CN111539581A - 智能分班排课方法及系统 - Google Patents

智能分班排课方法及系统 Download PDF

Info

Publication number
CN111539581A
CN111539581A CN202010378569.7A CN202010378569A CN111539581A CN 111539581 A CN111539581 A CN 111539581A CN 202010378569 A CN202010378569 A CN 202010378569A CN 111539581 A CN111539581 A CN 111539581A
Authority
CN
China
Prior art keywords
class
students
course
student
shift
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
Application number
CN202010378569.7A
Other languages
English (en)
Inventor
张新华
李琳璐
姜玉奇
李宁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Lancoo Technology Co ltd
Original Assignee
Zhejiang Lancoo Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Lancoo Technology Co ltd filed Critical Zhejiang Lancoo Technology Co ltd
Priority to CN202010378569.7A priority Critical patent/CN111539581A/zh
Publication of CN111539581A publication Critical patent/CN111539581A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • 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)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Educational Technology (AREA)
  • Evolutionary Biology (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Genetics & Genomics (AREA)
  • Evolutionary Computation (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Physiology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及教学领域，公开了一种智能分班排课方法及系统，可以最大程度地减少分班结果中学生的走班率，使得排课结果更加优质可靠。该方法包括：获取学生的选课组合和课程成绩，并获取成班人数条件，其中每种选课组合包括N种选考课程，N≥2；根据选课组合、课程成绩、和成班人数条件分班，得到分班结果；基于该分班结果生成初始种群，使用遗传算法获取最优排课方案。

Description

智能分班排课方法及系统
技术领域
本申请涉及教学领域，特别涉及智能分班排课技术。
背景技术
随着新高考制度的实行，“走班制”教学模式逐渐替代传统的高中教学模式。这种教学模式的启动，导致课程安排涉及的因素和限制条件增多，同时大量的排课任务带来的教学资源匮乏问题，也增加了学校的排课难度。
目前，大部分使用遗传算法的排课模型都是基于传统的教学模式，并未充分考虑走班制下的课程特点，涉及的排课因素和约束条件不够全面和合理，导致最终的排课结果无法兼顾满足学生上课、教师教学、学校资源配置等需求。
发明内容
本申请的目的在于提供一种智能分班排课方法及系统，可以最大程度地减少分班结果中学生的走班率，使得排课结果更加优质可靠。
本申请公开了一种智能分班排课方法，包括：
获取学生的选课组合和课程成绩，并获取成班人数条件，其中每种选课组合包括N种选考课程，N≥2；
根据选课组合、课程成绩、和成班人数条件分班，得到分班结果；
基于所述分班结果生成初始种群，使用遗传算法获取最优排课方案。
在一个优选例中，所述成班人数条件包括最小成班人数；所述根据选课组合、课程成绩、和成班人数条件分班，进一步包括：
按照整数变量i从N到0的顺序，依次重复执行以下步骤，直到所有学生分班完成；
重复执行以下步骤，直到不存在当前未分班学生的选课组合中具有i种相同选考课程的学生数量大于或等于最小成班人数的情况：
在当前未分班学生中，挑选课组合中具有i种相同选考课程的学生形成学生集合，如果该学生集合中学生数量大于或等于所述最小成班人数，则对该学生集合中的学生按照课程成绩进行排序，根据排序结果从该学生集合中选择多名学生形成至少一个班，直到该学生集合中剩余的学生数量小于所述最小成班人数。
在一个优选例中，所述成班人数条件还包括最大成班人数；所述在当前未分班学生中，挑选课组合中具有i种相同选考课程的学生形成学生集合，如果该学生集合中学生数量大于或等于所述最小成班人数，则对该学生集合中的学生按照课程成绩进行排序，根据排序结果从该学生集合中选择多名学生形成至少一个班，直到该学生集合中剩余的学生数量小于所述最小成班人数，进一步包括：
在当前未分班学生中，挑选课组合中具有i种相同选考课程的学生形成学生集合；
根据所述学生集合中学生的数量、所述最小成班人数和所述最大成班人数确定对应的成班结果，所述成班结果包括成班班级数量及每个成班班级的人数；
对所述学生集合中的学生按照课程成绩进行排序，根据排序结果和所述成班结果将所述学生集合中的学生分配至各成班班级中。
在一个优选例中，所述根据该学生集合中学生的数量、所述最小成班人数和所述最大成班人数确定成班结果，进一步包括：
根据约束条件“
Figure BDA0002481005390000031
且
Figure BDA0002481005390000032
最小”计算所述成班结果，其中couSizei表示所述学生集合中学生数量，mi表示所述成班结果中的成班班级数量，aij表示在mi个成班班级中的第j个成班班级的人数。
在一个优选例中，所述对所述学生集合中的学生按照课程成绩进行排序，根据排序结果和所述成班结果将所述学生集合中的学生分配至各成班班级中，进一步包括：
根据公式
Figure BDA0002481005390000033
计算所述学生集合中每个学生的选课组合的课程成绩的离散系数，其中
Figure BDA0002481005390000034
CVik表示所述集合中第k个学生的选课组合的课程成绩的离散系数，nk表示第k个学生的选课组合的总课程数量，Sikj表示所述学生集合中第k个学生的第j门课程的成绩；
将所述集合中的学生按照所述离散系数降序排序，根据排序结果和所述成班结果将所述学生集合中的学生依次分配至各成班班级中。
在一个优选例中，所述基于所述分班结果生成初始种群，使用遗传算法获取最优排课方案，进一步包括：
基于分班结果，构建以班级为列、教学时间段为行的二维数据表；
根据排课规则和冲突检测机制，采用随机生成的方式将“班级-教室-课程-教师”组合信息分配“教学时间段”组合信息中以得到初始种群，所述初始种群包括生成的各排课方案；
根据实际排课的约束条件，对各排课方案中的课程冲突次数、课程的教学时间段均匀度、学生上课时间段分配的均匀度、课程的教学时间段安排优先度和教室利用率进行评估，并根据评估结果计算所述初始种群中个体的适应度；
如果所述个体的适应度不满足优化标准，则通过选择、交叉、变异的迭代优化所述初始种群以生成新一代种群直至所生成的新一代种群的个体适应度满足所述优化标准为止，输出最优个体作为最优排课方案。
在一个优选例中，所述根据实际排课的约束条件，对各排课方案中的课程冲突次数、课程的教学时间段均匀度、学生上课时间段分配的均匀度、课程的教学时间段安排优先度和教室资源利用率进行评估，并根据评估结果计算所述初始种群中个体的适应度，进一步包括：
根据公式
Figure BDA0002481005390000041
计算各课程的教学时间段均匀度，其中uc
表示第c种课程的教学时间段均匀度，dcαβ表示第c种课程的第α个教学时间段到第β个教学时间段的距离，ntime表示第c种课程的教学时节总数；
根据公式
Figure BDA0002481005390000042
计算各学生上课时间段分配的均匀度，其中vd表示第d个学生上课时间段分配的均匀度，dpw表示一周内上课的天数，nperioddf表示第d个学生在第f天上课节数，
Figure BDA0002481005390000043
表示第d个学生一周上课节数的均值；
根据公式
Figure BDA0002481005390000044
计算各课程的教学时间段安排优先度，其中courseweightvs表示第v个课程在第s个教学时间段的教学效果权重，ngcourse表示课程总数，ppd为一天内教学时间段个数；
根据公式
Figure BDA0002481005390000051
计算教室利用率，其中nclass表示分班班级总数，nsuclasse表示第e个班级的学生数量，msturoome表示第e个班级安排教室的容量。
根据公式
Figure BDA0002481005390000052
计算所述初始种群中各个体的适应度，其中fg表示第g个个体的适应度，crashg表示第g个个体的冲突次数，包括教师冲突、班级冲突、教室冲突和学生上课冲突，courses表示排课任务中的课程种类总数，students表示选课分班学生总数。
本申请还公开了一种智能分班排课系统包括：
分班模块，用于获取学生的选课组合和课程成绩，并获取成班人数条件，其中每种选课组合包括N种选考课程，N≥2，并根据选课组合、课程成绩、和成班人数条件分班，得到分班结果；
排课模块，用于基于所述分班结果生成初始种群，使用遗传算法获取最优排课方案。
本申请还公开了一种智能分班排课系统包括：
存储器，用于存储计算机可执行指令；以及，
处理器，用于在执行所述计算机可执行指令时实现如前文描述的方法中的步骤。
本申请还公开了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计算机可执行指令，所述计算机可执行指令被处理器执行时实现如前文描述的方法中的步骤。
本申请实施方式中，至少包括以下优点和有益效果：
本申请的实施方式根据学生的选课组合和课程成绩两个维度设计分班策略，将选课课程相同且成绩接近的学生分到同一个班级，这样可以最大程度地减少分班结果中学生的走班率，使得基于该分班结果得到的排课结果更加优质可靠，同时可以实现走班制教学模式下的分层教学，有利于教师因材施教，并且满足学生个性化学习需求。
进一步地，基于上述分班策略得到的分班结果生成初始种群，直接提高了初始种群的质量，进而基于该初始种群使用遗传学算法获取的最优个体(即最优排课方案)的可靠性更高，并且获取最优个体的过程更容易、速度更快。
进一步地，结合各课程的教学时间段均匀度、学生上课时间段分配的均匀度、不同学科课程在不同时间安排的优先度、教室资源利用率、教学安排冲突等多个维度来设计排课方案的适应度函数，对传统的遗传算法进行改进，可以更加合理地评估出排课方案的优劣程度，使得基于改进的遗传算法获取的排课结果更加优质，能够同时满足学生上课、教师授课和学校资源配置等各方面需求。
本申请的说明书中记载了大量的技术特征，分布在各个技术方案中，如果要罗列出本申请所有可能的技术特征的组合(即技术方案)的话，会使得说明书过于冗长。为了避免这个问题，本申请上述发明内容中公开的各个技术特征、在下文各个实施方式和例子中公开的各技术特征、以及附图中公开的各个技术特征，都可以自由地互相组合，从而构成各种新的技术方案(这些技术方案均因视为在本说明书中已经记载)，除非这种技术特征的组合在技术上是不可行的。例如，在一个例子中公开了特征A+B+C，在另一个例子中公开了特征A+B+D+E，而特征C和D是起到相同作用的等同技术手段，技术上只要择一使用即可，不可能同时采用，特征E技术上可以与特征C相组合，则，A+B+C+D的方案因技术不可行而应当不被视为已经记载，而A+B+C+E的方案应当视为已经被记载。
附图说明
图1是根据本申请第一实施方式的智能分班排课方法流程示意图；
图2是根据本申请第二实施方式的智能分班排课系统结构示意图；
图3是根据本申请一个实施例的智能分班排课系统的处理过程示意图。
具体实施方式
在以下的叙述中，为了使读者更好地理解本申请而提出了许多技术细节。但是，本领域的普通技术人员可以理解，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的技术方案。
部分概念的说明：
“x+y”教学模式：所有学生除x门必考课程的学习，从另外z门选考课程中选择y门进行选择学习，其中x、y、z为正整数，且z＞y。例如所有学生除“语文、数学、外语”3门学科的学习，从“物理、化学、生物、政治、历史、地理”6门选考课程中选择3门进行选择学习，即为“3+3”教学模式。
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请的实施方式作进一步地详细描述。
本申请的第一实施方式涉及一种智能分班排课方法，其流程如图1所示，该方法包括以下步骤：
在步骤101中，获取学生的选课组合和课程成绩，并获取成班人数条件，其中每种选课组合包括N种选考课程，N≥2。
可选地，该成班人数条件包括最小成班人数和最大成班人数。
之后，进入步骤102，根据选课组合、课程成绩、和成班人数条件分班，得到分班结果。
可选地，该步骤102可以进一步包括以下子步骤：
在步骤102a中，按照整数变量i从N到0的顺序，依次重复执行以下步骤102b，直到所有学生分班完成；
在步骤102b中，重复执行以下步骤102c，直到不存在当前未分班学生的选课组合中具有i种相同选考课程的学生数量大于或等于最小成班人数的情况：
在步骤102c中，在当前未分班学生中，挑选课组合中具有i种相同选考课程的学生形成学生集合，如果该学生集合中学生数量大于或等于该最小成班人数，则对该学生集合中的学生按照课程成绩进行排序，根据排序结果从该学生集合中选择多名学生形成至少一个班，直到该学生集合中剩余的学生数量小于该最小成班人数。
可选地，上述步骤102c可以进一步包括以下子步骤①、②和③：
在步骤①中，在当前未分班学生中，挑选课组合中具有i种相同选考课程的学生形成学生集合；之后执行步骤②，根据该学生集合中学生的数量、该最小成班人数和该最大成班人数确定对应的成班结果，该成班结果包括成班班级数量及每个成班班级的人数；之后执行步骤③，对该学生集合中的学生按照课程成绩进行排序，根据排序结果和该成班结果将该学生集合中的学生分配至各成班班级中。
可选地，上述步骤②可以进一步实现为：根据约束条件“
Figure BDA0002481005390000081
Figure BDA0002481005390000082
且
Figure BDA0002481005390000083
最小”计算所述成班结果，其中couSizei表示所述学生集合中学生数量，mi表示所述成班结果中的成班班级数量，aij表示在mi个成班班级中的第j个成班班级的人数。
可选地，上述步骤③可以进一步实现为：根据公式
Figure BDA0002481005390000084
Figure BDA0002481005390000091
计算该学生集合中每个学生的选课组合的课程成绩的离散系数，其中
Figure BDA0002481005390000092
CVik表示该集合中第k个学生的选课组合的课程成绩的离散系数，nk表示第k个学生的选课组合的总课程数量，Sikj表示该学生集合中第k个学生的第j门课程的成绩；以及将该集合中的学生按照该离散系数降序排序，根据排序结果和该成班结果将该学生集合中的学生依次分配至各成班班级中。
之后，进入步骤103，基于该分班结果生成初始种群，使用遗传算法获取最优排课方案。
可选地，该步骤103可以进一步实现为以下子步骤103a、103b、103c和103d：
在步骤103a中，基于分班结果，构建以班级为列、教学时间段为行的二维数据表；之后执行步骤103b，根据排课规则和冲突检测机制，采用随机生成的方式将“班级-教室-课程-教师”组合信息分配“教学时间段”组合信息中以得到初始种群，该初始种群包括生成的各排课方案；之后执行步骤103c，根据实际排课的约束条件，对各排课方案中的课程冲突次数、课程的教学时间段均匀度、学生上课时间段分配的均匀度、课程的教学时间段安排优先度和教室利用率进行评估，并根据评估结果计算该初始种群中个体的适应度；之后执行步骤103d，如果该个体的适应度不满足优化标准，则通过选择、交叉、变异的迭代优化该初始种群以生成新一代种群直至所生成的新一代种群的个体适应度满足该优化标准为止，输出最优个体作为最优排课方案。
可选地，上述步骤103c可以进一步实现为以下子步骤Ⅰ、Ⅱ、Ⅲ、Ⅳ和Ⅴ：
在步骤Ⅰ中，根据公式
Figure BDA0002481005390000101
计算各课程的教学时间段均匀度，其中uc表示第c种课程的教学时间段均匀度，dcαβ表示第c种课程的第α个教学时间段到第β个教学时间段的距离，ntime表示第c种课程的教学时节总数；之后执行步骤Ⅱ，根据公式
Figure BDA0002481005390000102
计算各学生上课时间段分配的均匀度，其中vd表示第d个学生上课时间段分配的均匀度，dpw表示一周内上课的天数，nperioddf表示第d个学生在第f天上课节数，
Figure BDA0002481005390000103
表示第d个学生一周上课节数的均值；之后执行步骤Ⅲ，根据公式
Figure BDA0002481005390000104
计算各课程的教学时间段安排优先度，其中courseweightvs表示第v个课程在第s个教学时间段的教学效果权重，ngcourse表示课程总数，ppd为一天内教学时间段个数；之后执行步骤Ⅳ，根据公式
Figure BDA0002481005390000105
计算教室利用率，其中nclass表示分班班级总数，nsuclasse表示第e个班级的学生数量，msturoome表示第e个班级安排教室的容量；之后执行步骤Ⅴ，根据公式
Figure BDA0002481005390000106
Figure BDA0002481005390000107
计算该初始种群中各个体的适应度，其中fg表示第g个个体的适应度，crashg表示第g个个体的冲突次数，包括教师冲突、班级冲突、教室冲突和学生上课冲突，courses表示排课任务中的课程种类总数，students表示选课分班学生总数。
需要指出，上述步骤Ⅰ、Ⅱ、Ⅲ、Ⅳ中的各步骤可以以任意顺序执行。
根据各个地区的要求不同课程数量可能不同，本申请的实施方式适用于所有的“x+y”教学模式的分班排课。
为了能够更好地理解本申请的技术方案，下面结合一个具体的例子来进行说明，该例子中罗列的细节主要是为了便于理解，不作为对本申请保护范围的限制。该例子是在“3+3”教学模式下的分班排课过程。在该例子中，每种选课组合包括3种选考课程。该例子的分班排课过程包括以下步骤：
开始，获取学生的选课组合和课程成绩，并获取最小成班人数和最大成班人数；
之后，根据选课组合、课程成绩、和成班人数条件分班，得到分班结果。
具体的，首先在当前所有学生中，挑选课组合中具有3种相同选考课程的学生形成学生集合A，如果该学生集合A中学生数量大于或等于该最小成班人数，则对学生集合A中的学生按照课程成绩进行排序，根据排序结果从学生集合A中选择多名学生形成至少一个班，直到学生集合A中剩余的学生数量小于该最小成班人数；然后，统计当前未分班学生，并在当前未分班学生中，挑选课组合中具有2种相同选考课程的学生形成学生集合B，如果该学生集合B中学生数量大于或等于该最小成班人数，则对学生集合B中的学生按照课程成绩进行排序，根据排序结果从学生集合B中选择多名学生形成至少一个班，直到学生集合B中剩余的学生数量小于该最小成班人数；然后，统计当前未分班学生，并在当前未分班学生中，挑选课组合中具有1种相同选考课程的学生形成学生集合C，如果该学生集合C中学生数量大于或等于该最小成班人数，则对学生集合C中的学生按照课程成绩进行排序，根据排序结果从学生集合C中选择多名学生形成至少一个班，直到学生集合C中剩余的学生数量小于该最小成班人数；然后，统计当前未分班学生，并在当前未分班学生中，挑选课组合中具有0种相同选考课程的学生形成学生集合D，如果该学生集合D中学生数量大于或等于该最小成班人数，则对学生集合D中的学生按照课程成绩进行排序，根据排序结果从学生集合D中选择多名学生形成至少一个班，直到学生集合D中剩余的学生数量小于该最小成班人数,并且如果学生集合D中剩余学生数量小于该最小成班人数，则额外组成一个班；最终得到分班结果。
之后，基于该分班结果生成初始种群。
具体的，基于该分班结果，构建以班级为列、教学时间段为行的二维数据表，根据排课规则和冲突检测机制，采用随机生成的方式，将“班级-教室-课程-教师”组合信息分配“教学时间段”组合信息中，每生成一张完整的二维数据表即表示一种排课方案，作为排课算法初始种群中的一条染色体。具体实现如下：
A)染色体中的基因编码，即每种基因编码组合代表一个排课任务，具体包含的基因编码如下表1：
表1
班级编码 课程编码 教师编码 教室编码 教学时间段编码
B)根据排课规则，随机生成n条染色体(即包含n种排课方案集合)，构建初始种群，具体包括以下步骤：
①生成排课任务编码，包括班级、教室、课程、教师、教学时间段编码，具体为：
a、初始化第一个排课任务的班级二进制编码，如该班级为班级集合的第i个班级，则i的二进制编码为该班级的染色体基因编码；初始化第一个排课任务的教室二进制编码，如该教师为教室集合的第i个班级，则i的二进制编码为该班级的染色体基因编码；同理，初始化第一个排课任务的课程、教师二进制编码；
b、确定时间段编码：
计算每周排课位总数s＝d*h(d为每周授课天数，h为每天授课节数)，总排课位集合S∈[1,s]；
计算去除该排课任务教师、班级、教室和课程的禁排课位的无重复的并集Q；
计算该排课任务中教师、班级、教室和课程的已排课位集合H；
则该排课任务的可排课位集合为U＝S-Q-H，随机取集合U中一个整数的二进制编码作为该排课任务的教学时间段基因编码；
②重复步骤①，直到完成当前染色体中所有排课任务的编码；
③重复步骤①至步骤②，直到完成该初始种群中的所有染色体编码。
例如，如下表2所示为生成的一个示例染色体编码(即一种排课方案，其中一种排课方案包含了所有的排课任务)。
表2
Figure BDA0002481005390000131
需要注意的是，上述表2中的c、t分别表示班级、教学时间段；s、k、r分别表示课程、教师、教室；{[cm][smn][kmn][rmm][rmm]}表示[cm]班级的[smn]课程由[kmn]教师在[rmm]教室的[rmm]教学时间段开展。
之后，基于该初始种群，使用改进的遗传算法获取最优排课方案。
具体包括：
(1)根据实际排课的约束条件，对各排课方案中的课程冲突次数、课程的教学时间段均匀度、学生上课时间段分配的均匀度、课程的教学时间段安排优先度和教室利用率进行评估，并根据评估结果计算该初始种群中个体的适应度。其中，具体适应度函数如下：
Figure BDA0002481005390000132
其中，fg表示第g个个体的适应度；crashg表示第g个个体的冲突次数，包括教师冲突、班级冲突、教室冲突和学生上课冲突；courses表示排课任务中的课程种类总数；students表示选课分班学生总数；
Figure BDA0002481005390000141
其中uc表示第c种课程的教学时间段均匀度，dcαβ表示第c种课程的第α个教学时间段到第β个教学时间段的距离，ntime表示第c种课程的教学时节总数；
Figure BDA0002481005390000142
其中vd表示第d个学生上课时间段分配的均匀度，dpw表示一周内上课的天数，nperioddf表示第d个学生在第f天上课节数，
Figure BDA0002481005390000143
表示第d个学生一周上课节数的均值；
Figure BDA0002481005390000144
Figure BDA0002481005390000145
其中courseweightvs表示第v个课程在第s个教学时间段的教学效果权重，ngcourse表示课程总数，ppd为一天内教学时间段个数；
Figure BDA0002481005390000146
其中nclass表示分班班级总数，nsuclasse表示第e个班级的学生数量，msturoome表示第e个班级安排教室的容量。
(2)基于个体适应度计算，如果该个体的适应度不满足优化标准，则通过选择、交叉、变异的迭代优化该初始种群以生成新一代种群直至所生成的新一代种群的个体适应度满足该优化标准为止，输出最优个体作为最优排课方案。需要指出，这里的优化标准是指根据经验设置的迭代次数内，子代的平均适应度和最大适应度与父代相比是否趋于稳定，则结束算法。其中，具体执行选择、交叉、变异操作如下：
A)选择算子
选择操作将选择第g代中优越的候选解进入下一代，放弃其他一些非优的候选解。选择过程中引入竞争机制，同时采用轮盘赌算法，具体操作为：
①获取g代种群中最大适应度值，采用轮盘安置方式按种群适应度降序排列，设置随机值r，
②计算个体选择率，采用二分查找的方式查找r在轮盘中对应位置，则该位置为要选择的个体染色体位置。其中个体选择率
Figure BDA0002481005390000147
fitg[i]为个体i在第g代种群中的适应度大小；fit.back()为存放种群个体的适应度总和。
B)交叉算子
交叉操作是通过将第g代种群中所有个体随机的进行两两配对，产生更高效、合理的新个体。在交叉操作过程中采用计算编码间海明距离的方式，具体操作为：
①对所有个体进行交叉操作预测，产生随机值rd；
②计算个体交叉概率，若rd小于交叉概率则进行交叉操作，并通过轮盘赌法找到与当前个体染色体进行交叉操作的位置，实现交叉操作。其中，个体交叉概率
Figure BDA0002481005390000151
fitmax为最大适应度值；fitg[i]为个体在当代种群中的适应度大小；pc为交叉概率的初始值。
需要说明的是，这里的交叉操作为两个体中同一个课程组的课表进行交叉操作，取当前个体课表优先安排，另一个课表先安排无冲突的课程，有冲突的课程随机安排在无课的时间段。
C)变异算子
变异操作是通过将个体染色体的部分编码随机交换，以达到产生新个体的目的。在变异操作过程中采用单点变异的方式，具体操作为：
对所有个体进行变异操作预测，产生随机值rdd；若产生的随机数小于变异概率进行变异。
需要说明的是，这里的单点变异即一个染色体只对时间片基因进行变异，随机改变时间片基因任意一个基因位进行变异，但同时确保变异后的时间片不能产生排课冲突。
另外，该例子的另一种变异概率的计算方式为：根据经验值设置，当个体适应度小于平均适应度的种群有一个较大的变异率(一般为0.02)，适应度大于平均适应度的种群有一个较小的变异率(一般小于0.01)。
本申请的第二实施方式涉及一种智能分班排课系统，其结构如图2和图3所示，该智能分班排课系统包括分班模块和排课模块。
具体的，该分班模块用于获取学生的选课组合和课程成绩，并获取成班人数条件，其中每种选课组合包括N种选考课程，N≥2，并根据选课组合、课程成绩、和成班人数条件分班，得到分班结果。
可选地，该成班人数条件包括最小成班人数和最大成班人数。
可选地，该排课模块用于按照整数变量i从N到0的顺序，依次重复执行以下第一子模块中的步骤，直到所有学生分班完成。该第一子模块被配置为“重复执行以下第二子模块中的步骤，直到不存在当前未分班学生的选课组合中具有i种相同选考课程的学生数量大于或等于最小成班人数的情况”。该第二子模块被配置为“在当前未分班学生中，挑选课组合中具有i种相同选考课程的学生形成学生集合，如果该学生集合中学生数量大于或等于该最小成班人数，则对该学生集合中的学生按照课程成绩进行排序，根据排序结果从该学生集合中选择多名学生形成至少一个班，直到该学生集合中剩余的学生数量小于该最小成班人数”。
可选地，上述的第二子模块还被配置为“在当前未分班学生中，挑选课组合中具有i种相同选考课程的学生形成学生集合，根据该学生集合中学生的数量、该最小成班人数和该最大成班人数确定对应的成班结果，该成班结果包括成班班级数量及每个成班班级的人数，并对该学生集合中的学生按照课程成绩进行排序，根据排序结果和该成班结果将该学生集合中的学生分配至各成班班级中”。
可选地，上述第二子模块还被配置为“根据约束条件‘
Figure BDA0002481005390000161
且
Figure BDA0002481005390000162
最小’计算所述成班结果，其中couSizei表示所述学生集合中学生数量，mi表示所述成班结果中的成班班级数量，aij表示在mi个成班班级中的第j个成班班级的人数”。
可选地，上述第二子模块还被配置为“根据公式
Figure BDA0002481005390000171
Figure BDA0002481005390000172
计算该学生集合中每个学生的选课组合的课程成绩的离散系数，其中
Figure BDA0002481005390000173
CVik表示该集合中第k个学生的选课组合的课程成绩的离散系数，nk表示第k个学生的选课组合的总课程数量，Sikj表示该学生集合中第k个学生的第j门课程的成绩；以及将该集合中的学生按照该离散系数降序排序，根据排序结果和该成班结果将该学生集合中的学生依次分配至各成班班级中”。
该排课模块用于基于分班模块得到的分班结果生成初始种群，使用遗传算法获取最优排课方案。
可选地，该排课模块还用于基于来自分班模块的分班结果，构建以班级为列、教学时间段为行的二维数据表，根据排课规则和冲突检测机制，采用随机生成的方式将“班级-教室-课程-教师”组合信息分配“教学时间段”组合信息中以得到初始种群，该初始种群包括生成的各排课方案，根据实际排课的约束条件，对各排课方案中的课程冲突次数、课程的教学时间段均匀度、学生上课时间段分配的均匀度、课程的教学时间段安排优先度和教室利用率进行评估，并根据评估结果计算该初始种群中个体的适应度，如果该个体的适应度不满足优化标准，则通过选择、交叉、变异的迭代优化该初始种群以生成新一代种群直至所生成的新一代种群的个体适应度满足该优化标准为止，输出最优个体作为最优排课方案。
可选地，该排课模块还用于根据公式
Figure BDA0002481005390000174
计算各课程的教学时间段均匀度，其中uc表示第c种课程的教学时间段均匀度，dcαβ表示第c种课程的第α个教学时间段到第β个教学时间段的距离，ntime表示第c种课程的教学时节总数；根据公式
Figure BDA0002481005390000181
计算各学生上课时间段分配的均匀度，其中vd表示第d个学生上课时间段分配的均匀度，dpw表示一周内上课的天数，nperioddf表示第d个学生在第f天上课节数，
Figure BDA0002481005390000182
表示第d个学生一周上课节数的均值；根据公式
Figure BDA0002481005390000183
计算各课程的教学时间段安排优先度，其中courseweightvs表示第v个课程在第s个教学时间段的教学效果权重，ngcourse表示课程总数，ppd为一天内教学时间段个数；根据公式
Figure BDA0002481005390000184
计算教室利用率，其中nclass表示分班班级总数，nsuclasse表示第e个班级的学生数量，msturoome表示第e个班级安排教室的容量；以及根据公式
Figure BDA0002481005390000185
计算该初始种群中各个体的适应度，其中fg表示第g个个体的适应度，crashg表示第g个个体的冲突次数，包括教师冲突、班级冲突、教室冲突和学生上课冲突，courses表示排课任务中的课程种类总数，students表示选课分班学生总数。
第一实施方式是与本实施方式相对应的方法实施方式，第一实施方式中的技术细节可以应用于本实施方式，本实施方式中的技术细节也可以应用于第一实施方式。
需要说明的是，本领域技术人员应当理解，上述智能分班排课系统的实施方式中所示的各模块的实现功能可参照前述智能分班排课方法的相关描述而理解。上述智能分班排课系统的实施方式中所示的各模块的功能可通过运行于处理器上的程序(可执行指令)而实现，也可通过具体的逻辑电路而实现。本申请实施例上述智能分班排课系统如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实施例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一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本申请实施例不限制于任何特定的硬件和软件结合。
相应地，本申请实施方式还提供一种计算机可读存储介质，其中存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现本申请的各方法实施方式。计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括但不限于，相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读存储介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
此外，本申请实施方式还提供一种智能分班排课系统，其中包括用于存储计算机可执行指令的存储器，以及，处理器；该处理器用于在执行该存储器中的计算机可执行指令时实现上述各方法实施方式中的步骤。其中，该处理器可以是中央处理单元(CentralProcessing Unit，简称“CPU”)，还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，简称“DSP”)、专用集成电路(Application Specific IntegratedCircuit，简称“ASIC”)等。前述的存储器可以是只读存储器(read-only memory，简称“ROM”)、随机存取存储器(random access memory，简称“RAM”)、快闪存储器(Flash)、硬盘或者固态硬盘等。本发明各实施方式所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
需要说明的是，在本专利的申请文件中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、方法、物品或者设备不仅包括那些要素，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、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。本专利的申请文件中，如果提到根据某要素执行某行为，则是指至少根据该要素执行该行为的意思，其中包括了两种情况：仅根据该要素执行该行为、和根据该要素和其它要素执行该行为。多个、多次、多种等表达包括2个、2次、2种以及2个以上、2次以上、2种以上。
在本申请提及的所有文献都被认为是整体性地包括在本申请的公开内容中，以便在必要时可以作为修改的依据。此外应理解，以上所述仅为本说明书的较佳实施例而已，并非用于限定本说明书的保护范围。凡在本说明书一个或多个实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本说明书一个或多个实施例的保护范围之内。

Claims (10)

1.一种智能分班排课方法，其特征在于，包括：
获取学生的选课组合和课程成绩，并获取成班人数条件，其中每种选课组合包括N种选考课程，N≥2；
根据选课组合、课程成绩、和成班人数条件分班，得到分班结果；
基于所述分班结果生成初始种群，使用遗传算法获取最优排课方案。
2.如权利要求1所述的智能分班排课方法，其特征在于，所述成班人数条件包括最小成班人数；所述根据选课组合、课程成绩、和成班人数条件分班，进一步包括：
按照整数变量i从N到0的顺序，依次重复执行以下步骤，直到所有学生分班完成；
重复执行以下步骤，直到不存在当前未分班学生的选课组合中具有i种相同选考课程的学生数量大于或等于最小成班人数的情况：
在当前未分班学生中，挑选课组合中具有i种相同选考课程的学生形成学生集合，如果该学生集合中学生数量大于或等于所述最小成班人数，则对该学生集合中的学生按照课程成绩进行排序，根据排序结果从该学生集合中选择多名学生形成至少一个班，直到该学生集合中剩余的学生数量小于所述最小成班人数。
3.如权利要求2所述的智能分班排课方法，其特征在于，所述成班人数条件还包括最大成班人数；所述在当前未分班学生中，挑选课组合中具有i种相同选考课程的学生形成学生集合，如果该学生集合中学生数量大于或等于所述最小成班人数，则对该学生集合中的学生按照课程成绩进行排序，根据排序结果从该学生集合中选择多名学生形成至少一个班，直到该学生集合中剩余的学生数量小于所述最小成班人数，进一步包括：
在当前未分班学生中，挑选课组合中具有i种相同选考课程的学生形成学生集合；
根据所述学生集合中学生的数量、所述最小成班人数和所述最大成班人数确定对应的成班结果，所述成班结果包括成班班级数量及每个成班班级的人数；
对所述学生集合中的学生按照课程成绩进行排序，根据排序结果和所述成班结果将所述学生集合中的学生分配至各成班班级中。
4.如权利要求3所述的智能分班排课方法，其特征在于，所述根据该学生集合中学生的数量、所述最小成班人数和所述最大成班人数确定成班结果，进一步包括：
根据约束条件“
Figure FDA0002481005380000021
且
Figure FDA0002481005380000022
最小”计算所述成班结果，其中couSizei表示所述学生集合中学生数量，mi表示所述成班结果中的成班班级数量，aij表示在mi个成班班级中的第j个成班班级的人数。
5.如权利要求3所述的智能分班排课方法，其特征在于，所述对所述学生集合中的学生按照课程成绩进行排序，根据排序结果和所述成班结果将所述学生集合中的学生分配至各成班班级中，进一步包括：
根据公式
Figure FDA0002481005380000023
计算所述学生集合中每个学生的选课组合的课程成绩的离散系数，其中
Figure FDA0002481005380000024
CVik表示所述集合中第k个学生的选课组合的课程成绩的离散系数，nk表示第k个学生的选课组合的总课程数量，Sikj表示所述学生集合中第k个学生的第j门课程的成绩；
将所述集合中的学生按照所述离散系数降序排序，根据排序结果和所述成班结果将所述学生集合中的学生依次分配至各成班班级中。
6.如权利要求1所述的智能分班排课方法，其特征在于，所述基于所述分班结果生成初始种群，使用遗传算法获取最优排课方案，进一步包括：
基于分班结果，构建以班级为列、教学时间段为行的二维数据表；
根据排课规则和冲突检测机制，采用随机生成的方式将“班级-教室-课程-教师”组合信息分配“教学时间段”组合信息中以得到初始种群，所述初始种群包括生成的各排课方案；
根据实际排课的约束条件，对各排课方案中的课程冲突次数、课程的教学时间段均匀度、学生上课时间段分配的均匀度、课程的教学时间段安排优先度和教室利用率进行评估，并根据评估结果计算所述初始种群中个体的适应度；
如果所述个体的适应度不满足优化标准，则通过选择、交叉、变异的迭代优化所述初始种群以生成新一代种群直至所生成的新一代种群的个体适应度满足所述优化标准为止，输出最优个体作为最优排课方案。
7.如权利要求6所述的智能分班排课方法，其特征在于，所述根据实际排课的约束条件，对各排课方案中的课程冲突次数、课程的教学时间段均匀度、学生上课时间段分配的均匀度、课程的教学时间段安排优先度和教室利用率进行评估，并根据评估结果计算所述初始种群中个体的适应，进一步包括：
根据公式
Figure FDA0002481005380000031
计算各课程的教学时间段均匀度，其中uc表示第c种课程的教学时间段均匀度，dcαβ表示第c种课程的第α个教学时间段到第β个教学时间段的距离，ntime表示第c种课程的教学时节总数；
根据公式
Figure FDA0002481005380000041
计算各学生上课时间段分配的均匀度，其中vd表示第d个学生上课时间段分配的均匀度，dpw表示一周内上课的天数，nperioddf表示第d个学生在第f天上课节数，
Figure FDA0002481005380000042
表示第d个学生一周上课节数的均值；
根据公式
Figure FDA0002481005380000043
计算各课程的教学时间段安排优先度，其中courseweightvs表示第v个课程在第s个教学时间段的教学效果权重，ngcourse表示课程总数，ppd为一天内教学时间段个数；
根据公式
Figure FDA0002481005380000044
计算教室利用率，其中nclass表示分班班级总数，nsuclasse表示第e个班级的学生数量，msturoome表示第e个班级安排教室的容量。
根据公式
Figure FDA0002481005380000045
计算所述初始种群中各个体的适应度，其中fg表示第g个个体的适应度，crashg表示第g个个体的冲突次数，包括教师冲突、班级冲突、教室冲突和学生上课冲突，courses表示排课任务中的课程种类总数，students表示选课分班学生总数。
8.一种智能分班排课系统，其特征在于，包括：
分班模块，用于获取学生的选课组合和课程成绩，并获取成班人数条件，其中每种选课组合包括N种选考课程，N≥2，并根据选课组合、课程成绩、和成班人数条件分班，得到分班结果；
排课模块，用于基于所述分班结果生成初始种群，使用遗传算法获取最优排课方案。
9.一种智能分班排课系统，其特征在于，包括：
存储器，用于存储计算机可执行指令；以及，
处理器，用于在执行所述计算机可执行指令时实现如权利要求1至7中任意一项所述的方法中的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器执行时实现如权利要求1至7中任意一项所述的方法中的步骤。
CN202010378569.7A 2020-05-07 2020-05-07 智能分班排课方法及系统 Pending CN111539581A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010378569.7A CN111539581A (zh) 2020-05-07 2020-05-07 智能分班排课方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010378569.7A CN111539581A (zh) 2020-05-07 2020-05-07 智能分班排课方法及系统

Publications (1)

Publication Number Publication Date
CN111539581A true CN111539581A (zh) 2020-08-14

Family

ID=71977404

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010378569.7A Pending CN111539581A (zh) 2020-05-07 2020-05-07 智能分班排课方法及系统

Country Status (1)

Country Link
CN (1) CN111539581A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112288178A (zh) * 2020-11-05 2021-01-29 广州今之港教育咨询有限公司 一种智能分班方法
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
CN116862210A (zh) * 2023-09-05 2023-10-10 成都泰盟软件有限公司 一种智能排课方法、装置、设备及介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108280549A (zh) * 2018-01-30 2018-07-13 福州大学 一种基于改进遗传算法的走班制下的高中排课方法
CN109165799A (zh) * 2018-10-24 2019-01-08 大连明易科技有限公司 基于遗传算法的走班教学排课系统
CN109472410A (zh) * 2018-11-07 2019-03-15 成都鲸成科技有限公司 一种动态智能分班排课方法
CN109859083A (zh) * 2019-01-31 2019-06-07 山大鲁能信息科技有限公司 基于定二走一的自动选课分班方法及系统
CN109978738A (zh) * 2019-03-21 2019-07-05 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
CN110210649A (zh) * 2019-04-30 2019-09-06 武汉前兴科技股份有限公司 校园走班排课方法及系统
CN110335011A (zh) * 2019-05-29 2019-10-15 广东精标科技股份有限公司 基于学生职业生涯规划的智能选课排班系统
CN110363690A (zh) * 2019-05-29 2019-10-22 广东精标科技股份有限公司 基于大数据的学生管理系统
CN110503269A (zh) * 2019-08-29 2019-11-26 华中师范大学 走班教学下的分班排课方法及装置
CN110517170A (zh) * 2019-08-20 2019-11-29 西安电子科技大学 基于进化算法的选科分班方法
CN110738430A (zh) * 2019-10-25 2020-01-31 深圳软通动力信息技术有限公司 排课方法、装置、计算机设备及存储介质
CN111178751A (zh) * 2019-12-27 2020-05-19 广东宜教通教育有限公司 新高考走班智能排课方法、系统、计算机设备及存储介质

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108280549A (zh) * 2018-01-30 2018-07-13 福州大学 一种基于改进遗传算法的走班制下的高中排课方法
CN109165799A (zh) * 2018-10-24 2019-01-08 大连明易科技有限公司 基于遗传算法的走班教学排课系统
CN109472410A (zh) * 2018-11-07 2019-03-15 成都鲸成科技有限公司 一种动态智能分班排课方法
CN109859083A (zh) * 2019-01-31 2019-06-07 山大鲁能信息科技有限公司 基于定二走一的自动选课分班方法及系统
CN109978738A (zh) * 2019-03-21 2019-07-05 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
CN110210649A (zh) * 2019-04-30 2019-09-06 武汉前兴科技股份有限公司 校园走班排课方法及系统
CN110335011A (zh) * 2019-05-29 2019-10-15 广东精标科技股份有限公司 基于学生职业生涯规划的智能选课排班系统
CN110363690A (zh) * 2019-05-29 2019-10-22 广东精标科技股份有限公司 基于大数据的学生管理系统
CN110517170A (zh) * 2019-08-20 2019-11-29 西安电子科技大学 基于进化算法的选科分班方法
CN110503269A (zh) * 2019-08-29 2019-11-26 华中师范大学 走班教学下的分班排课方法及装置
CN110738430A (zh) * 2019-10-25 2020-01-31 深圳软通动力信息技术有限公司 排课方法、装置、计算机设备及存储介质
CN111178751A (zh) * 2019-12-27 2020-05-19 广东宜教通教育有限公司 新高考走班智能排课方法、系统、计算机设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
王华鑫: "走班排课算法的研究与设计", pages 12 - 26 *
王卫红 等: "基于改进遗传算法的高中走班制排课算法", vol. 44, no. 6, pages 601 - 607 *
颜节礼，唐建荣主编: "应用统计学", 西安电子科技大学出版社 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112288178A (zh) * 2020-11-05 2021-01-29 广州今之港教育咨询有限公司 一种智能分班方法
CN112288178B (zh) * 2020-11-05 2024-04-30 广州今之港教育咨询有限公司 一种智能分班方法
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
CN116862210A (zh) * 2023-09-05 2023-10-10 成都泰盟软件有限公司 一种智能排课方法、装置、设备及介质
CN116862210B (zh) * 2023-09-05 2024-03-15 成都泰盟软件有限公司 一种智能排课方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
CN111539581A (zh) 智能分班排课方法及系统
Akkan et al. A bi-criteria hybrid Genetic Algorithm with robustness objective for the course timetabling problem
CN110503269B (zh) 走班教学下的分班排课方法及装置
Chaudhuri et al. Fuzzy genetic heuristic for university course timetable problem
CN111178751B (zh) 新高考走班智能排课方法、系统、计算机设备及存储介质
CN109165799A (zh) 基于遗传算法的走班教学排课系统
CN116263782A (zh) 一种基于题库的智能组卷方法、系统及存储介质
Nabeel Hybrid genetic algorithms with great deluge for course timetabling
CN109242290B (zh) 一种无人机群行动方案自动生成方法
Thanh Solving timetabling problem using genetic and heuristic algorithms
Wen-jing Improved Adaptive Genetic Algorithm for Course Scheduling in Colleges and Universities.
Kazarlis et al. Solving university timetabling problems using advanced genetic algorithms
CN113269532B (zh) 一种基于紧迫度和回溯算法的高校排课方法
Hosny et al. A survey of genetic algorithms for the university timetabling problem
Cerdeira-Pena et al. New approaches for the school timetabling problem
Mirrazavi et al. A two-phase multiple objective approach to university timetabling utilising optimisation and evolutionary solution methodologies
CN116011787A (zh) 智能排课方法、装置、电子设备及计算机可读存储介质
Hosny et al. A mutation-based genetic algorithm for room and proctor assignment in examination scheduling
CN112102132B (zh) 行政班级的自动配置方法、装置和计算机设备
CN114781806A (zh) 基于多目标进化算法的多组合排课方法及装置及可读介质
CN111161112B (zh) 行政班智能排课方法、系统、计算机设备及存储介质
Mousa et al. Design and implementation of course timetabling system based on genetic algorithm
AL-MILLI HYBRID GENETIC ALGORITHMS WITH SIMULATING ANNEALING FOR UNIVERSITY COURSE TIMETABLING PROBLEMS.
Veresné et al. Training based change management problem for social innovation
Pambudi et al. Genetic algorithm for teaching distribution based on lecturers’ expertise

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