应用遗传算法求解排课问题

给出了排课问题的描述和五元组定义.针对排课问题的关键因素,根据遗传算法的特点,设计了排课问题的编码方式,对求解的目标进行了优化,满足了实际应用.     

开放教育排课问题约束分析与数学建模

高等教育教学管理信息化是高校提高竞争力的关键因素。开放教育作为一种成人性质的高等教育类型,教育资源的非均衡配置限制了开放教育的发展。高校排课问题是一个多目标、多约束的资源与时空组合优化问题。排课问题的求解能够实现教育资源优化配置。本文基于开放教育的特点与教育资源的需求情况,以排课问题为切入点,分析排课问题的各种约束条件,利用数学方法构造求解排课问题的数学模型,为后续智能排课系统的设计与开发提供算法基础。     

基于遗传算法的高职院校排课系统

结合职业教育自身的特点和基于遗传算法,详细说明了排课问题的制约因素以及约束条件,分析了排课问题的求解难点和目标,并提出了排课问题求解的总体思路。     

基于遗传算法的排课问题研究

排课问题是一个有约束、多目标的组合优化问题,同时也是一个NP-hard问题。因此,该文选用将遗传算法引入排课问题中,首先对排课问题进行了描述,在此基础上提出了一种基于遗传算法的排课算法,并对其进行了仿真实验,最后较快的找到了问题的最优解或次优解。     

基于遗传算法排课问题模型的研究

排课是教学过程中的重要任务之一,优质的课程表可以提高教师、学生的上课效率。基于此,笔者通过建立硬、软约束模型,设计适应度函数,以及选择、交叉和变异等操作,最后得到最优排课方案。实验结果表明,遗传算法提高了排课算法的运算效率,能够得到更多的最优排课方案。     

基于遗传算法的排课问题分析与研究

排课问题是多目标整合优化问题,即时间表问题。经过人们多年的研究,最终遗传算法在排课系统的理论研究与实践应用中都取得了很大的成就。基于此,笔者分析了基于遗传算法求解排课问题的最优解,首先分析了排课问题的基本因素,进而建立了数学建模,最后通过选择、交叉和变异等过程和仿真实验进而说明并获得最优解。     

改进遗传算法在排课问题中的应用研究

深入分析了排课问题的内在实质,抽象出求解排课问题的数学模型。在此基础上详细地阐述了如何将遗传算法运用到排课问题中,同时针对传统的遗传算法进行适当的改进。对比试验证明改进的算法能够提高智能排课的效率。     

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。     

基于遗传算法的高校多媒体教室排课问题探索

遗传算法是当前计算机领域的热门课题,将这一热门课题引入到教育技术学领域中来加以研究应用。排课问题本身是一个资源分配问题,随着多媒体教室的功能日益增加,需要引入一种将教室设备作为影响授课因素之一的排课算法。分析了多媒体教室排课算法的数学模型、约束条件以及算法设计。     

遗传算法在排课问题中的应用

遗传算法作为一种启发式搜索方法已经被越来越多地应用到了各个领域,本文主要描述了如何将遗传算法运用到排课问题中,从而实现智能和自动的排课功能。本文首先从具体的排课问题入手,分析各种约束条件,抽象出数学模型,接着论述了如何将遗传算法运用到排课问题中,同时针对传统的遗传算法进行适当的改进,以便能够提高算法的效率,获得全局近似最优解。     

自适应遗传算法在高校排课问题中的研究

首先对排课问题进行调研分析,建立数学模型;然后针对传统遗传算法的不足,提出自适应遗传算法,该算法采用三维编码方案,并在交叉概率和变异概率、适应度函数、初始种群的生成等方面都进行了设计和优化;最后对算法进行对比测试;得出自适应遗传算法能更好地提高排课的质量和效率。     

混合算法在大学课程表问题中的应用研究

大学课程袁问题是时间表问题之一,也是一个多因素的优化决策问题.文章提出的混合算法,基于动态规划的思想,对大学课程表问题进行分阶段求解,分别采用遗传算法分配时间,采用最佳适应算法分配场地.实验结果表明,这种方法既保证了课表的质量,又有利于工程上实现和扩展.     

基于空间模型和遗传算法的高校排课系统

如何实现具有人性化设计、能满足多约束条件的高效排课系统是高校教务工作的难点问题. 针对某高校排课问题, 提出基于空间模型的高校排课算法. 首先对比分析现行各排课算法的优劣性, 然后结合该校实际排课需要, 构建排课问题空间模型和约束模型以降低排课问题复杂度, 并在此基础上, 对遗传算法进行优化, 设计了基于遗传算法的排课算法, 提出了排课问题的解决方案. 实验结果表明, 该排课系统较好的解决了该校的排课问题, 为其他类似问题的解决提供了可借鉴经验.     

基于遗传算法的不定期船舶调度优化模型研究

针对不定期船舶调度中客户需求信息的动态变化、船舶类型的多样化以及船舶航线的不定性,以最小化航运成本为目标函数,建立了带滚动窗口的不定期多目标船舶调度优化模型（SRPRW）,并制定了基于SRPRW模型的实时优化策略以实现需求信息变化时能及时快速地调整船舶调度航线.SRPRW模型求解时,在遗传算法（GA）中引入模拟退火机制以防止SRPRW模型的调度结果陷入局部最优解,同时设计了一种自适应交叉算子和自适应变异算子,以提高模型求解的收敛速度.实验结果表明该模型能快速地制定出船舶调度路线,及时响应客户的动态需求.     

生产作业计划仿真优化研究

将仿真技术和遗传算法相结合,根据生产车间的资源情况、优化目标等建立了生产调度仿真模型,然后对仿真输出结果进行统计,针对统计结果应用遗传算法对调度决策进行优化。仿真优化结果说明了该集成优化方法是有效性的。     

求解车间作业调度问题的一种改进遗传算法

针对标准遗传算法收敛速度慢和易陷入局部最优的问题,在总结已有经验的基础上对标准遗传算法提出改进:采用基于工序的编码、解码方式,每一次遗传操作后对种群采用循环选择并保留最优个体,对交叉操作和变异概率的计算提出了一系列改进方法,避免遗传算法产生无用解或陷入局部优化,以提高效率。通过实验验证,改进后的算法具有可行性,并且可以得到十分满意的结果。     

多车型车辆调度问题的建模与仿真

车辆调度问题（VSP）是一个典型的NP—hard问题,也是运筹学研究的热点问题。目前大多车辆调度问题的模型及其相应的算法与仿真都是针对单车型设计的,很少考虑多车型的情况,然而在实际的车辆调度中多车型的车辆调度问题经常会遇到,尤其在多货栈多物品的联合运输中。该文针对多车型的车辆调度问题,在文献[6]、[8]和[9]等研究成果的基础上建立了多车型的VSP模型,并根据该模型设计了相应的遗传算法,然后用Matlab实现了该算法。从仿真的结果看,得到的解是比较满意的。     

图着色问题的混合遗传算法

针对图着色对顶点划分的本质特征,提出了基于度的种群初始化方法和交集杂交算子;为加快算法的收敛速度,设计了新的贪婪局部搜索算子来改进杂交产生的后代个体。在此基础上,提出了图着色问题的一种新的混合遗传算法,对10个标准算例的仿真结果表明,新混合遗传算法可以获得问题高质量的解,是一种有潜力的算法。     

求解车间作业调度问题的一种改进遗传算法

针对标准遗传算法收敛速度慢和易陷入局部最优的问题，在总结已有经验的基础上对标准遗传算法提出改进：采用基于工序的编码、解码方式，每一次遗传操作后对种群采用循环选择并保留最优个体，对交叉操作和变异概率的计算提出了一系列改进方法，避免遗传算法产生无用解或陷入局部优化，以提高效率。通过实验验证，改进后的算法具有可行性，并且可以得到十分满意的结果。     

自动化集装箱码头AGV配置与调度耦合问题研究

针对自动导引小车（Automated Guided Vehicle，AGV）数量偏多导致的自动化码头水平运输区域拥堵的情况，采用多学科变量耦合优化设计的方法对自动化码头AGV调度与AGV配置问题进行研究。先以最小化岸边等待时间为目标建立AGV调度模型，再以最小化AGV数量为目标建立AGV配置模型。并将完工时刻和AGV数量作为公用设计变量连接两个模型，建立了协调调度耦合模型。设计算例，利用遗传算法（Genetic Algorithm，GA）收敛速度快的特点对该耦合模型进行求解，经反复迭代计算后得出最优AGV数量与AGV调度方案。最后，扩大算例规模，设计9组实验，比较了GA、粒子群算法（Particle Swarm Optimization，PSO）和蚁群算法（Ant Colony Optimization，ACO）的求解结果，结果表明随着算例规模的增大，GA的求解能力更为突出，从而验证了设计的算法的可行性。