[发明专利]一种基于遗传算法的高校排课方法

说明书

  

技术领域

本发明涉及一种遗传算法的应用，尤其涉及一种基于遗传算法的高校排课方法。

背景技术

遗传算法借鉴了达尔文的进化论和孟德尔的遗传叙说，是近几年发展起来的一种崭新的全局优化算法，它目的就是在潜在的解决方案集中逐层产生一个近似最优的解。美国 Holland 教授于 1975 年首先提出 GA 算法的思想后吸引了大批的学者进行研究，并迅速推广到机器学习、优化、搜索等领域。GA 算

法使用适者生存的自然规律，是“生存和检测”的迭代过程的搜索算法。它将问题域中的可能解看作是群体的一个个体或染色体，并将每一个体编码成符号串形式，模拟达尔文的遗传选择和自然淘汰的生物进化过程，对群体反复进行随机的、有组织的信息交换，根据预定的目标适应度函数和借鉴生物遗传学的再造方法对每个个体进行评价和选择，不断得到更优的群体。

发明内容

本发明主要提供一种基于遗传算法的高校排课方法，为了实现本发明的目的，本发明提供一种基于遗传算法的高校排课方法，其特征在于，其排课算法步骤为：

（1）随机建立初始群种组成不同的可行解决方案；

（2）计算各个个体的适应度；

   （3）执行遗传操作，重新组合新的种群：利用轮盘赌法选择优良的个体复制添加到新的种群中，之后利用轮盘算法选出两个个体进行基因交叉重组添加到新的种群中，然后覆盖旧种群，利用轮盘赌法选出个体以极小的概率随机变化其基因添加到新的种群中，然后覆盖旧种群；

    （4）判断是否达到终止条件，达到则输出最优解，否则转（2）。

优选的，其时间安排算法为：

（1）根据班级的数据生成一张空白课表；

（2）建立初始群种，随机建立 n 组教学任务装入空白课表；

（3）评估适应度，也就是对种群进行冲突检测，有冲突就消除，如果无冲突则遗传迭代结束，算法终止。跳转到（8）；

（4）根据适应度大小，选择某个特定的规则来选择算子，产生中间代；

（5）对种群中的个体进行交叉计算；

（6）选择种群中符合的个体进行变异计算；

（7）产生新种群，覆盖旧种群，如果满足任意一个优化停止的条件，就跳转到第（3），否则跳转到（8）；

（8）算法结束，根据计算的适应度的值，适应度越高就表示越优，从较优的群体中选择一个最优方案。

优选的，排课算法与遗传算法中的对应关系包括：

基因：组成染色体的单元，定义时间 t 和一门课程构成一个“时间-课程”的对每个对与一个待定的教室相对应，设这样的一个组合为一个基因；

染色体：为待求解问题的一个可能解，由基因连接组成染色体，即一种可能的排课方案，也是遗传算法操作的基本对象；

优选的，排课算法与遗传算法中的对应关系还包括：

     初始群种：随机生成若干种排课方案的集合，表示基于遗传算法的排课的搜索空间。

优选的，排课算法与遗传算法中的对应关系还包括：

选择算子：根据生物遗传学的“设置生存，优胜劣汰”的进化规则，使用轮盘赌算法，不同个体的适应度在一个种群中所占比例的总和为 1，呈现在一个轮盘上，根据个体的适应度的概率选择其作为父个体，个体的适应度越大，被选中的机会越高；

优选的，排课算法与遗传算法中的对应关系还包括：

变异算子：按照很小的概率随机改变某个个体的性质，使基于基因的单点变异；

交叉算子：父个体按照一定的概率随机交换基因的前后部分形成新的个体，在本课题中采取单点交叉操作；

终止条件：表示迭代遗传代数的条件限制，当达到设定值之后，终止操作。

有益效果：本发明提供一种基于遗传算法的高校排课方法，将排课问题转化成遗传算法的问题，排课问题的因素和遗传算法的算子相对应。时间算法与课室安排算法相结合，在排课过程的不同阶段，建立起优先的课室集，指导算法一直寻找最合适的课室，实时地对各类课室类型的资源和数量进行动态维护，避免了遗传算法出现未成熟就收敛等问题，也有效地解决了“甩课”问题。

具体实施方式

下面结合具体实施方式对本发明做进一步详细说明。

 本发明提供一种基于遗传算法的高校排课方法，其特征在于，其排课算法步骤为：

（1）随机建立初始群种组成不同的可行解决方案；

（2）计算各个个体的适应度；