[发明专利]一种排课问题的优解算法

权利要求书

1.一种排课问题的优解算法，其特征在于：包括如下步骤：

S1、获取数据；获取老师相关数据，获取学生相关数据，获取教室数据；

S2、老师和房间编号；根据老师能力和教授课程与教室匹配，将所有老师和所有教室组成如DNA双螺旋结构的配对族群，随机生成N个族群；

S3、生成新族群；用遗传学中DNA交叉替换方法，将一代基因组中的族群两两交叉替换；选取时根据族群适应性选取，族群中的适应性越高，约有几率被选出产生新族群；

S4、修复族群；将新产生的M个族群修复，将族群修复成健康可用；

S5、计算群适应性；使用核心函数，将多维的限制条件编码，使得多维限制条件可以用线性向量表示，最后计算出每个新族群的适应性得分，当前所有的族群为新一代的族群组；

S6、判断新一代的族群组是否够收敛，不收敛，则返回步骤S3~S5，收敛，则进入下一步；收敛不收敛的判断标准是指当前这一代的族群组，如果适应性并没有显著提高，或达到设定的阀值，则未收敛；

S6、输出最优解，将当前族群组中最优适应性的族群选出。

2.如权利要求1所述的排课问题的优解算法，其特征在于：在步骤S1中，初代生成的族群数N一般为4个或8个。

3.如权利要求1所述的排课问题的优解算法，其特征在于：在步骤S4中，修复内容包括修复某些重复基因和修复基因片段丢失，重复基因包括老师重复使用项，基因片段丢失包括如老师未使用项。

4.如权利要求1所述的排课问题的优解算法，其特征在于：遗传学中DNA交叉替换方法的步骤为：

S11、初始化第一代族群

通过随机的方式初始化，将教室和老师随机配对，生成200对组合，其间使用if/idf算法计算出教室的稀有度，将稀有度高的教室优先配对，以防止因为老师的能力不均匀；

S12、迭代次数

在实验中，当迭代次数超过10代，族群的适应性就会开始呈现正向的得分；当超过300代是整个族群的得分会超过人为组合的得分；当800-1000代时，系统能逐渐找到最优解；但随着迭代次数的增加，计算时间也会增长，甚至超过限定的计算时间；这次需要为了结果做权衡，但迭代次数不应少于300代；

S13、交叉替换

将从族群中根据适应性加权，选择出父辈的两组基因进行交叉替换，将两个配对中随机选择定比例的老师，进行替换，生成两个新的子代基因组，在选择时根据适应性加权随机，使适应性低的组合，优选选择，从而加快算法的收敛速度；

S14、基因过滤

修正一些业务限制，保证配对有效；

S15、基因变异

当产生新的自带组群时，会随机取n个基因进行修正，如替换老师，新增老师，减少老师；

S16、适应性

计算组群的适应性，根据业务的限制和优先条件，计算整个组群的得分；

S17、族群上限

将新生成的族群根据适应性排序，留下族群中最优秀的m组；

S18、最优

迭代收敛后，选取最优的一个组群。

5.如权利要求1所述的排课问题的优解算法，其特征在于：所述计算群适应性的步骤是：

S21、计算老师的匹配值，为后面的计算提供参数，并持久化缓存；

S22、计算老师的权重，将老师的N重属性权重相乘获得统一权重；

S23、计算老师的历史数据中的反馈评分加权；

S24、计算师对教室的倾向程度加权；

S25、计算老师教授效果加权；

S26、返回最后结果。