行政班分班集合,求最优的个体和最优行政班分班集合,划分行政班,划分选考教学班和学考教学班。本发明主要解决现有选科分班方法中所得的班级之间的学生人数差距过大、行政班之间固定科目数不同、班级之间男女比例和成绩绩效差距过大的缺陷、本发明能够得到班级之间的班级人数差距较小、行政班之间固定科目数相同、班级之间男女比例和成绩绩效差距较小的分班结果。
Description
技术领域
本发明属于物理技术领域,更进一步涉及信息处理技术领域中的一种基于进化算法的选科分班方法。本发明可用于根据学生所选科目进行分班,经过对行政班和选考教学班的上课科目、男女比例和成绩调整得到行政班和选考教学班,经过对学考教学班上课科目的调整得到学考教学班。
背景技术
在选科分班问题中,学生自主的从Z门科目中选择三门作为选考科目,剩下没选的上课科目是学考科目,共有种选科组合,在如此多选科组合的情况下,绝大部分学校在教室和老师资源的限制下倾向于定二走一的分班模式,即由有两门选考科目相同的学生组成一个行政班,每位学生剩下的一门选考科目到相应的选考教学班上课,该学生选学不分开的学考科目可直接在其所在的行政班上课,该学生选学分开的学考科目需要到相应的学考教学班上课。其中,选学是否分开是指,选考该科目和学考该科目的学生是否能在一起上课。但是由于行政班的类型有种,每个学生可上的行政班类型有种,所以要找到全校各个行政班的两科组合类型以及学生分配组合、使得班级人数在规定范围之内并且学生尽可能多的分到行政班里,这是十分困难的,并且当学生数量和班级数量增加时,分班组合的搜索空间成指数增长。
陈上仁在其申请的专利文献“一种学生选科报名编班方法及系统”(申请号:201810722508.0公开号:CN108961117A)中公开了一种学生选科报名编班方法及系统。该方法首先标定编班组合和普通组合,然后根据编班组合人数进行编班,最后如有人数不够组成一个班级,则从普通组合里面按一定优先级抽取学生组成班级。该方法存在的不足之处是:该方法中对班级之间人数没有均衡性的条件约束,由该方法得到的分班结果中具有班级之间的学生人数差距过大的缺陷,并且该方法中标定编班组合和普通组合时每个行政班可固定一门或两门科目,由该方法得到的分班结果中具有行政班之间固定科目数不同的缺陷。
上海亿阁信息科技有限公司在其申请的专利文献“一种新高考选科排课人工智能分班算法”(申请号:201810669894.1公开号:CN108846786A)中公开了一种人工智能分班方法。该方法首先使各组合分班数和行政班数相同,然后将待分配人数和每个班的空位数进行组合分配,最后将各科目的选科学生按照储存顺序分配到对应的科目班级。该方法存在的不足之处是:该方法中没有考虑男女比例和学生成绩,由该方法得到的分班结果中具有班级之间男女比例和成绩绩效差距过大的缺陷。
发明内容
本发明的目的在于针对上述已有技术的不足,提出一种基于进化算法的选科分班方法,根据学生的选科结果,得到行政班、选考教学班和学考教学班的分班结果。
实现本发明目的的思路是:将行政班分班问题转换成一个访问每种行政班级集合顺序的旅行商问题,其中每种行政班集合这个整体表示一个旅行商问题中的城市,通过访问每种行政班集合顺序的不断变化,利用进化算法求解最优的访问顺序及其对应的行政班分班集合,根据行政班分班集合以及成绩和性别信息进行“之”字形分班得到各个行政班,然后再划分各选考教学班和学考教学班。
实现本发明目的的具体步骤如下:
步骤1,创建行政班集合:
第一步,每个待分班的学生从选考科目中任选2门科目,得到每个学生所有可分入的行政班类型;
第二步,按照每个学生的所有可分入的行政班类型,创建每种行政班集合,其中,行政班集合是指,包含所有满足该种行政班类型要求的学生学号;
步骤2,生成种群集合:
随机产生N个访问每种行政班集合的顺序序列,组成种群集合pop={v1,v2,...,vN},其中,vi表示种群中的第i个个体,参数N的取值范围为100-250;
步骤3,求每个个体对应的适应度值和行政班分班集合:
第一步,按照顺序序列访问每种非空行政班集合中每个学生的学号,保留首次出现在该行政班集合中该学生的学号,删除该学生在其余行政班集合中的学号,得到个体对应的每种行政班的学生学号集合,组成个体对应的行政班分班集合;
第二步,按照下式,计算个体对应的每种行政班学生学号集合的评价值;
其中,g表示个体对应的每种行政班学生学号集合的评价值,g的数值越小表示个体对应的每种行政班学生学号集合的学生人数越有可能位于设定的行政班学生总数范围的上下限或上下限的倍数之内,b和a分别表示设定的行政班学生总数的上限和下限,表示向下取整操作,x表示个体对应的每种行政班学生学号集合的学生人数;
第三步,按照下式,计算个体对应的适应度值;
其中,f表示个体对应的适应度值,f的数值越大表示个体对应的适应度值越大,G表示个体对应的每种行政班学生学号集合的评价值的总和,ε的取值为106;
第四步,利用第一步至第三步的相同步骤,得到种群集合中每个个体对应的适应度值和行政班分班集合;
步骤4,求最优个体和最优行政班分班集合;
第一步,按照每个个体的适应度值,对种群pop利用二进制锦标赛法,得到种群pop1,其中,参数N的取值范围为100-250,个体表示一个访问行政班集合的顺序序列;
第二步,按照交叉概率Pc,对种群pop1利用部分映射交叉得到新的种群pop2,交叉概率Pc的取值范围为0.80~0.90;
第三步,按照变异概率Pm,对种群pop2利用置换变异得到新的种群pop3,变异概率Pm的取值范围为0.05~0.10;
第四步,利用步骤3的相同方法,计算种群集合pop3中每个个体对应的适应度值和行政班分班集合;
第五步,利用精英保留策略,合并种群pop和pop3,得到一个种群npop和适应度值集合Fn,根据精英保留策略中适应度值的降序排序操作,得到最大适应度值、最优个体和最优行政班分班集合;
第六步,将种群npop中的所有顺序序列全部复制给pop,将适应度值集合Fn中的所有适应度值全部复制给F;
第七步,重复M次第一步到第六步,得到最优个体和最优行政班分班集合,其中,参数M的取值范围为200~250;
步骤5,划分行政班:
第一步,将最优行政班分班集合中每种行政班的所有学生学号集合,按照每个学生的平均成绩进行降序排序,按照排序顺序将对应学生的学号组成每种行政班的有序学生学号集合,所述的平均成绩是指,该学生选课前的所有门类科目成绩的平均值;
第二步,判断是否成立,若是,则执行第四步;否则,执行第三步,其中,x表示按照最优的顺序序列访问每种行政班的有序学生学号集合的学生总数;
第三步,判断是否成立,若是,则执行第五步;否则,执行步骤6;
第四步,删除满足条件的每种行政班的有序学生学号集合中第个学号后的学生学号,得到满足条件的每种行政班的有序学生学号集合后执行第五步;
第五步,将满足条件的每种行政班的有序学生学号集合中的学生,按照性别依次划入男生有序集合和女生有序集合;
第六步,按照男生有序集合在先女生有序集合在后的顺序,组成满足条件的每种行政班的有序学生集合;
第七步,将满足条件的每种行政班的有序学生集合中的所有学生依次按照“之”字形划分入个行政班;
第八步,计算每个行政班的班级平均成绩以及男女比例并输出所有行政班,其中,班级平均成绩是指,该班级中所有学生的平均成绩的平均值;
步骤6,划分选考教学班;
第一步,按照每个学生的部分选考科目,创建每种选考教学班集合,其中,选考教学班集合是指,包含所有满足该种选考教学班类型要求的学生学号;
第二步,将每种选考教学班集合中的所有学生学号,按照每个学生的平均成绩进行降序排序,得到每种选考教学班的有序学生学号集合;
第三步,将每种选考教学班的有序学生学号集合中的学生,按照性别依次划入男生有序集合和女生有序集合;
第四步,按照男生有序集合在先女生有序集合在后的顺序,组成每种选考教学班的有序学生集合;
第五步,判断0<n<a是否成立,若是,则将满足条件要求的每种选考教学班有序学生集合中的所有学生划分为1个选考教学班后执行第七步,否则,执行第六步,其中,n表示满足条件要求的每种选考教学班有序学生集合的学生人数;
第六步,判断n>a是否成立,若是,则将满足条件要求的每种选考教学班有序学生集合中的所有学生依次按照“之”字形分入个选考教学班,否则,执行第七步;
第七步,计算每个选考教学班的班级平均成绩以及男女比例后输出所有选考教学班;
步骤7,划分学考教学班:
第一步,按照每个学生的学考科目,创建每种学考教学班集合,其中,学考教学班集合是指,包含所有满足该种学考教学班类型要求的学生学号;
第二步,判断0<m<a是否成立,若是,则将满足条件要求的每种学考教学班集合中的所有学生划分为1个学考教学班,否则,执行第三步,其中,m表示满足条件要求的每种学考教学班集合中的学生人数;
第三步,判断m>a是否成立,若是,则将满足条件要求的每种学考教学班集合中的所有学生随机的平分入个学考教学班,否则,输出所有学考教学班。
本发明与现有方法相比具有如下优点:
第一,由于本发明在划分行政班和选考行政班时,保证了所有班级的学生人数需要满足给定的班级人数范围要求,克服了现有技术所得的班级之间的学生人数差距过大的缺陷,使得本发明得到的班级之间的学生人数差距较小。
第二,由于本发明在划分行政班集合时,保证了每个行政班都固定两门科目,克服了现有技术所得的行政班之间固定科目数不同的缺陷,使得本发明得到的行政班之间固定科目数相同,极大方便了学校的教学管理和后续排课。
第三,由于本发明在划分行政班和选考行政班时,使用性别和平均成绩信息进行分班,克服了现有技术所得的班级之间男女比例和成绩绩效差距过大的缺陷,使得本发明得到的班级之间男女比例和成绩绩效差距较小,分班结果更符合实际需求。
附图说明
图1为本发明的流程图;
图2为本发明中步骤5划分行政班的流程图;
图3为本发明中步骤6划分选考教学班的流程图。
具体实施方式
下面结合附图,对本发明作进一步的详细描述。
参照附图1对本发明实现的具体步骤作进一步的详细描述。
步骤1,创建行政班集合。
第一步,每个待分班的学生从选考科目中任选2门科目,得到每个学生所有可分入的行政班类型,所述的选考科目是指,学生从门类科目表中任意选择的3门科目。
第二步,按照每个学生的所有可分入的行政班类型,创建每种行政班集合,其中,行政班集合是指,包含所有满足该种行政班类型要求的学生学号,所述的行政班是指,开设2门选考科目的学生班级,共种行政班类型,其中,s表示可选科目数,C表示组合数计算操作,行政班为学生学籍所在班级,还可以开设体育音乐美术等科目。
步骤2,生成种群集合。
随机产生N个访问每种行政班集合的顺序序列,组成种群集合pop={v1,v2,...,vN},其中vi表示种群中的第个i个体,参数N的取值范围为100-250,这里一个个体代表一种访问每种行政班集合的顺序序列,此个体可类比于解决TSP问题中对应的进化算法的个体。
步骤3,求每个个体对应的适应度值和行政班分班集合。
第一步,按照顺序序列访问每种非空行政班集合中每个学生的学号,保留首次出现在该行政班集合中该学生的学号,删除该学生在其余行政班集合中的学号,得到个体对应的每种行政班的学生学号集合,组成个体对应的行政班分班集合。
第二步,按照下式,计算个体对应的每种行政班学生学号集合的评价值。
其中,g表示个体对应的每种行政班学生学号集合的评价值,g的数值越小表示个体对应的每种行政班学生学号集合的学生人数越有可能位于设定的行政班学生总数范围的上下限或上下限的倍数之内,即未分班的人数越小,b和a分别表示设定的行政班学生总数的上限和下限,表示向下取整操作,x表示个体对应的每种行政班学生学号集合的学生人数。
第三步,按照下式,计算个体对应的适应度值。
其中,f表示个体对应的适应度值,f的数值越大表示个体对应的适应度值越大,G表示个体对应的每种行政班学生学号集合的评价值的总和,ε取值为106。
第四步,利用第一步至第三步的相同步骤,得到种群集合中每个个体对应的适应度值和行政班分班集合。
步骤4,求最优个体和最优行政班分班集合。
第一步,按照每个个体的适应度值,对种群pop利用二进制锦标赛法,得到种群pop1,其中,参数N的取值范围为100-250,个体表示一个访问行政班集合的顺序序列。
第二步,按照交叉概率Pc,对种群pop1利用部分映射交叉得到新的种群pop2,交叉概率Pc的取值范围为0.80~0.90。
第三步,按照变异概率Pm,对种群pop2利用置换变异得到新的种群pop3,变异概率Pm的取值范围为0.05~0.10。
第四步,利用步骤3的相同方法,计算种群集合pop3中每个个体对应的适应度值和行政班分班集合。
第五步,利用精英保留策略,合并种群pop和pop3,得到一个种群npop和适应度值集合Fn,根据精英保留策略步骤中适应度值的降序排序,得到最大适应度值、最优个体和最优行政班分班集合。
第六步,将种群npop复制给pop,将适应度值集合Fn复制给F。
第七步,重复M次第一步到第六步,得到最优行政班分班集合和最优的个体,其中,参数M的取值范围为200~250,代表最大迭代次数。
参照附图2对步骤5划分行政班的具体步骤作进一步的详细描述。
步骤5,划分行政班。
第一步,将最优行政班分班集合中每种行政班的所有学生学号集合,按照每个学生的平均成绩进行降序排序,按照排序顺序将对应学生的学号组成每种行政班的有序学生学号集合,所述的平均成绩是指,该学生选课前的所有门类科目成绩的平均值。
第二步,判断是否成立,若是,则执行第四步;否则,执行第三步,其中,x表示按照最优的顺序序列访问每种行政班的有序学生学号集合的学生总数。
第三步,判断是否成立,若是,则执行第五步;否则,执行步骤6。
第四步,删除满足条件的每种行政班的有序学生学号集合中第个学号后的学生学号,得到满足条件的每种行政班的有序学生学号集合后执行第五步。
第五步,将满足条件的每种行政班的有序学生学号集合中的学生,按照性别依次划入男生有序集合和女生有序集合。
第六步,按照男生有序集合在先女生有序集合在后的顺序,组成满足条件的每种行政班的有序学生集合。
第七步,将满足条件的每种行政班的有序学生集合中的所有学生依次按照“之”字形划分入个行政班。
本发明中按照“之”字形划分的实施例是指对一个待分为y个班的有序学生学号集合而言,将学生按照顺序“之”字形地分入z个班,例如共14个学生分两班,学生学号依次为1到10,“之”字形分班的结果如表1所示。
表1.S形分班集合表
1班 | 1 | 4 | 5 | 8 | 9 | 12 | 13 |
2班 | 2 | 3 | 6 | 7 | 10 | 11 | 14 |
第八步,计算每个行政班的班级平均成绩以及男女比例并输出所有行政班,其中,班级平均成绩是指,该班级中所有学生的平均成绩的平均值。
参照附图3对步骤6划分选考教学班的具体步骤作进一步的详细描述。
步骤6,划分选考教学班。
第一步,按照每个学生的部分选考科目,创建每种选考教学班集合,其中,选考教学班集合是指,包含所有满足该种选考教学班类型要求的学生学号,所述的选考教学班是指,开设1门部分选学分开的选考科目的学生班级,共种选考教学班类型,其中,s表示可选科目数,C表示组合数计算操作,所述部分选学分开的选考科目是指,选考科目中除该学生所在行政班上课科目外的其他选学分开科目,所述行政班是指,开设2门选考科目的学生班级,所述选考科目是指,学生从门类科目表中任意选择的3门科目,所述选学分开科目是指,选考该科目和学考该科目的学生需要分开上课的科目,此科目属性需在选科前给定,非选学分开的科目可直接在行政班开设,不需要单独划分教学班。
第二步,将每种选考教学班集合中的所有学生学号,按照每个学生的平均成绩进行降序排序,得到每种选考教学班的有序学生学号集合。
第三步,将每种选考教学班的有序学生学号集合中的学生,按照性别依次划入男生有序集合和女生有序集合。
第四步,按照男生有序集合在先女生有序集合在后的顺序,组成每种选考教学班的有序学生集合。
第五步,判断0<n<a是否成立,若是,则将满足条件要求的每种选考教学班有序学生集合中的所有学生划分为1个选考教学班后执行第七步,否则,执行第六步,其中,n表示满足条件要求的每种选考教学班有序学生集合的学生人数。
第六步,判断n>a是否成立,若是,则将满足条件要求的每种选考教学班有序学生集合中的所有学生依次按照“之”字形分入个选考教学班,否则,执行第七步。
第七步,计算每个选考教学班的班级平均成绩以及男女比例后输出所有选考教学班。
步骤7,划分学考教学班。
第一步,按照每个学生的学考科目,创建每种学考教学班集合,其中,学考教学班集合是指,包含所有满足该种学考教学班类型要求的学生学号,所述的学考教学班是指,开设1门选学分开的学考科目的学生班级,共种学考教学班类型,其中,p表示选学分开的学考科目的个数,C表示组合数计算操作,所述选学分开的学考科目是指,在门类科目表中除了该学生选考科目之外该学生还要学习的选学分开科目,所述选考科目是指,学生从门类科目表中任意选择的3门科目,所述选学分开科目是指,选考该科目和学考该科目的学生需要分开上课的科目。
第二步,判断0<m<a是否成立,若是,则将满足条件要求的每种学考教学班集合中的所有学生划分为1个学考教学班,否则,执行第三步,其中,m表示满足条件要求的每种学考教学班集合中的学生人数。
第三步,判断m>a是否成立,若是,则将满足条件要求的每种学考教学班集合中的所有学生随机的平分入个学考教学班,否则,输出所有学考教学班。
下面结合仿真实验对本发明的效果做进一步的说明:
1.仿真实验条件:
本发明的仿真实验的硬件平台为:处理器为Intel i7 8550U CPU,主频为1.80GHz,内存为8.00GB。
本发明的仿真实验的软件平台为:Windows 10操作系统和Visual Studio 2017。
2.仿真内容及其结果分析:
本发明仿真实验采用的实验数据来自浙江某中学的真实学生选课数据,该数据共包含896人的学考科目集合、选考科目集合、性别信息和选课前的成绩信息,学校要求的班级人数范围为40~45,可选科目有物、化、生、政、历、地、技七门,科目编号依次为1~7,其中除了政治之外其余科目都为选学分开科目。
在本发明仿真实验中求最优个体和最优行政班分班集合时,设置种群大小N=210,交叉概率Pc=0.9,变异概率Pm=0.1,重复次数M=200。
在本发明仿真实验中利用划分行政班的步骤,得到行政班分班结果见表2所示。
表2行政班分班结果一览表
结合表2可以看出,所有学生被划分入21个固定科目数相同的行政班,各个行政班之间的学生人数差距较小,说明本行政班划分方法中在选择行政班类型和学生分配中采用的进化方法对分班组合有很好的探索性,并且各个行政班的男女比例接近并且同种班最大平均绩效差不超过1.68,说明了本发明得到的行政班之间男女比例和成绩绩效差距较小。
在本发明仿真实验中利用划分选考教学班的步骤,得到选考教学班分班结果见表3所示。
结合表3可以看出,所有学生被划分入对应的20个选考教学班,相同类型的选考教学班之间学生人数差距不大,同种班男女比例均衡并且最大平均绩效差不超过1.4分,说明本选考教学班划分方法得到的选考教学班之间男女比例和成绩绩效差距较小。
表3选考教学班分班结果一览表
在本发明仿真实验中利用划分学考教学班的步骤,得到学考教学班分班结果见表4所示。
结合表4可以看出,所有学生被划分入对应的73个学考教学班,相同类型的学考教学班之间学生人数较为均衡,说明本学考教学班划分方法得到的学考教学班之间的班级人数差距较小,符合实际的分班需求。
表4学考教学班分班结果一览表
以上仿真实验表明:本发明利用进化算法根据学生选科集合确定行政班类型,能够有效的搜索到可行的行政班组合类型,获得剩余不能分入行政班学生人数更少且班级之间人数差距较小的分班结果,固定所有的行政班内的学生都有两门相同的选考科目,方便后续学校管理,考虑性别和成绩信息,使用“之”字形班级划分方法,使得班级之间的男女比例和成绩绩效差距更小,解决了现有技术存在班级之间学生人数差距过大、班级之间固定的科目数量不一致,班级之间男女比例和成绩绩效差距大的缺点,是一种非常有效实用的选科分班方法。
Claims (4)
1.一种基于进化算法的选科分班方法,其特征在于,创建行政班集合、求种群集合中每个个体对应的适应度值和行政班分班集合、划分行政班、划分选考教学班和划分学考教学班,该方法的步骤包括如下:
步骤1,创建行政班集合:
第一步,每个待分班的学生从选考科目中任选2门科目,得到每个学生所有可分入的行政班类型;
第二步,按照每个学生的所有可分入的行政班类型,创建每种行政班集合,其中,行政班集合是指,包含所有满足该种行政班类型要求的学生学号;
步骤2,生成种群集合:
随机产生N个访问每种行政班集合的顺序序列,组成种群集合pop={v1,v2,...,vN},其中,vi表示种群中的第i个个体,参数N的取值范围为100-250;
步骤3,求每个个体对应的适应度值和行政班分班集合:
第一步,按照顺序序列访问每种非空行政班集合中每个学生的学号,保留首次出现在该行政班集合中该学生的学号,删除该学生在其余行政班集合中的学号,得到个体对应的每种行政班的学生学号集合,组成个体对应的行政班分班集合;
第二步,按照下式,计算个体对应的每种行政班学生学号集合的评价值;
其中,g表示个体对应的每种行政班学生学号集合的评价值,g的数值越小表示个体对应的每种行政班学生学号集合的学生人数越有可能位于设定的行政班学生总数范围的上下限或上下限的倍数之内,b和a分别表示设定的行政班学生总数的上限和下限,表示向下取整操作,x表示个体对应的每种行政班学生学号集合的学生人数;
第三步,按照下式,计算个体对应的适应度值;
其中,f表示个体对应的适应度值,f的数值越大表示个体对应的适应度值越大,G表示个体对应的每种行政班学生学号集合的评价值的总和,ε的取值为106;
第四步,利用第一步至第三步的相同步骤,得到种群集合中每个个体对应的适应度值和行政班分班集合;
步骤4,求最优个体和最优行政班分班集合;
第一步,按照每个个体的适应度值,对种群pop利用二进制锦标赛法,得到种群pop1,其中,参数N的取值范围为100-250,个体表示一个访问行政班集合的顺序序列;
第二步,按照交叉概率Pc,对种群pop1利用部分映射交叉得到新的种群pop2,交叉概率Pc的取值范围为0.80~0.90;
第三步,按照变异概率Pm,对种群pop2利用置换变异得到新的种群pop3,变异概率Pm的取值范围为0.05~0.10;
第四步,利用步骤3的相同方法,计算种群集合pop3中每个个体对应的适应度值和行政班分班集合;
第五步,利用精英保留策略,合并种群pop和pop3,得到一个种群npop和适应度值集合Fn,根据精英保留策略中适应度值的降序排序操作,得到最大适应度值、最优个体和最优行政班分班集合;
第六步,将种群npop中的所有顺序序列全部复制给pop,将适应度值集合Fn中的所有适应度值全部复制给F;
第七步,重复M次第一步到第六步,得到最优个体和最优行政班分班集合,其中,参数M的取值范围为200~250;
步骤5,划分行政班:
第一步,将最优行政班分班集合中每种行政班的所有学生学号集合,按照每个学生的平均成绩进行降序排序,按照排序顺序将对应学生的学号组成每种行政班的有序学生学号集合,所述的平均成绩是指,该学生选课前的所有门类科目成绩的平均值;
第二步,判断是否成立,若是,则执行第四步;否则,执行第三步,其中,x表示按照最优的顺序序列访问每种行政班的有序学生学号集合的学生总数;
第三步,判断是否成立,若是,则执行第五步;否则,执行步骤6;
第四步,删除满足条件的每种行政班的有序学生学号集合中第个学号后的学生学号,得到满足条件的每种行政班的有序学生学号集合后执行第五步;
第五步,将满足条件的每种行政班的有序学生学号集合中的学生,按照性别依次划入男生有序集合和女生有序集合;
第六步,按照男生有序集合在先女生有序集合在后的顺序,组成满足条件的每种行政班的有序学生集合;
第七步,将满足条件的每种行政班的有序学生集合中的所有学生依次按照“之”字形划分入个行政班;
第八步,计算每个行政班的班级平均成绩以及男女比例并输出所有行政班,其中,班级平均成绩是指,该班级中所有学生的平均成绩的平均值;
步骤6,划分选考教学班;
第一步,按照每个学生的部分选考科目,创建每种选考教学班集合,其中,选考教学班集合是指,包含所有满足该种选考教学班类型要求的学生学号;
第二步,将每种选考教学班集合中的所有学生学号,按照每个学生的平均成绩进行降序排序,得到每种选考教学班的有序学生学号集合;
第三步,将每种选考教学班的有序学生学号集合中的学生,按照性别依次划入男生有序集合和女生有序集合;
第四步,按照男生有序集合在先女生有序集合在后的顺序,组成每种选考教学班的有序学生集合;
第五步,判断0<n<a是否成立,若是,则将满足条件要求的每种选考教学班有序学生集合中的所有学生划分为1个选考教学班后执行第七步,否则,执行第六步,其中,n表示满足条件要求的每种选考教学班有序学生集合的学生人数;
第六步,判断n>a是否成立,若是,则将满足条件要求的每种选考教学班有序学生集合中的所有学生依次按照“之”字形分入个选考教学班,否则,执行第七步;
第七步,计算每个选考教学班的班级平均成绩以及男女比例后输出所有选考教学班;
步骤7,划分学考教学班:
第一步,按照每个学生的学考科目,创建每种学考教学班集合,其中,学考教学班集合是指,包含所有满足该种学考教学班类型要求的学生学号;
第二步,判断0<m<a是否成立,若是,则将满足条件要求的每种学考教学班集合中的所有学生划分为1个学考教学班,否则,执行第三步,其中,m表示满足条件要求的每种学考教学班集合中的学生人数;
第三步,判断m>a是否成立,若是,则将满足条件要求的每种学考教学班集合中的所有学生随机的平分入个学考教学班,否则,输出所有学考教学班。
2.根据权利要求1所述的基于进化算法的选科分班方法,其特征在于:步骤1的第一步中所述的选考科目是指,学生从门类科目表中任意选择的3门科目,步骤1的第二步中所述的行政班是指,开设2门选考科目的学生班级,共种行政班类型,其中,s表示可选科目数,C表示组合数计算操作。
3.根据权利要求1所述的基于进化算法的选科分班方法,其特征在于:步骤6的第一步中所述的选考教学班是指,开设1门部分选学分开的选考科目的学生班级,共种选考教学班类型,其中,s表示可选科目数,C表示组合数计算操作,所述部分选学分开的选考科目是指,选考科目中除该学生所在行政班上课科目外的其他选学分开科目,所述行政班是指,开设2门选考科目的学生班级,所述选考科目是指,学生从门类科目表中任意选择的3门科目,所述选学分开科目是指,选考该科目和学考该科目的学生需要分开上课的科目。
4.根据权利要求1所述的基于进化算法的选科分班方法,其特征在于:步骤7的第一步中所述的学考教学班是指,开设1门选学分开的学考科目的学生班级,共种学考教学班类型,其中,p表示选学分开的学考科目的个数,C表示组合数计算操作,所述选学分开的学考科目是指,在门类科目表中除了该学生选考科目之外该学生还要学习的选学分开科目,所述选考科目是指,学生从门类科目表中任意选择的3门科目,所述选学分开科目是指,选考该科目和学考该科目的学生需要分开上课的科目。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910767665.8A CN110517170A (zh) | 2019-08-20 | 2019-08-20 | 基于进化算法的选科分班方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910767665.8A CN110517170A (zh) | 2019-08-20 | 2019-08-20 | 基于进化算法的选科分班方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110517170A true CN110517170A (zh) | 2019-11-29 |
Family
ID=68626664
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910767665.8A Pending CN110517170A (zh) | 2019-08-20 | 2019-08-20 | 基于进化算法的选科分班方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110517170A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111476489A (zh) * | 2020-04-09 | 2020-07-31 | 北京和气聚力教育科技有限公司 | 一种基于云计算的智能分班系统 |
CN111539581A (zh) * | 2020-05-07 | 2020-08-14 | 浙江蓝鸽科技有限公司 | 智能分班排课方法及系统 |
CN112435147A (zh) * | 2020-11-02 | 2021-03-02 | 佛山科学技术学院 | 新高考智能分班方法、系统、计算机设备及存储介质 |
CN112862644A (zh) * | 2021-03-10 | 2021-05-28 | 深圳市倍思教育科技有限公司 | 分班方法、装置、计算机设备和存储介质 |
CN113610678A (zh) * | 2021-08-04 | 2021-11-05 | 西安电子科技大学广州研究院 | 基于启发式方法和自适应策略的新高考教学班分班方法 |
-
2019
- 2019-08-20 CN CN201910767665.8A patent/CN110517170A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111476489A (zh) * | 2020-04-09 | 2020-07-31 | 北京和气聚力教育科技有限公司 | 一种基于云计算的智能分班系统 |
CN111539581A (zh) * | 2020-05-07 | 2020-08-14 | 浙江蓝鸽科技有限公司 | 智能分班排课方法及系统 |
CN112435147A (zh) * | 2020-11-02 | 2021-03-02 | 佛山科学技术学院 | 新高考智能分班方法、系统、计算机设备及存储介质 |
CN112435147B (zh) * | 2020-11-02 | 2024-04-19 | 佛山科学技术学院 | 新高考智能分班方法、系统、计算机设备及存储介质 |
CN112862644A (zh) * | 2021-03-10 | 2021-05-28 | 深圳市倍思教育科技有限公司 | 分班方法、装置、计算机设备和存储介质 |
CN112862644B (zh) * | 2021-03-10 | 2024-01-09 | 深圳市倍思教育科技有限公司 | 分班方法、装置、计算机设备和存储介质 |
CN113610678A (zh) * | 2021-08-04 | 2021-11-05 | 西安电子科技大学广州研究院 | 基于启发式方法和自适应策略的新高考教学班分班方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110517170A (zh) | 基于进化算法的选科分班方法 | |
Bas et al. | A modified genetic algorithm for forecasting fuzzy time series | |
CN109492765A (zh) | 一种基于迁移模型的图像增量学习方法 | |
Goulas et al. | Mapping the hierarchical layout of the structural network of the macaque prefrontal cortex | |
CN109841281A (zh) | 基于共表达相似性识别肺腺癌早期诊断标识及风险预测模型的构建方法 | |
McGuffey | “Saving masculinity:” Gender reaffirmation, sexuality, race, and parental responses to male child sexual abuse | |
Müller et al. | Hyper-brain networks support romantic kissing in humans | |
Stevens et al. | Artificial neural networks can distinguish novice and expert strategies during complex problem solving | |
Cho et al. | Using social network analysis and gradient boosting to develop a soccer win–lose prediction model | |
CN110222782A (zh) | 基于密度聚类的有监督二分类数据分析方法及系统 | |
Jackson et al. | Aggression norms in the classroom social network: Contexts of aggressive behavior and social preference in middle childhood | |
Song et al. | Stationary distribution and extinction of a stochastic SVEIS epidemic model incorporating Ornstein–Uhlenbeck process | |
CN110197451A (zh) | 基于概率启发式技术的中学生选科编班方法 | |
Chen | Coordination with endogenous groups | |
Kohne et al. | The role of network structure and initial group norm distributions in norm conflict | |
CN116598012A (zh) | 一种基于联邦学习价值评估的慢性病医疗保健方法和系统 | |
CN109919458B (zh) | 社交网络中基于概念格的协作成本任务分配方法及其系统 | |
Loh et al. | Estimating social influence in a social network using potential outcomes. | |
Paolillo et al. | How different homophily preferences mitigate and spur ethnic and value segregation: Schelling’s model extended | |
Bassin | Between realism and the ‘New Right’: geopolitics in Germany in the 1990s | |
CN111292062B (zh) | 基于网络嵌入的众包垃圾工人检测方法、系统及存储介质 | |
Borowski et al. | Adolescent controversial status brokers: A double-edged sword. | |
Cepeda et al. | Optimal matching with a variable number of controls vs. a fixed number of controls for a cohort study: trade-offs | |
Farahani et al. | Fuzzy cognitive maps for impact assessment in psychological research: Case study of psychological well-being | |
Žnidaršič et al. | Treating missing network data before partitioning |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191129 |