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 PDF

Info

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Withdrawn
Application number
CN202211452098.5A
Other languages
English (en)
Inventor
潘国俭
王洪刚
江明
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.)
Shanghai Education Talent Exchange Service Center
Shanghai Cuitu Digital Technology Co ltd
Original Assignee
Shanghai Education Talent Exchange Service Center
Shanghai Cuitu Digital 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 Shanghai Education Talent Exchange Service Center, Shanghai Cuitu Digital Technology Co ltd filed Critical Shanghai Education Talent Exchange Service Center
Priority to CN202211452098.5A priority Critical patent/CN115860194A/zh
Publication of CN115860194A publication Critical patent/CN115860194A/zh
Withdrawn legal-status Critical Current

Links

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

一种教师量比方法及系统
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
Figure BDA0003950185660000021
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
Figure BDA0003950185660000022
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：
Figure BDA0003950185660000023
Figure BDA0003950185660000024
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，
Figure BDA0003950185660000031
Figure BDA0003950185660000032
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
Figure BDA0003950185660000061
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
Figure BDA0003950185660000062
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：
Figure BDA0003950185660000063
Figure BDA0003950185660000064
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。
Figure BDA0003950185660000071
Figure BDA0003950185660000072
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
Figure FDA0003950185650000021
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
Figure FDA0003950185650000022
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。
7.根据权利要求6所述的教师量比方法，其特征在于，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：
Figure FDA0003950185650000023
Figure FDA0003950185650000024
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，
Figure FDA0003950185650000025
Figure FDA0003950185650000026
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。
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。
CN202211452098.5A 2022-11-18 2022-11-18 一种教师量比方法及系统 Withdrawn CN115860194A (zh)

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)

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