CN115860194A - 一种教师量比方法及系统 - Google Patents
一种教师量比方法及系统 Download PDFInfo
- Publication number
- CN115860194A CN115860194A CN202211452098.5A CN202211452098A CN115860194A CN 115860194 A CN115860194 A CN 115860194A CN 202211452098 A CN202211452098 A CN 202211452098A CN 115860194 A CN115860194 A CN 115860194A
- Authority
- CN
- China
- Prior art keywords
- teacher
- school
- class
- configuration
- data
- 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- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000004458 analytical method Methods 0.000 claims abstract description 44
- 238000011156 evaluation Methods 0.000 claims description 14
- 230000002068 genetic effect Effects 0.000 claims description 6
- 238000013523 data management Methods 0.000 claims description 4
- 230000013011 mating Effects 0.000 claims description 3
- 230000008676 import Effects 0.000 claims description 2
- 238000013468 resource allocation Methods 0.000 abstract description 10
- 238000007726 management method Methods 0.000 abstract description 4
- 238000005457 optimization Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002759 chromosomal effect Effects 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种教师量比方法和系统,方法包括:导入学校现状数据,形成学校数据库;将学校数据库中数据通过教师规则库的检查,获得教师队伍现状分析结果;根据教师配置规则,利用量比分析模型对学校现状数据进行配置,并根据教师队伍现状分析结果对配置结果优化,获得教师配置结果,存入学校数据库。本发明较好地实现教师资源配置,使得业务管理部门可以从复杂的教师资源配追工作中解脱出来,大大减轻工作负担。
Description
技术领域
本发明涉及教师量比方法及系统。
背景技术
目前,学校教师的配置,不仅涉及教师个人和学校利益,更是提升教育质量和促进教育公平的重要保障。而在实践中,现有政策供给与实际需求之间出现落差。比如如何判断一个学校需要多少老师;哪些学科缺老师;如何科学配置教师满足学校的各类任务。需要繁琐的分析、沟通、验证,很难获得另各方都满意的配置方案。
发明内容
本发明的目的在于提供一种教师量比方法及系统,较好地实现教师资源配置,使得业务管理部门可以从复杂的教师资源配追工作中解脱出来,大大减轻工作负担。
实现上述目的的技术方案是:
一种教师量比方法,包括:
步骤一,导入学校现状数据,形成学校数据库;
步骤二,将学校数据库中数据通过教师规则库的检查,获得教师队伍现状分析结果;
步骤三,根据教师配置规则,利用量比分析模型对学校现状数据进行配置,并根据教师队伍现状分析结果对配置结果优化,获得教师配置结果,存入学校数据库。
优选的,还包括:
步骤四,根据用户的输入指令,从学校数据库中调出相应内容进行显示。
优选的,学校现状数据包括:教师数据、年级班级学生数、学校课程表、学校目标任务清单。
优选的,步骤一包括:
编辑输入教师数据、年级班级学生数、学校课程表、学校目标任务清单;
根据各项预设阈值自动对比学校现状数据,查找出错误数据;
编辑修改错误数据。
优选的,步骤二包括:
设置教师规则库:教师配置规则和教师资源配置评估规则;
利用教师配置规则对学校现状数据完成教师初次配置,获得初次配置结果;
利用教师资源配置评估规则对初次配置结果进行自动评估,获得评估结果;
根据评估结果结合各个教师的需求进行教师现状分析,获得教师队伍现状分析结果。
优选的,步骤三中,设置学校有C个班级,G位教师,L门课程,T个时间段,量比分析模型描述如下:
班级集合C={c1,c2,…,cC},各个班级有{k1,k2,…,kC}人;
教师集合G={g1,g2,…,gG},各教师对应的课程数{y1,y2,…,yG};
课程集合L={l1,l2,…,lL},各课程对应的班级数为{z1,z2,…,zz};
时间集合T={t1,t2,…,tT},时间与班级对的笛卡尔积为:M=T·C=(t1,c1),(t1,c2),(tT,cC),由此转化为一门课寻找一个适合时间的班级对;
设置硬性约束条件:
同一时间,一个班级最多一门课程
班级cc在时间tt由教师gg讲授课程ll,表示为ccgglltt=1,反之为0;
同一时间,一个教师最多一门课程
教师gg在时间tt为班级cc讲授课程ll,表示为ccgglltt=1,反之为0;
设置软约束条件:教师资源利用率。
优选的,步骤三中,利用改进遗传算法优化教学任务的教师配置:
以个体适应度大小为依据来获取下一代种群的,其中的适应度函数:
其中,Wl表示l课程周满课时数;
使用学校已有的课程表作为初始种群;
设置:交配概率pc和变异概率pm,
其中a1,a2,a3,a4为0到1的随机数,fmax是当前群体中最优个体的适应度值,favg是当前群体的平均适应度值,fc是参加交叉操作的个体中较大的适应度值,fm是变异个体的适应度值。
优选的,教师队伍现状分析结果包括:初步的教师分配方案以及各个教师针对分配的需求。
本发明的一种教师量比系统,包括:
学校数据管理模块,导入学校现状数据,形成学校数据库;
教师现状分析模块,将学校数据库中数据通过教师规则库的检查,获得教师队伍现状分析结果;
教师量比分析模块,根据教师配置规则,利用量比分析模型对学校现状数据进行配置,并根据教师队伍现状分析结果对配置结果优化,获得教师配置结果,存入学校数据库;
用户模块,根据用户的输入指令,从学校数据库中调出相应内容进行显示。
本发明的有益效果是:本发明通过通过改进遗传算法优化教学任务的教师配置资源优化,从而使得业务管理部门可以从复杂的教师资源配追工作中解脱出来,大大减轻工作负担,同时为教育管理部门、决策者提供了辅助决策信息以及交互性强的分析手段。
附图说明
图1是本发明的教师量比方法的流程图;
图2是本发明中步骤一的流程图;
图3是本发明中步骤二的流程图;
图4是本发明中改进遗传算法流程图;
图5是本发明中染色体编码的示意图;
图6是本发明的教师量比系统的结构图;
图7是本发明提供的电子设备的结构示意图。
具体实施方式
下面将结合附图对本发明作进一步说明。
请参阅图1-3,本发明的教师量比方法,包括下列步骤:
步骤一,导入学校现状数据,形成学校数据库;学校现状数据包括:教师数据、年级班级学生数、学校课程表、学校目标任务清单。具体地,步骤一包括:
1)编辑输入教师数据、年级班级学生数、学校课程表、学校目标任务清单。可以通过人工编辑或者将现有的电子数据导入。
2)根据各项预设阈值自动对比学校现状数据,查找出错误数据。预设阈值进行预先设置,例如:教师数量在40-50之间。如果超过50或者少于40,表示不符合目前学校的实际需求。需要验证和修改。
3)编辑修改错误数据。去查验目前实际情况,根据实际情况进行调整。
步骤二,将学校数据库中数据通过教师规则库的检查,获得教师队伍现状分析结果。具体地,包括:
1)设置教师规则库:教师配置规则和教师资源配置评估规则。教师配置规则根据实际情况设置,例如:单科每周上课限制数量、每个班级同一时间只能上一门课程、每个教师同一时间只能上一门课程、每个教师每周的满工作量,等等。教师资源配置评估规则根据实际情况设置,例如:每个教师每周的工作量在设定阈值内,主课课时达到预设标准,等等。
2)利用教师配置规则对学校现状数据完成教师初次配置,获得初次配置结果。初次配置结果只是粗略的根据既定规则获得的一种分配方案,很多时候并不合理。需要进行一定的评估。
3)利用教师资源配置评估规则对初次配置结果进行自动评估,获得评估结果。例如,某个教师的工作量超过了她的最大工作量,显然此时是不行的,需要调整。或者某个教师针对工作有特殊的时间要求,例如每周三需要去医院看病,等等。
4)根据评估结果结合各个教师的需求进行教师现状分析,获得教师队伍现状分析结果。从而作为最终方案优化的因素。
教师队伍现状分析结果包括:初步的教师分配方案以及各个教师针对分配的需求。
步骤三,根据教师配置规则,利用量比分析模型对学校现状数据进行配置,并根据教师队伍现状分析结果对配置结果优化,获得教师配置结果,存入学校数据库。其中,量比分析主要通过对学校目标任务清单智能调度分配给不同的教师,优化教师资源配置。包括教学任务优化配置,岗位任务、其他工作任务调度配置。教学任务优化配置核心是智能排课实质上是一个多约束、多目标的组合规划问题,对组合规划问题如果想找到最优解,必须有相应的约束条件来实现。其主要目标就是依据教学计划将教室、教师、班级、课程安排在一周内某一个不发生冲突的时间里。
影响优化的因素:
时间因素:在排课问题中,通常按周计算上课时间。每周上课时间不超过5天,每天分为上午、下午和晚上3个时间段,每个时间段都有各自的上课节数,如上午为P1,下午为P2,晚上为P3。上课的最小单元是节,一节就是一个课时。
课程因素:各门课程都有自己的编号、名称,并且都有各自的授课计划,例如哪周开始、哪周结束以及每周上几个学时等等。
教室因素:每个教室都有相应的编号、门牌号和名称,同一时间内只能接纳一门课程的授课,并且教室容量应该大于等于上课的人数。
班级因素:每个班级都有编号和名称并且同一时间只能上一门课程。
教师因素:每个教师都有编号和姓名并且同一时间只能上一门课程。
工作量因素:每个教师有满工作量限制。
优化过程的约束条件:
优化过程的约束条件分为两类:硬约束和软约束。其中,硬约束指的是学生、教师和教室在时空概念上出现了不可能出现的情况,这是优化过程中最基本的约束条件;软约束是指排课过程中满足更佳但不满足又无妨的约束条件,它们的违反与否往往是与排课实际情况相关,比如工作量因素。在两类约束条件之中,硬约束是衡量排课方案是否切实可行的标准,软约束是衡量排课方案优劣的标准。
对基础教育行政班和教学班统一,即班级和教室一一对应。设置学校有C个班级,G位教师,L门课程,T个时间段,量比分析模型描述如下:
班级集合C={c1,c2,…,cC},各个班级有{k1,k2,…,kC}人;
教师集合G={g1,g2,…,gG},各教师对应的课程数{y1,y2,…,yG};
课程集合L={l1,l2,…,lL},各课程对应的班级数为{z1,z2,…,zz};
时间集合T={t1,t2,…,tT},时间与班级对的笛卡尔积为:M=T·C=(t1,c1),(t1,c2),(tT,cC),由此转化为一门课寻找一个适合时间的班级对;
设置硬性约束条件:
同一时间,一个班级最多一门课程
班级cc在时间tt由教师gg讲授课程ll,表示为ccgglltt=1,反之为0;
同一时间,一个教师最多一门课程
教师gg在时间tt为班级cc讲授课程ll,表示为ccgglltt=1,反之为0;
设置软约束条件:教师资源利用率。教师教学工作量需要控制在满工作量范围内。
利用改进遗传算法优化教学任务的教师配置,算法流程如图4,
染色体编码如图5所示,其中横坐标代表星期,纵坐标代表节次,横纵交叉的值表示某班级的某课程在此时间短是否安排了课程。
量比优化问题既要满足硬约束条件,即资源分配不冲突外,又要满足软约束条件,即资源分配效果最佳。遗传算法在进化过程中,以个体适应度大小为依据来获取下一代种群的。其中的适应度函数:
其中,Wl表示l课程周满课时数;
初始种群一般是通过随机搜索方式产生。但是随机搜索方式生成的初始种群的一般适应度非常低,本发明使用学校已有的课程表作为初始种群;
设置:交配概率pc和变异概率pm,在很大程度上影响算法的收敛速度和解的质量。
其中a1,a2,a3,a4为0到1的随机数,fmax是当前群体中最优个体的适应度值,favg是当前群体的平均适应度值,fc是参加交叉操作的个体中较大的适应度值,fm是变异个体的适应度值。
接着对工作量不满的教师进行其他工作的安排和调度,以使教师的资源配置最优。
步骤四,根据用户的输入指令,从学校数据库中调出相应内容进行显示。
下述为本申请装置实施例,可以用于执行上述教师量比方法实施例。对于本申请装置实施例中未披露的细节,请参照上述的教师量比方法实施例。
请参阅图6,本发明的教师量比系统,包括:学校数据管理模块100、教师现状分析模块200、教师量比分析模块300、用户模块500。
学校数据管理模块100,导入学校现状数据,形成学校数据库;
教师现状分析模块200,将学校数据库中数据通过教师规则库的检查,获得教师队伍现状分析结果;
教师量比分析模块300,根据教师配置规则,利用量比分析模型对学校现状数据进行配置,并根据教师队伍现状分析结果对配置结果优化,获得教师配置结果,存入学校数据库;
用户模块500,根据用户的输入指令,从学校数据库中调出相应内容进行显示。
请参阅图7,本发明提供一种电子设备,该电子设备400包括处理器401,以及用于存储处理器401可执行指令的存储器402。其中,处理器401被配置为执行上述任一实施例中的教师量比方法。
处理器401可以是一种集成电路芯片,具有信号处理能力。上述处理器401可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetwordProcessor,NP)等;也可以是处理信号器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或晶体管逻辑器件、分立硬件组件。
存储器402可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(Static Random Access Memory,SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM),可擦除可编程只读存储器(Erasable Programmable Read Only Memory,EPROM),可编程只读存储器(Programmable Read-Only Memory,PROM),只读存储器(Read-only Memory,ROM),磁存储器,快闪存储器,磁盘或光盘。存储器402中还存储有一个或多个模块,分别借由该一个或多个处理器401执行,以完成上述一实施例中的教师量比方法步骤。
以上实施例仅供说明本发明之用,而非对本发明的限制,有关技术领域的技术人员,在不脱离本发明的精神和范围的情况下,还可以作出各种变换或变型,因此所有等同的技术方案也应该属于本发明的范畴,应由各权利要求所限定。
Claims (9)
1.一种教师量比方法,其特征在于,包括:
步骤一,导入学校现状数据,形成学校数据库;
步骤二,将学校数据库中数据通过教师规则库的检查,获得教师队伍现状分析结果;
步骤三,根据教师配置规则,利用量比分析模型对学校现状数据进行配置,并根据教师队伍现状分析结果对配置结果优化,获得教师配置结果,存入学校数据库。
2.根据权利要求1所述的教师量比方法,其特征在于,还包括:
步骤四,根据用户的输入指令,从学校数据库中调出相应内容进行显示。
3.根据权利要求1所述的教师量比方法,其特征在于,学校现状数据包括:教师数据、年级班级学生数、学校课程表、学校目标任务清单。
4.根据权利要求3所述的教师量比方法,其特征在于,步骤一包括:
编辑输入教师数据、年级班级学生数、学校课程表、学校目标任务清单;
根据各项预设阈值自动对比学校现状数据,查找出错误数据;
编辑修改错误数据。
5.根据权利要求1所述的教师量比方法,其特征在于,步骤二包括:
设置教师规则库:教师配置规则和教师资源配置评估规则;
利用教师配置规则对学校现状数据完成教师初次配置,获得初次配置结果;
利用教师资源配置评估规则对初次配置结果进行自动评估,获得评估结果;
根据评估结果结合各个教师的需求进行教师现状分析,获得教师队伍现状分析结果。
6.根据权利要求1所述的教师量比方法,其特征在于,步骤三中,设置学校有C个班级,G位教师,L门课程,T个时间段,量比分析模型描述如下:
班级集合C={c1,c2,...,cC},各个班级有{k1,k2,...,kC}人;
教师集合G={g1,g2,...,gG},各教师对应的课程数{y1,y2,...,yG};
课程集合L={l1,l2,...,lL},各课程对应的班级数为{z1,z2,...,zz};
时间集合T={t1,t2,...,tT},时间与班级对的笛卡尔积为:M=T·C=(t1,c1),(t1,c2),(tT,cC),由此转化为一门课寻找一个适合时间的班级对;
设置硬性约束条件:
同一时间,一个班级最多一门课程
班级cc在时间tt由教师gg讲授课程ll,表示为ccgglltt=1,反之为0;
同一时间,一个教师最多一门课程
教师gg在时间tt为班级cc讲授课程ll,表示为ccgglltt=1,反之为0;
设置软约束条件:教师资源利用率。
8.根据权利要求1所述的教师量比方法,其特征在于,教师队伍现状分析结果包括:初步的教师分配方案以及各个教师针对分配的需求。
9.一种教师量比系统,其特征在于,包括:
学校数据管理模块,导入学校现状数据,形成学校数据库;
教师现状分析模块,将学校数据库中数据通过教师规则库的检查,获得教师队伍现状分析结果;
教师量比分析模块,根据教师配置规则,利用量比分析模型对学校现状数据进行配置,并根据教师队伍现状分析结果对配置结果优化,获得教师配置结果,存入学校数据库;
用户模块,根据用户的输入指令,从学校数据库中调出相应内容进行显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211452098.5A CN115860194A (zh) | 2022-11-18 | 2022-11-18 | 一种教师量比方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211452098.5A CN115860194A (zh) | 2022-11-18 | 2022-11-18 | 一种教师量比方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115860194A true CN115860194A (zh) | 2023-03-28 |
Family
ID=85664280
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211452098.5A Withdrawn CN115860194A (zh) | 2022-11-18 | 2022-11-18 | 一种教师量比方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115860194A (zh) |
-
2022
- 2022-11-18 CN CN202211452098.5A patent/CN115860194A/zh not_active Withdrawn
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | School choice: an experimental study | |
US7606773B2 (en) | System, method and product for rostering using dynamic gene modelling based upon genetic algorithms | |
Lee et al. | Interviewing in two‐sided matching markets | |
US20080172284A1 (en) | Management of job candidate interview process using online facility | |
Menacker et al. | Parent-teacher cooperation in schools serving the urban poor | |
Hinkin et al. | SchedulExpert: Scheduling courses in the Cornell University school of hotel administration | |
CN1598839A (zh) | 学校课程管理系统及运行方法 | |
Böðvarsdóttir et al. | A flexible mixed integer programming-based system for real-world nurse rostering | |
Lee et al. | Interviewing in two-sided matching markets | |
US20070073565A1 (en) | Resource allocation system and method | |
Khamechian et al. | A mathematical modeling approach to university course planning | |
Liu et al. | Fairness in accessibility of public service facilities | |
Cardonha et al. | Maximizing student opportunities for in-person classes under pandemic capacity reductions | |
CN113610678A (zh) | 基于启发式方法和自适应策略的新高考教学班分班方法 | |
Boronico | Quantitative modeling and technology driven departmental course scheduling | |
CN115860194A (zh) | 一种教师量比方法及系统 | |
Hill et al. | SCAT and SPAT: Large‐scale computer‐based optimization systems for the personnel assignment problem | |
Sørensen et al. | Comparing solution approaches for a complete model of high school timetabling | |
CN113222557B (zh) | 一种用于教师的调替换课方法 | |
CN115829214A (zh) | 一种排班方法及排班系统 | |
Frost et al. | Governing Collective Action–The Impetus for University Commons | |
Xiao | Determinants of employee salary growth in Shanghai: an analysis of formal education, on-the-job training, and adult education with a three-level model | |
Wirth et al. | Ideology and decision making for American city managers | |
Chan et al. | Co-evolutionary algorithm approach to a university timetable system | |
US11854104B1 (en) | Methods and systems for managing school attendance of smart city based on the Internet of Things |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230328 |
|
WW01 | Invention patent application withdrawn after publication |