[发明专利]一种基于蒙特卡洛遗传算法的高校排课方法

摘要

一种基于蒙特卡洛遗传算法的高校排课方法，首先对获取的班级、课程、老师、时间以及教室信息进行随机拼接形成一条时间条，然后，由多个满足约束条件的时间条来形成一个个体即课表，多个个体形成一个种群；选取当前种群最优适应度的个体，对该个体进行交叉变异，交叉过程中采用蒙特卡洛概率接收的方法；最后根据设定的迭代次数进行变换，以最后一代种群中的最优个体作为最终预测结果。本发明提供一种可以合理配置各种教学资源的高校排课方法。

主权项

1.一种基于蒙特卡洛遗传算法的高校排课方法，其特征在于，所述高校排课方法包括以下步骤：1)编码：获取班级基本信息C＝{c1,c2,c3,…,cj,…,cn}，课程基本信息W＝{w1,w2,w3,…,wh,…,wm}，老师基本信息T＝{t1,t2,t3,…,tu,…,tv}，上课时间信息D＝{d1,d2,d3,…,dy,…,dl}和教室基本信息P＝{p1,p2,p3,…,pr,…,pb}，其中n表示班级的总数量，m表示课程总数量，v表示老师总数量，l表示上课时间的总数量，b表示教室的总数量，cj、wh、tu、dy、pr内的编码均由4个十进制的数构成。对于时间段dy编码时，dy＝dy1dy2dy3dy4，将一天分为五个时间段，其中dy1表示课程这周第一次在周几上课，dy2表示课程第一次上课的时间段，dy3表示课程这周第二次在周几上课，dy4表示课程第二次上课的时间段，如dy＝1225表示课程这周第一次上课时间为周一的第二节，第二次上课时间为周二的第五节。对于课程wh编码时，每个课程都有对应一天时间段上课效率值wh＝{wh1,wh2,wh3,wh4,wh5}，其中wh1表示第一个时间段的课程上课效率值。对于老师tu编码时，每个老师都有对应一天时间段上课效率值tu＝{tu1,tu2,tu3,tu4,tu5}。通过对班级、课程、老师、上课时间和教室信息的分析和分类，最终以Ai＝cj～wh～tu～dy～pr形式进行编码，其中Ai称作一个种群中第i个时间条，该时间条表示j班级在y时间段由u老师在r教室教授h课程，种群中个体由j*h个时间条构成；2)个体的适应度函数如公式(1)所示，其中f_i＝k₁*f_i1+k₂*f_i2+k₃*f_i3表示该个体中第i条时间条的适应度，其中表示一周内两次上课时间间距的影响，表示一周内课程安排的影响，其中z₁,z₂分别表示d_y2和d_y4对应的时间段的索引，如若d_y2代表第二个时间段时，z₁则为2，因此则表示为w_h2效率值，表示一周内老师安排的影响，其中x₁,x₂分别表示d_y2和d_y4对应的时间段的索引，如若d_y2代表第二个时间段时，x₁则为2，因此则表示为t_u2效率值，k₁,k₂,k₃表示其对应的权重；3)种群初始化，过程如下：种群规模NP，当前种群代数stage＝1，变异概率为mutate，最大迭代次数为N，种群的约束条件：一个教师在同一时间段只能安排一门课程，一个班级在同一时间段只能安排一门课程，同一个教室在同一时间段只能安排一门课，教室的容量应该大于上课班级的人数；随机生成满足约束条件的初始种群Qinit＝{S1,S2,…,SNP},其中SNP表示第NP个课表，即个体；4)种群交叉，过程如下：4.1)计算当前种群Qcurrent中每个个体的适应度，选取最优个体Sbest；4.2)在最优个体Sbest中随机选取一条时间条SbestArandom，再从种群的其它个体中随机选取时间条SotherAotherrandom，将两个时间条中的上课时间dy和教室pr进行交换；4.3)在最优个体Sbest中，判断交换后的该个体中是否满足约束条件，若满足，继续执行下一步，若不满足，则返回步骤4.2)；4.4)计算交换后的个体适应度S_bestF_behind与交换之前最优个体适应度S_bestF_front之间的差值ΔF_{behind‑front}＝S_bestF_behind‑S_bestF_front，若ΔF_{behind‑front}＞0，表示交叉得到较优的个体，接收作为下一代个体，其它个体不变，最终生成子代种群Q_reproduct；若ΔF_{behind‑front}＜0，用蒙特卡洛概率接收，其中KT是温度系数，若Z_Monto＞rand(0,1)，则接收这次时间条的交换；否则，拒绝本次时间条交换；5)种群变异，过程如下：计算新生成的子代种群Qreproduct中每个个体的适应度，选取最优个体Sreproductbest，从最优个体中随机选取一条时间条SreproductbestArandom，若mutate＞random(0,1)，则从上课时间D和教室信息P中随机选取上课时间和教室信息重新对时间条SreproductbestArandom中的上课时间和教室信息进行组装；否则，不做操作；6)更新当前种群代数stage＝stage+1，判断如果stage＜N，则返回步骤4)；否则表示已经满足最大迭代次数，表示种群优化结束。