UTP中一种分阶段求解算法

大学课程表问题UTP是一个应用广泛的、典型的组合优化和不确定性调度问题,并且已经被证明是NP完全问题。本文提出了一种分阶段解决大学课程表问题的算法,将课程表问题划分为时间安排和空间安排两个阶段,分别采用智能算法和最佳适应算法逐段求解,并最终求得全局较优解。通过设计实验对算法进行分析,结果表明这种分阶段决策算法在保证课表质量的同时能够有效减小遗传算法在求解UTP问题中的复杂度,提高程序的运行速度。

基于群体优势遗传算法的高校排课问题研究

深入分析了高校排课问题,建立了高校排课问题的数学优化模型,构建了基本求解框架。针对高校排课问题的特点,引入遗传算法来加以解决,设计了多种改进方案:新的二进制编码方案、初始种群生成方案、适应度函数设计方案、群体优势策略、自适应交叉概率和自适应变异概率设计方案。仿真结果表明该算法能够满足高校排课问题的多重约束条件,能更有效地解决高校排课问题。

基于双倍体遗传算法求解大学排课问题

大学排课问题(UTP)是典型的组合优化和NP完全问题。通过分层的方法,将常见的五维组合规划模型分解为两次三维组合,缩减了问题的规模。然后针对用传统遗传算法求解UTP所存在的问题,提出双倍体编码方案,并利用交替进化的方法,对多个目标逐个循环优化。实验结果表明,这种方法很好地实现了模式定理,大大提高了求解速度。

采用新型编码GA的高校排课问题仿真研究

深入分析了高校排课问题,建立了它的数学优化模型,构建了该问题的基本求解框架。针对高校排课问题的特点,引入遗传算法来进行仿真研究,设计了多种改进方案,包括:三维编码方案、初始种群生成方案、适应度函数设计方案、自适应交叉概率和自适应变异概率设计方案。仿真结果表明该算法能够满足高校排课问题的多重约束条件,能有效地解决高校排课问题。

采用改进的混合遗传算法求解高校排课问题

为了解决一个存在大量合班现象的高校排课问题,建立了相应的数学模型并采用改进的混合遗传算法进行了求解。在产生初始种群的过程中进行了乱序处理,以提高初始种群中个体的多样性,避免早熟收敛现象的发生;为了防止种群的退化,引入了保留最优个体策略和竞争机制;根据问题的特点设计了与之相适应的遗传算子;为了提高种群进化的效率,交叉概率和变异概率都使用了自适应参数;为了提高算法的局部搜索能力,在交叉操作阶段采用了模拟退火算法。通过Matlab与Access混合编程,实现了对大规模数据的高效处理。实例结果表明,该算法能够有效地解决存在合班现象的高校排课问题。

基于三维免疫遗传算法的高校排课问题研究

深入分析了高校排课问题,建立了其数学优化模型,构建了它的基本求解框架。针对高校排课问题的特点,引入遗传算法来加以解决,设计了多种改进方案,包括:三维编码方案、初始种群生成方案、适应度函数设计方案、免疫策略、自适应交叉概率和自适应变异概率设计方案。仿真结果表明该算法能够满足高校排课问题的多重约束条件,能更有效地解决高校排课问题。

采用三维小生境遗传算法求解高校排课问题

深入分析了高校排课问题,包括排课目标、主要影响因素、约束条件、求解目标,建立了其数学优化模型,构建了其基本求解框架。针对高校排课问题的特点,引入遗传算法来加以解决,设计了三维编码方案、初始种群生成方案、适应度函数设计方案、小生境策略、自适应交叉概率和自适应变异概率等多种改进方案。仿真结果表明该算法在一定程度上满足了高校排课问题的多重约束条件,能够有效地解决高校排课问题。

面向高校统一教学资源排课问题的启发式方法

面向高校整体教学资源环境下的复杂多约束排课问题,提出了一种启发式方法.基于实际教学过程中涉及学生、任课教师、上课教室,以及各自的可行时间段等教学资源下的复杂多约束条件建立了约束函数,构建了以学生每周上课节次的均匀度与教师对任课时间满意度最大化为目标函数的优化模型.在求解过程中,将各约束条件转化为关系代数的关系运算,在缩小解空间的基础上进而采用启发式策略进行优选.最后,以一个实际高校的排课算例验证本文方法的有效性.

改进型免疫优化算法求解排课问题

为了有效地求解高校排课问题,设计了基于免疫优化算法的排课方案。给出了高校排课问题的数学模型,构建了基于免疫算法的求解框架,并进行了实验验证。实验结果表明该设计的排课方案能够有效地解决高校排课问题,具有较好的应用价值。

采用三维自适应遗传算法的高校排课问题研究

根据教师、学生、课程、教室和时间要求建立多约束数学模型,并结合遗传算法特点,对其各个步骤进行了改进,提出了基于三维自适应遗传算法的排课方法。实验结果表明,与传统排课方法相比,基于三维自适应遗传算法的排课方法能有效降低课程之间的冲突率,提高排课效率和成功率。

用基于随机权重方法的遗传算法求解大学课程表问题

在分析大学课程表问题的基础上,提出了用基于随机权重和方法的遗传算法求解大学课程表问题,并对整个算法进行设计与实现。系统的实验结果表明,改进的遗传算法能够较好地处理大学课程表问题。

大学课程表问题的模型与算法

课程表问题(Timetablingproblem,简称TTP)是时间表问题之一,也是NP难问题。根据大学授课形式的特点建立了大学课程表问题的数学模型,并给出了求解该问题的遗传算法。为了提高解的质量和加快收敛速度,当相同时间段内班级重复出现时,给出了寻找可能的新位置的方法,并将其嵌入遗传算法,实验结果表明该方法是可行和有效的。

合班问题的数学模型

本文首次建立了我国高校计算机排课时合班问题的数学模型，它是一个非线性的整数规划问题。本文将集中讨论二维合班问题。

案例注入式遗传算法在大学课程表问题中的应用

遗传算法在解决大学课程表问题过程中往往采用随机方式来初始化种群,这就造成了运算量变大和复杂度增加等情况,从而影响了算法的性能.提出了一种改进的遗传算法——案例注入式遗传算法,该算法利用基于案例的推理对遗传算法进行初始化,以此加快算法的收敛速度.

采用十进制小生境GA求解高校排课问题

在分析了高校排课的排课目标、影响因素、约束条件、求解目标等问题的基础上,建立了其数学优化模型,构建了其基本求解框架,设计了包括十进制编码、初始种群生成、适应度函数设计、小生境策略、自适应交叉概率和自适应变异概率设计等多种遗传算法改进方案.仿真结果表明,该算法能够满足高校排课问题的多重约束条件,能更有效地解决高校排课问题.

基于量子进化算法的高校排课方法设计

排课既是高校教学管理中一项重要而复杂的工作,又是一个多目标约束组合优化问题,为此使用量子进化算法来求解高校排课问题。首先研究了量子进化算法的关键技术,然后根据量子进化算法求解优化问题的思路设计了高校排课算法。通过实验表明,本文方法能够根据开课任务自动完成排课过程,排课的成功率和效率都比较好。

一种基于遗传算法的排课方法研究

排课问题是一个多约束、多目标的组合优化问题,并且已经被证明是一个NP完全问题。本文基于本校教学管理过程的实际情况,利用遗传算法对排课问题建立数学模型,设计了适应度函数,通过选择、交叉和变异等过程,进化得到最优解。实验结果表明该算法能够有效的解决本校的教务智能排课问题。

用量子遗传算法求解大学排课问题

作为典型的NP完全问题，大学排课问题在教务管理系统中非常重要。该文通过对大学排课问题的数学模型的分析，运用量子遗传算法进行求解。实验结果表明，利用量子遗传算法求解大学排课问题要优于使用遗传算法。

新蚁群算法模型在大学课程时间表问题中的应用

分析大学课程时间表问题的特征,结合已有蚁群算法的求解策略,构建了新的问题求解模型,提出了一种基于蚁群算法和改进过程的求解算法,并在不同规模的问题实例上进行实验。结果表明,算法在目标函数解的质量上有明显改进。

基于D_时刻表算法的大学课程表的求解

根据现在大学编排课表的特点设计了一种全新的方法,即用时间规划中的D_时刻表算法来对课程表进行编排。这是以文献[2]的求解D_时刻表的方法为基础,参照近年来人们多采用的遗传算法,加以改进的方法。结果表明该方法具有一定的可行性和有效性。