基于遗传算法的排课系统研究

排课问题（TTP）是一个有约束的、多目标的、难解的组合优化问题,并且已经被证明是一个NP完全问题。利用遗传算法进行问题求解,给出染色体编码方案和适应度函数,设计并实现了排课系统。实验结果表明,其过程的目标值跟踪显示,算法稳健趋优,所得结果令人满意。     

基于遗传算法的排课系统

排课系统在教务管理系统中是比常见的一个模块，但在多约束条件情况下，要排出一张高质量的课表并不容易。通过使用遗传算法，对初始课表进行优化，并用Matlab进行编程，试验结果表明，遗传算法对课表的优化有着比较显著的作用。     

基于遗传算法的高校排课系统研究

提出并实现了一种高校自动排课算法,利用遗传算法建立数据模型,定义一个包含教师编号、班级编号、课程编号、教室编号、上课时间段的染色体编码方案和适应度函数,通过初始化种群、选择、交叉、变异等过程不断进化,最后得到最优解。利用该算法对某高校的真实数据进行实验,结果显示无一例教室、教师、班级冲突,算法具有合理性和可行性。     

遗传算法在多校区排课系统中的研究和应用

本文分析了造成多校区高校排课困难的各种因素,研究了如何应用遗传算法来解决多校区高校排课困难的问题,并对该算法进行详细设计,给出了一个基于该算法的排课模型.     

基于遗传算法求解排课问题的研究

排课问题实际上是时间表问题,由于其超大的求解规模和众多的约束条件,是运筹学领域和计算机领域一直致力寻求解决但没有得到解决的NP难解问题,本文讨论了遗传算法设计中的编码方案以及遗传算子的实现方法,利用遗传算法求解排课问题,其搜索过程带有自组织的智能性和并行性,且操作简单,可以更少地依赖于实际问题的情况,实现课表的优化。     

遗传算法在排课系统中的应用

根据学校排课的实际情况,建立了一个基于遗传算法的问题模型,可以合理地解决排课过程中的各种冲突,实现资源与时间的优化。就遗传算法在排课中应用与设计实现进行了阐述。     

基于改进遗传算法的智能排课研究

本文深入地分析了排课问题的软约束条件和硬约束条件,抽象出求解智能排课问题的数学模型。深入分析遗传算法,针对传统的遗传算法,对初始种群进行均匀化、适应度函数、变异算子等方面改进。通过对比实验证明改进的算法完全适用于智能排课问题,而且具有较高的效率,为排课问题的发展提供了新的思路。     

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。     

基于遗传算法的高校智能排课系统

新形势高校的发展,高校教务管理中的排课问题显得更为复杂。排课问题是一个典型的组合优化和不确定性调度问题,也是一个完全问题。该文根据高校实际情况,从遗传算法的基本理论着手,研究如何利用遗传算法解决高校排课中的资源冲突、课表优化等问题,并引用了哈希表和时间粒度的概念,对传统遗传算法染色体的编码模式进行了有益修正,增强了模式的灵活性。实验证明．遗传算法能够简化程序的复杂度和减少生成最佳课表的时间。达到了较高的师生满意度。     

基于遗传算法的高校智能排课系统

新形势高校的发展,高校教务管理中的排课问题显得更为复杂。排课问题是一个典型的组合优化和不确定性调度问题,也是一个完全问题。该文根据高校实际情况,从遗传算法的基本理论着手,研究如何利用遗传算法解决高校排课中的资源冲突、课表优化等问题,并引用了哈希表和时间粒度的概念,对传统遗传算法染色体的编码模式进行了有益修正,增强了模式的灵活性。实验证明,遗传算法能够简化程序的复杂度和减少生成最佳课表的时间。达到了较高的师生满意度。     

基于遗传算法的排课系统

随着高校的发展.在教务管理系统中使用的排课模型也变得越来越复杂,亟需一种适用于开发、重用及设计的方法.针对这种情况.给出了排课问题的教学模型,提出基于遗传算法解决方案.结果表明,该算法能比较有效地解决排课问题.     

遗传算法在高校学分制系统中的设计与研究

本文详细介绍了一个基于遗传算法的学分制系统的设计方案：构造了“教师编码”基因结构和课表的适应度函数：设计了排课遗传算法的核心算子。     

基于遗传算法的TSP问题求解算法及其系统

TSP问题为组合优化中的经典的NP完全问题。针对这一问题,首先设计了基于遗传算法的求解算法,包括编码设计、适应度函数选择、终止条件设定、选择算子设定、交叉算子设定以及变异算子设定等,给出了基于遗传算法求解TSP问题的一般性流程,然后设计并实现了基于遗传算法的TSP问题求解系统,给出了求解系统的体系结构,并给出了求解系统基于Ja-va语言的实现机制,最后通过实验结果的分析,表明了算法具有较好的寻优性能,系统具有较好的实用性。     

遗传-蚁群融合算法在离散型优化中的研究及实现

主要针对离散型数学模型的优化问题,分析使用遗传和蚁群算法的优缺点,并克服遗传算法、蚁群算法各自的局限性,发挥其优势,通过遗传-蚁群融合算法进行优化计算。在研究过程中,采用C#语言实现融合算法,并定义标准输入和输出结构。利用油田措施优化应用案例进行了对比实验验证,结果表明,融合算法能有效地发挥遗传、蚁群算法的优点,运算速度及求解效率均较理想。     

基于推进策略的遗传分类方法研究

应用遗传方法产生“弱”分类器,按照Boosting（推进）的思想,改变每一代遗传操作中训练实例的权重,并以整体结合方式确定未在训练集中的实例类型,有效地改进了遗传分类算法。     

改进型遗传算法智能组卷系统的设计与实现

本文介绍了改进型遗传算法智能组卷系统的需求分析,然后根据分析结果来设计和实现具有良好的通用性和可扩展性一套智能组卷系统,其中组卷算法的关键点给出了具体的实现代码。     

基于生长树的遗传聚类算法研究

分析了目前基于目标函数聚类算法的不足,面对形状复杂且非重叠的样本聚类问题,定义了最邻近距离和生长树的概念。随机选取生长树初始种子点,以最邻近距离作为生长树生长的方向和样本划分依据,以最终生长树大小为聚类目标函数,引入遗传算法,提出基于生长树的遗传聚类算法,并通过实例进行了算法测试和比较。算法测试表明：基于生长树的遗传聚类算法对于形状复杂且非重叠样本的聚类是完全可行和有效的。     

基于智能强化学习的遗传算法研究

采用结合智能强化学习和遗传算法来求解车间作业调度问题。     

混合遗传算法和蚁群算法在HP模型中的应用

遗传算法和蚁群算法在HP模型中已经有了大量的研究及成果,蚁群算法具有分布式并行全局搜索能力,通过信息素的积累和更新收敛于最优路径上,但初期信息素匮乏,求解速度慢。提出了一种先用遗传算法生成信息素分布,再利用蚁群算法求优化解的新的混合算法。将该算法用于二维HP模型中,计算结果显示该算法在寻优能力和收敛速度上都比单一的遗传算法和蚁群算法有所提高。     

基于种群差异度的自适应遗传算法

常规遗传算法采用恒定的选择压力和变异概率,后期进化速度较慢,对于复杂优化问题通常难以获得高质量的解。该文根据染色体的相似性,提出了种群差异度的概念,并依据种群差异度自适应地调整遗传参数。算例表明,与常规遗传算法相比,文章提出的算法能显著提高解的质量和收敛速度。