CN114529433A - 一种基于遗传算法的智慧校园排课方法 - Google Patents

一种基于遗传算法的智慧校园排课方法 Download PDF

Info

Publication number
CN114529433A
CN114529433A CN202210123959.9A CN202210123959A CN114529433A CN 114529433 A CN114529433 A CN 114529433A CN 202210123959 A CN202210123959 A CN 202210123959A CN 114529433 A CN114529433 A CN 114529433A
Authority
CN
China
Prior art keywords
fitness
information
course
module
class
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.)
Withdrawn
Application number
CN202210123959.9A
Other languages
English (en)
Inventor
万见高
柏智
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.)
Hunan Qiangzhi Technology Development Co ltd
Original Assignee
Hunan Qiangzhi Technology Development 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 Hunan Qiangzhi Technology Development Co ltd filed Critical Hunan Qiangzhi Technology Development Co ltd
Priority to CN202210123959.9A priority Critical patent/CN114529433A/zh
Publication of CN114529433A publication Critical patent/CN114529433A/zh
Withdrawn legal-status Critical Current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
    • 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
    • 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
    • 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
    • G06Q10/06313—Resource planning in a project environment
    • 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
    • G06Q10/06316—Sequencing of tasks or work

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Educational Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Evolutionary Computation (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

本发明公开了一种基于遗传算法的智慧校园排课方法，具体涉及教学管理技术领域，所述基于遗传算法的智慧校园排课方法采用智能排课系统实现，所述智能排课系统包括：选课教学模块、编码模块、冲突检测模块、适应度获取模块、变异计算模块以及课表输出模块，还包括在接收到临时调整课表请求时，及时更正最终输出的目标课程编码并进行替换，生成更正后的最终课表。本发明所述的一种基于遗传算法的智慧校园排课方法，利用适应度算法，通过主学科和兴趣学科的排课规则的智能制定，结合教育部的新高考政策以及本学校内的实际教学设施和师资力量，有效提高了排课效率和排课质量，体现了智慧校园这一主题。

Description

一种基于遗传算法的智慧校园排课方法
技术领域
本发明涉及教学管理技术领域，特别涉及一种基于遗传算法的智慧校园排课方法。
背景技术
遗传算法是一种通过模拟自然界生物进化过程求解极值的自适应人工智能技术，是由美国芝加哥大学Holland教授于1962年首先提出的。遗传算法借用了生物遗传学的观点，通过自然选择、遗传、变异等作用机制来提高各个个体的适应性，体现了自然界中“物竞天择、适者生存”的进化过程。遗传算法也因此吸引了一大批的研究者，并广泛应用于函数优化、组合优化、生产调度、机器学习、图像处理、模式识别等多个领域。
随着新的高考政策落地，原有的学校教务系统已经不适合新高考政策的学校管理，此处高考政策的最大的变革就是采取3+3的模式，就是语、数、外三科基础学科，加上从历史、地理、政治、化学、物理、生物这六科当中任选的三科参加高考。在这样的背景下，学生们最多可出现20种选择，在“走班选课”成为常态的情况下，学生们几乎人手一张课表。学校根据学生选科结果，在校舍数量、师资配备、课程资源、设施设备等方面做好准备，确定课程安排和选课走班的办法。这也是学校对学生们的自主选择的尊重。
随着人们对人工智能研究的深入，各种不同的智能算法被应用到排课问题的研究中，其中包括：模拟退火法、贪心算法、回溯法、时间位图匹配算法等，这些算法在一定程度上都属于启发式搜索求解，虽有一定的实际应用价值和后继参考价值，但仍然存在一些缺陷，也即只是在某个局部问题的方向进行求解，没有运用求解目标优化的技术，排出来的课表难定其优劣，不能实现多个目标同时优化，所以实际排课效果差强人意。由此可见，目前的排课方法不能实现多个排课目标同时优化，排课效果差。
发明内容
本发明的主要目的在于提供一种基于遗传算法的智慧校园排课方法，可以有效解决背景技术中的问题。
为实现上述目的，本发明采取的技术方案为：
一种基于遗传算法的智慧校园排课方法，所述基于遗传算法的智慧校园排课方法采用智能排课系统实现，所述智能排课系统包括：
选课教学模块：所述选课教学模块用于学生根据自己的兴趣选择除语数外三门主学科以外的兴趣学科科目课程，并根据实际班级数量确定班级信息和教室信息，并确定影响排课因素的其他信息，所述其他信息包括教师信息和课程时间信息；
编码模块：所述编码模块用于根据收到上述信息通过预设的随机函数生成原始编码，获得原始种群；
冲突检测模块：所述冲突检测模块用于对生成的原始编码中产生的冲突进行检测剔除，以及用于对后续过程中产生的冲突进行编码剔除；
适应度获取模块：所述适应度获取模块用于根据预设的适应度获取函数获取每个染色体的适应度，并对每个染色体的适应度进行排序，覆盖原始种群，获得子代种群；
变异计算模块：所述变异计算模块用于把染色体中选取的一个时间段与另一时间段进行交叉替换操作以此提高染色体的适应度；以及
课表输出模块：对获得的子代种群进行个体选择，利用淘汰法淘汰劣质个体，并选取最优适应度对应的染色体作为最优解，输出目标课程编码，生成最终课表。
优选的，所述选课教学模块确定的班级信息与教室信息相对应，即班级信息根据实际班级数量确定，每个班级语数外课程学习的教室也是固定的，因此，只需确定班级信息即可确定教室信息，班级信息包括学生人数信息，教室信息包括教室位置信息和教室座位数量信息，此处教室作为数量必须大于学生人数，而兴趣学科具有固定教室。
优选的，所述选课教学模块中，语文、数学和外语作为主学科，除这三科之外的学科为兴趣学科，其中，所示适应度获取中的预设的适应度函数采用：
F＝a1X1+a2X2+a3X3+……+anXn,
其中，a1、a2、a3……an依次为语文、数学、外语和各个其他兴趣学科所占的权重比，其满足a1+a2+a3+……+an＝1，另外a1＝a2＝a3，a4＝……＝an-1＝an；
X1、X2、X3……Xn依次代表语文、数学、外语和各个其他兴趣学科赋值，记为Xq，初代种群内的基因数量即为n，满足0≤Xq≤n-1。
优选的，所述冲突检测模块所检测内容包括：同一老师是否在相同时间段内同时在两个教室进行教学；同一教室是否在同一时间段内进行一个以上的科目教学；同一学生是否在同一时间内需要在两个不同的教室内上课；在该教室内上课的学生人数是否小于该教室座位数量；
若存在以上冲突情况，则由冲突检测模块预设的冲突检测函数进行检测并对其剔除。
优选的，具体步骤如下：
S1：根据班级数量，确定包括学生人数、教室位置信息和教室座位数量信息在内的班级信息，并确定闲置教室信息，和与兴趣学科对应的固定教室信息，并且获取学生选取的兴趣学科的科目种类和数量信息，获取对应每一兴趣学科所选择的学生数量信息，然后预选确定主学科与兴趣学科的所占总体上课时长的权重比；
该权重比需要满足：主学科∶兴趣学科＝4∶1。
S2：将上述获得的信息进行编码，形成原始种群：G＝P*T，其中，P为上课地点集，T为上课时间片段集；
S3：设立适应度函数：
F＝a1X1+a2X2+a3X3+……+anXn，
其中，a1、a2、a3……an依次为语文、数学、外语和各个其他兴趣学科所占的权重比，其满足a1+a2+a3+……+an＝1，另外a1＝a2＝a3，a4＝……＝an-1＝an；
X1、X2、X3……Xn依次代表语文、数学、外语和各个其他兴趣学科赋值，记为Xq，初代种群内的基因数量即为n，满足0≤Xq≤n-1；
根据上述适应度函数计算每个染色体的适应度，并对每个染色体的适应度进行排序，覆盖原始种群，获得子代种群，并覆盖初始种群；
S4：进行变异个体的交叉替换，以进一步提高整个子代种群的适应度；
S5：对获得的子代种群进行个体选择，利用淘汰法淘汰劣质个体，并选取最优适应度对应的染色体作为最优解，输出目标课程编码，生成最终课表。
优选的，对变异个体进行交叉替换的具体步骤为：1)采用所述适应度函数F＝a1X1+a2X2+a3X3+……+anXn对变异后产生的新种群内的每个个体进行最适应度计算；2)选取变异个体中适应度最高的个体作为变异后的最优解，将其与变异前产生的最优解进行对比，若变异后产生的最优解适应度大于变异前产生的最优解适应度，则对其进行替换，若变异后产生的最优解适应度小于变异前产生的最优解适应度，则终止迭代，输出变异前产生的最优解。
优选的，在所述输出目标课程编码后，还包括一变更步骤，所述变更步骤具体为：在接收到临时调整课表请求时，及时更正最终输出的目标课程编码，生成更正后的最终课表。
与现有技术相比，本发明具有如下有益效果：
本发明公开了一种基于遗传算法的智慧校园排课方法，其采用遗传算法优化后，实际排课效率具有显著的提升，利用适应度算法，通过主学科和兴趣学科的排课规则的智能制定，在满足权重比为主学科∶兴趣学科＝4∶1的条件下，结合教育部的新高考政策以及本学校内的实际教学设施和师资力量，有效提高了排课效率和排课质量，体现了智慧校园这一主题。
附图说明
图1为本发明一种基于遗传算法的智慧校园排课方法的工作模块示意图；
图2为本发明一种基于遗传算法的智慧校园排课方法的简易流程图。
图中：1、选课教学模块；2、编码模块；3、冲突检测模块；4、适应度获取模块；5、变异计算模块；6、课表输出模块。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合附图及具体实施方式，进一步阐述本发明。
实施例1
一种基于遗传算法的智慧校园排课方法，所述基于遗传算法的智慧校园排课方法采用智能排课系统实现，所述智能排课系统包括：
选课教学模块1：所述选课教学模块1用于学生根据自己的兴趣选择除语数外三门主学科以外的兴趣学科科目课程，并根据实际班级数量确定班级信息和教室信息，并确定影响排课因素的其他信息，所述其他信息包括教师信息和课程时间信息；
编码模块2：所述编码模块2用于根据收到上述信息通过预设的随机函数生成原始编码，获得原始种群；
由于遗传算法不能直接处理问题空间的参数,因此必须通过编码将要求解的问题表示成遗传空间的染色体或者个体。这一转换操作就叫做编码，也可以称作问题的表示；
冲突检测模块3：所述冲突检测模块3用于对生成的原始编码中产生的冲突进行检测剔除，以及用于对后续过程中产生的冲突进行编码剔除；
适应度获取模块4：所述适应度获取模块4用于根据预设的适应度获取函数获取每个染色体的适应度，并对每个染色体的适应度进行排序，覆盖原始种群，获得子代种群；
变异计算模块5：所述变异计算模块5用于把染色体中选取的一个时间段与另一时间段进行交叉替换操作以此提高染色体的适应度；以及
课表输出模块6：对获得的子代种群进行个体选择，利用淘汰法淘汰劣质个体，并选取最优适应度对应的染色体作为最优解，输出目标课程编码，生成最终课表。
所述选课教学模块1确定的班级信息与教室信息相对应，即班级信息根据实际班级数量确定，每个班级语数外课程学习的教室也是固定的，因此，只需确定班级信息即可确定教室信息，班级信息包括学生人数信息，教室信息包括教室位置信息和教室座位数量信息，此处教室作为数量必须大于学生人数，而兴趣学科具有固定教室。
所述选课教学模块1中，语文、数学和外语作为主学科，除这三科之外的学科为兴趣学科，其中，所示适应度获取中的预设的适应度函数采用：
F＝a1X1+a2X2+a3X3+……+anXn,
其中，a1、a2、a3……an依次为语文、数学、外语和各个其他兴趣学科所占的权重比，其满足a1+a2+a3+……+an＝1，另外a1＝a2＝a3，a4＝……＝an-1＝an；
X1、X2、X3……Xn依次代表语文、数学、外语和各个其他兴趣学科赋值，记为Xq，初代种群内的基因数量即为n，满足0≤Xq≤n-1。
所述冲突检测模块3所检测内容包括：同一老师是否在相同时间段内同时在两个教室进行教学；同一教室是否在同一时间段内进行一个以上的科目教学；同一学生是否在同一时间内需要在两个不同的教室内上课；在该教室内上课的学生人数是否小于该教室座位数量；
若存在以上冲突情况，则由冲突检测模块3预设的冲突检测函数进行检测并对其剔除。
本发明所述一种基于遗传算法的智慧校园排课方法的具体步骤如下：
S1：根据班级数量，确定包括学生人数、教室位置信息和教室座位数量信息在内的班级信息，并确定闲置教室信息，和与兴趣学科对应的固定教室信息，并且获取学生选取的兴趣学科的科目种类和数量信息，获取对应每一兴趣学科所选择的学生数量信息，然后预选确定主学科与兴趣学科的所占总体上课时长的权重比；在本发明中，该权重比需要满足：主学科∶兴趣学科＝4∶1。
S2：将上述获得的信息进行编码，形成原始种群：G＝P*T，其中，P为上课地点集，T为上课时间片段集；
种群的初始化就是依据编码规则给出种群的初始解。算法在开始时都要进行种群的初始化，根据初始化方法的不同形式可以将其分成M类随机方法、定值设定法、两步式方法、混合方法和具体应用法。
S3：设立适应度函数：
F＝a1X1+a2X2+a3X3+……+anXn，
其中，a1、a2、a3……an依次为语文、数学、外语和各个其他兴趣学科所占的权重比，其满足a1+a2+a3+……+an＝1，另外a1＝a2＝a3，a4＝……＝an-1＝an；即语文、数学、外语三门主学科的权重比均相等，且所有兴趣学科的权重比均相等，且主学科和兴趣学科的权重比之和为1。
X1、X2、X3……Xn依次代表语文、数学、外语和各个其他兴趣学科赋值，记为Xq，初代种群内的基因数量即为n，满足0≤Xq≤n-1；
根据上述适应度函数计算每个染色体的适应度，并对每个染色体的适应度进行排序，覆盖原始种群，获得子代种群，并覆盖初始种群；
S4：进行变异个体的交叉替换，并通过冲突检测模块3检测冲突并剔除冲突，以进一步提高整个子代种群的适应度其具体方法为：采用所述适应度函数F＝a1X1+a2X2+a3X3+……+anXn对变异后产生的新种群内的每个个体进行最适应度计算；选取变异个体中适应度最高的个体作为变异后的最优解，将其与变异前产生的最优解进行对比，若变异后产生的最优解适应度大于变异前产生的最优解适应度，则对其进行替换，若变异后产生的最优解适应度小于变异前产生的最优解适应度，则终止迭代，输出变异前产生的最优解；
经过变异个体的交叉替换以后，能够大幅度提高整个子代种群的适应度，进而能够获得排课的最优解；
S5：对获得的子代种群进行个体选择，利用淘汰法淘汰劣质个体，并选取最优适应度对应的染色体作为最优解，输出目标课程编码，生成最终课表。
生成的最终课表可以Excel表格的形式你进行呈现，还可以通过将其打印出来人手一份。
实施例2
本实施例主要阐述其与实施例1的不同之处，本实施例与实施例1的相同之处此处不再作赘述。
本实施例中，课表是可变动的，在所述输出目标课程编码后，还包括一变更步骤，所述变更步骤具体为：在接收到临时调整课表请求时，及时更正最终输出的目标课程编码，将教师请求替换的课程进行直接替换，生成更正后的最终课表。
本实施例适用于当授课教师因请假而导致课程发生变化的情境下使用。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (7)

1.一种基于遗传算法的智慧校园排课方法，其特征在于：所述基于遗传算法的智慧校园排课方法采用智能排课系统实现，所述智能排课系统包括：
选课教学模块(1)：所述选课教学模块(1)用于学生根据自己的兴趣选择除语数外三门主学科以外的兴趣学科科目课程，并根据实际班级数量确定班级信息和教室信息，并确定影响排课因素的其他信息，所述其他信息包括教师信息和课程时间信息；
编码模块(2)：所述编码模块(2)用于根据收到上述信息通过预设的随机函数生成原始编码，获得原始种群；
冲突检测模块(3)：所述冲突检测模块(3)用于对生成的原始编码中产生的冲突进行检测剔除，以及用于对后续过程中产生的冲突进行编码剔除；
适应度获取模块(4)：所述适应度获取模块(4)用于根据预设的适应度获取函数获取每个染色体的适应度，并对每个染色体的适应度进行排序，覆盖原始种群，获得子代种群；
变异计算模块(5)：所述变异计算模块(5)用于把染色体中选取的一个时间段与另一时间段进行交叉替换操作以此提高染色体的适应度；以及
课表输出模块(6)：对获得的子代种群进行个体选择，利用淘汰法淘汰劣质个体，并选取最优适应度对应的染色体作为最优解，输出目标课程编码，生成最终课表。
2.根据权利要求1所述的一种基于遗传算法的智慧校园排课方法，其特征在于：所述选课教学模块(1)确定的班级信息与教室信息相对应，即班级信息根据实际班级数量确定，每个班级语数外课程学习的教室也是固定的，因此，只需确定班级信息即可确定教室信息，班级信息包括学生人数信息，教室信息包括教室位置信息和教室座位数量信息，此处教室作为数量必须大于学生人数，而兴趣学科具有固定教室。
3.根据权利要求1所述的一种基于遗传算法的智慧校园排课方法，其特征在于：所述选课教学模块(1)中，语文、数学和外语作为主学科，除这三科之外的学科为兴趣学科，其中，所示适应度获取中的预设的适应度函数采用：
F＝a1X1+a2X2+a3X3+……+anXn,
其中，a1、a2、a3……an依次为语文、数学、外语和各个其他兴趣学科所占的权重比，其满足a1+a2+a3+……+an＝1，另外a1＝a2＝a3，a4＝……＝an-1＝an；
X1、X2、X3……Xn依次代表语文、数学、外语和各个其他兴趣学科赋值，记为Xq，初代种群内的基因数量即为n，满足0≤Xq≤n-1。
4.根据权利要求1所述的一种基于遗传算法的智慧校园排课方法，其特征在于：所述冲突检测模块(3)所检测内容包括：同一老师是否在相同时间段内同时在两个教室进行教学；同一教室是否在同一时间段内进行一个以上的科目教学；同一学生是否在同一时间内需要在两个不同的教室内上课；在该教室内上课的学生人数是否小于该教室座位数量；
若存在以上冲突情况，则由冲突检测模块(3)预设的冲突检测函数进行检测并对其剔除。
5.根据权利要求1所述的一种基于遗传算法的智慧校园排课方法，其特征在于：具体步骤如下：
S1：根据班级数量，确定包括学生人数、教室位置信息和教室座位数量信息在内的班级信息，并确定闲置教室信息，和与兴趣学科对应的固定教室信息，并且获取学生选取的兴趣学科的科目种类和数量信息，获取对应每一兴趣学科所选择的学生数量信息，然后预选确定主学科与兴趣学科的所占总体上课时长的权重比；
该权重比需要满足：主学科∶兴趣学科＝4∶1。
S2：将上述获得的信息进行编码，形成原始种群：G＝P*T，其中，P为上课地点集，T为上课时间片段集；
S3：设立适应度函数：
F＝a1X1+a2X2+a3X3+……+anXn，
其中，a1、a2、a3……an依次为语文、数学、外语和各个其他兴趣学科所占的权重比，其满足a1+a2+a3+……+an＝1，另外a1＝a2＝a3，a4＝……＝an-1＝an；
X1、X2、X3……Xn依次代表语文、数学、外语和各个其他兴趣学科赋值，记为Xq，初代种群内的基因数量即为n，满足0≤Xq≤n-1；
根据上述适应度函数计算每个染色体的适应度，并对每个染色体的适应度进行排序，覆盖原始种群，获得子代种群，并覆盖初始种群；
S4：进行变异个体的交叉替换，并通过冲突检测模块(3)检测冲突并剔除冲突，以进一步提高整个子代种群的适应度；
S5：对获得的子代种群进行个体选择，利用淘汰法淘汰劣质个体，并选取最优适应度对应的染色体作为最优解，输出目标课程编码，生成最终课表。
6.根据权利要求5所述的一种基于遗传算法的智慧校园排课方法，其特征在于：对变异个体进行交叉替换的具体步骤为：1)采用所述适应度函数F＝a1X1+a2X2+a3X3+……+anXn对变异后产生的新种群内的每个个体进行最适应度计算；2)选取变异个体中适应度最高的个体作为变异后的最优解，将其与变异前产生的最优解进行对比，若变异后产生的最优解适应度大于变异前产生的最优解适应度，则对其进行替换，若变异后产生的最优解适应度小于变异前产生的最优解适应度，则终止迭代，输出变异前产生的最优解。
7.根据权利要求5所述的一种基于遗传算法的智慧校园排课方法，其特征在于：在所述输出目标课程编码后，还包括在接收到临时调整课表请求时，及时更正最终输出的目标课程编码，生成更正后的最终课表。
CN202210123959.9A 2022-02-10 2022-02-10 一种基于遗传算法的智慧校园排课方法 Withdrawn CN114529433A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210123959.9A CN114529433A (zh) 2022-02-10 2022-02-10 一种基于遗传算法的智慧校园排课方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210123959.9A CN114529433A (zh) 2022-02-10 2022-02-10 一种基于遗传算法的智慧校园排课方法

Publications (1)

Publication Number Publication Date
CN114529433A true CN114529433A (zh) 2022-05-24

Family

ID=81623499

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210123959.9A Withdrawn CN114529433A (zh) 2022-02-10 2022-02-10 一种基于遗传算法的智慧校园排课方法

Country Status (1)

Country Link
CN (1) CN114529433A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117422252A (zh) * 2023-10-27 2024-01-19 广州宏天软件股份有限公司 一种改进式遗传算法智能排课方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117422252A (zh) * 2023-10-27 2024-01-19 广州宏天软件股份有限公司 一种改进式遗传算法智能排课方法

Similar Documents

Publication Publication Date Title
Lau Analysing the curriculum development process: three models
CN110020831B (zh) 基于粒子群算法的新高考排课方法
CN107862970A (zh) 一种用于翻转课堂的教学质量评价模型
CN109165799A (zh) 基于遗传算法的走班教学排课系统
CN114595923B (zh) 一种基于深度强化学习的群体教学推荐系统
CN109829049A (zh) 利用知识库渐进时空注意力网络解决视频问答任务的方法
CN113344053B (zh) 一种基于试题异构图表征与学习者嵌入的知识追踪方法
CN108876225A (zh) 基于人机混合智能的在线教育系统及方法
CN111539581A (zh) 智能分班排课方法及系统
CN114529433A (zh) 一种基于遗传算法的智慧校园排课方法
Kazarlis et al. Solving university timetabling problems using advanced genetic algorithms
Chumakova et al. Comparison of the Application of FNN and LSTM Based on the Use of Modules of Artificial Neural Networks in Generating an Individual Knowledge Testing Trajectory.
Li et al. Practical Perception and Quality Evaluation for Teaching of Dynamic Visual Communication Design in the Context of Digital Media
CN111815279A (zh) 基于遗传算法的智能排课方法、装置、终端及存储介质
CN109299805B (zh) 一种基于人工智能的在线教育课程请求处理方法
Ingoley et al. Evaluating students performance using fuzzy logic
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
Li Classroom Teaching Decision-Making Optimization for Students' Personalized Learning Needs.
JP7025397B2 (ja) 教育支援システム、教育支援方法および教育支援プログラム
Wang et al. Massive open online courses role in promoting United Nations sustainable development goals
CN111815252A (zh) 一种基于dna遗传进化算法的优化排课算法
Bathan Jr Committing to Social Responsibility: A Grounded Theory of a Conducive Learning Environment
Siu Learning Study as an Approach to Teacher Development in Two Primary Schools.
Goodarzi et al. Evaluating students' learning progress by using fuzzy inference system

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20220524

WW01 Invention patent application withdrawn after publication