【正文】 特別是在論文的寫作過程中， 于 老師對論文進(jìn)行了負(fù)責(zé)的、仔細(xì)的審閱與修改， 詳細(xì)到一個表單的標(biāo)題中英文對照是否合理，一張截圖的中使用的顏色和整體論文的風(fēng)格是否協(xié)調(diào)，像這樣的細(xì)節(jié)都能一一指出，讓我更加懂得了要嚴(yán)格的要求自己，要嚴(yán)謹(jǐn)?shù)膶⒄撐膬?nèi)容做得更加細(xì)致，格式做得更加工整。在此我們先給出實驗數(shù)據(jù)如下表所示： 表 51 實驗數(shù)據(jù)表 Table 51 table of experimental data 描述 值 班級數(shù) 62 教師數(shù)量 100 理論課 教室數(shù)量 72 語音室數(shù)量 10 公共機房數(shù)量 12 所有課程數(shù)量 150 36 所有專業(yè)實驗課教室數(shù)量 70 天數(shù) 5 每天節(jié)數(shù) 10 操場數(shù)量 2 教學(xué)任務(wù)記錄 310 為了得出最優(yōu)化結(jié)果，結(jié)合實驗的思想，讓實驗更具說服力，本文給出了操作數(shù)的不同參數(shù)值 (文 [3])： 表 52 參數(shù)表 Table 52 table of parameters 操作數(shù) 參數(shù)值 雜交概率 突變概率 進(jìn)化代數(shù) 100 進(jìn)化代數(shù) 200 種群總數(shù) 50個體 種群總數(shù) 100個體 種群總數(shù) 200個體 經(jīng)過在不同情況下實驗得出進(jìn)化結(jié)果，每次所排出的課表經(jīng)檢測無任何沖突，我們?yōu)榱俗鰧Ρ龋?在下面圖中予以 ●當(dāng)種群數(shù)是 100 時，種群中最優(yōu)個體隨著代數(shù)的增加而變化的曲線： 37 圖 52 最優(yōu)個體適應(yīng)度值變化 Chart 52 variation of fitness of optimal individaul ●當(dāng)種群數(shù)是 50時，種群中最優(yōu)個體隨著代數(shù)的增加而變化的曲線： 圖 53 最優(yōu)個體適應(yīng)度值變化 Chart 53 variation of fitness of optimal individaul ●當(dāng)種群數(shù)是 200 時，種群中最優(yōu)個體隨著代數(shù)的增加而變化的曲線： 圖 54 最優(yōu)個體適應(yīng)度值變化 38 Chart 54 variation of fitness of optimal individaul ●當(dāng)進(jìn)化代數(shù)為 100 時，不同種群總數(shù)的三種情況的種群中每代最優(yōu)個體走勢做比較： 圖 55 最優(yōu)個體適應(yīng)度值變化 Chart 55 variation of fitness of optimal individaul 實驗分析：隨著代數(shù)的增加可以看出個體的適應(yīng)度值 是逐漸增加，而到了一定代數(shù)后就不再增加。 列表示時間片，行表示班級。 ZQS得出個體期望的選擇數(shù)： Select=INT(Pselect * ZQS) 即 :選擇數(shù)是由個體的適應(yīng)度值占整個種群適應(yīng)度值的份額所決定的?？刂茀?shù)的選取不同會對遺傳算法的性能產(chǎn)生很大的影響。如下圖示： 27 圖 49 突變演示圖 Chart 49 Demo figure of mutation (3) 雜交算子 所謂交叉運算，是指對兩個相互配對的染色體依據(jù)交叉概率 Pc 按某種方式相互交換其部分基因，從而形成兩個新的個體。這樣，系統(tǒng)就有了沖突檢測、消除函數(shù)和適應(yīng)度函數(shù)。因此，為了評判一個課程表的優(yōu)劣度，必須量化計算課程表的適應(yīng)度值。否則存在。 unsigned char HavingClass[4]。 另外，在初始 化種群時，基于容器的容器使其更加簡捷。 對每一個課程表可以形成一個二維數(shù)組 kcb (25,bjs)，每 一列就表示一個班級的課表。 (2) 染色體的表示 21 對 于每一門課程既可能只上一次 (規(guī)定 2 學(xué)時課占用一個時間片 )，也可能 上多次，如 4學(xué)時、 6學(xué)時等。下面我們給了很清晰的解釋： 圖 45 編碼結(jié)構(gòu)圖 Chart 45 coding structure chart 下面我們對每個字段給予解釋： 有些教師的課程是固定在某個時間段的，所以在排課過程中，判斷第一位就可以得知可否移動此基因片。 (1)沖突檢測和消除 :初始化種群后，先 對 其進(jìn)行 各類沖突 的 檢測，如存在沖突則消除它 ，而且在每次產(chǎn)生下一代后都要進(jìn)行沖突檢測 。這會將數(shù)據(jù)庫的概念結(jié)構(gòu)轉(zhuǎn)換為邏輯結(jié)構(gòu)方法簡單，易于實現(xiàn)。 數(shù)據(jù)流程圖 系統(tǒng)的數(shù)據(jù)流程圖如圖 31， 32， 33， 34 所示 : 圖 31 排課系統(tǒng)數(shù)據(jù)流圖第 1層 Chart 31 the first layer of timetabling system data flow chart 如圖 32所示，用戶在登錄系統(tǒng)時，根據(jù)自己的用戶名和密碼，去登錄系統(tǒng)。 在本文中， 我們把排課過程中的約束條件分為三類 :基本硬約束、硬約束和軟約束。 自動排課模塊 這一模塊主要完成課程上課時間、上課地點的安排。當(dāng)上課的人數(shù)遠(yuǎn)遠(yuǎn)小于教室容量時，這種情況也 往往 不合適的。 (2)“一師多班”沖突問題 :一位教師可能只給一個班講課，也可能同時給多個班級講課，也就是 說同一教師可以在多個班出現(xiàn)，這樣可能會出現(xiàn)同一時間，同一教師在多個班級上課的沖突，在編排課程表時此類沖突必須解決。全校有 N 個教學(xué)班級，則周課表為 :以 25 個時間片為列， 形成一維的時間序列， 每個班級為行組成的一個二維數(shù)據(jù)表。 (2)上午 3, 4 節(jié)課 10:1011:50。這一過程主要完成班級、課程、教師及上課時間的安排。課程表則是解決這些矛盾的舞臺，是提高教學(xué)管理水平、組織師生進(jìn)行有序教學(xué)的規(guī)范之一，對有效地提高教育教學(xué)質(zhì)量有重要作用。我們認(rèn)為，問題不盡在數(shù)學(xué)建模上，還與問題的處理方式有關(guān)。s universities face in teaching resource management and the optimized article,where geic algorithm will was applied to solve problems,uses the course choice operation method based on roulette algorithm and the optimization calculation method of individual fitness, satisfying most of the soft and hard constraint conditions int the timetabling process and achieving the timetablation of various types of courses. According to the problem that running time is too long,which the researchers didn39。針對之前研究者未解決的運 行時間太長問題，本文提出了一套基于二維編碼的改進(jìn)的編碼方法和教室位置填充方法，精簡了染色體信息量而大大縮短了系統(tǒng)的運行時間。排課是高校日常教學(xué)工作和其他活動的基礎(chǔ)，是教師和學(xué)生正?？茖W(xué)工作學(xué)習(xí)的依據(jù)。 2 分析 排課工作是一項十分繁重而復(fù)雜的工作，就以一般高校而言，它涉及到幾千多門課程進(jìn)行合理的組織安排，而所使用的教室資源卻在學(xué)生規(guī)模每年都在增加的趨勢下越發(fā)顯得緊張了。這一時間段主要做好班級、課程、教師的協(xié)調(diào)。 時間問題 在本文中 考慮的是周課表， 通過 對全國部分高校做的調(diào)查， 綜合 分析了其中大部分高校的教學(xué)特點， 我們在此做出了一個較大眾化的且較合理的時間劃分模式 。用 Tl, T2,......,T25 表示，其中 TI, T2, T3, T4, T5 為星期一的 5個時間片，依次類推。如普通教室、語音室、 操場、 實驗室或機房等等。 本文在地理位置上 是學(xué)校統(tǒng)一規(guī)劃，進(jìn)而綜合解決位置問題，學(xué)校要規(guī)劃好各個學(xué)院的學(xué)生在哪些教學(xué)樓里就近上課，而這樣做的 目的 就 是為了減少學(xué)生和教師的走動范圍。還有對已排好的課程做一些調(diào)整操作。避免沖突也是排課問題中要解決的核心問題。 首先初始化 種群，即編碼，編碼時形成班級集合、課程集合與教師集合形成課程教師對L_S={（ c1， l1， s2），（ c2， l3， s8） ......（ cB， la， sK） }，然后再在時間集合上排序形成時間上無沖突的一個班級 課程 時間 教師對集合 A={（ cb， lr， ti， sp）， ......，（ cB， lR， tI， sK） }。完成教室位置規(guī)劃需要考慮整個學(xué)校教學(xué)樓的情況，所以必須在校模塊中實現(xiàn)。 18 自動排課系統(tǒng)的設(shè)計 遺傳算法的 思想 在本課題中，遺傳算法解決的問題只是求出班級 +課程 +教師 +時間的記錄集，得到比較優(yōu)的一個解，然后再去按條件用教室去填充這個記錄集，就形成了可行可用的課表。 圖 44 遺傳算法流程圖 19 Chart 44 geic algorithm flow chart 構(gòu)建基因編碼和染色體 實施遺傳算法的第 1 步，就是把與求解目標(biāo)相關(guān)的實際參數(shù)進(jìn)行基因編碼，這是算法的關(guān)鍵與難點。每一門課程都有其各自不同的特點，比如上機課需要在機房上課，英語口語需要在語音室上課，體育課需要在操場上課，為此我們規(guī)定：把 16bits分開，前后 8bits各有不同的意思； 圖 46 比特信息圖 Chart 46 bit information chart 在此我們把課程分為專業(yè)必修課，專選科，公共課，上機實驗課，專業(yè)實驗課，體育課，英語語音課，前三個屬于理論課，不在此分配教室。其中 BJS 為參與課表編排的班級總數(shù)； d.“種群” —— 由 ZQS 個個體構(gòu)成。于是，一個初始個體便產(chǎn)生了。我們只要對同一時間，一個教師同時上一門以上課程的沖突和同一時間，一個實驗室 (計算機房、語音室等 )同時有一個以上的班級上課的沖突進(jìn)行檢測和消除即可。只需比較 TEACHER_INFOR::TagForRepeat 的后 25 位是否為 0，則可以判斷是否有重復(fù)課的情況，如果沒有，則跳到下一個老師重復(fù)這樣的工作。 (8)重復(fù)以上步驟，直到所有的教師檢查完畢。 一門課在一周內(nèi)分散安排，提供可引導(dǎo)性學(xué)習(xí)環(huán)境。以下是排課遺傳算法必須解決的幾個關(guān)鍵算子 : (1) 選擇算子 遺傳算法使用選擇運算來實現(xiàn)對群體中的個體進(jìn)行優(yōu)勝劣汰操作：適應(yīng)度高的個體被遺傳到下一代群體中的概率大；適應(yīng)度低的個體，被遺傳到下一代群體中的概率小。1 。將變異后的個體與變異前的父本進(jìn)行適應(yīng)度值的競爭，取優(yōu)勝者進(jìn)化到下一代。 圖 413 主界面 32 Chart 413 main interface 學(xué)院管 理模塊 學(xué)院管理本院的一些教師分配。 本文在原有的基礎(chǔ)對遺 傳算法做了一些優(yōu)化，在系統(tǒng)設(shè)計時充分結(jié)合數(shù)據(jù)庫，能夠形成一個可行的排課方案，有了自己獨特之處，但是要充分考慮其他因素，例如，考慮學(xué)生的意愿，選修課的排課，等等。 在西南大學(xué)計算機與信息科學(xué)學(xué)院學(xué)習(xí)期間，在老師的教導(dǎo)和同學(xué)們的幫助下，本人 在知識水平和工作能力上都有了顯著的提高，對于論文的完成起到了很大的作用，在此致以衷心的感謝！ t gKQcWA3Pt GZ7R4I 30kA1DkaGhn3Xt KknBYCUDxqA7FHYi 2CHhI 92t gKQcWA3Pt GshLs50cLm TWN60eo8Wgqv7XAv2OHUm 32WGeaUwYDI AWGMeR4I30kA1DkaGhn3Xt KknBYCUDxqA7FHYi 2CHhI 92t gKQcWA3Pt GZ7R4I 30kA1DkaGt gKQcWA3Pt GZ7R4I 30kA1DkaGhn3Xt KknBYCUDxqA7FHYi 2CHhI 92t gKQcWA3Pt GshLs50cLm TWN60eo8Wgqv7XAv2OHUm32WGeaUwYDI AWGMeR4I30kA1DkaGhn3Xt KknBYCUDxqA7FHYi 2CHhI 92t gKQcWA3Pt GZ7R4I 30kA1DkaGt gKQcWA3Pt GZ7R4I30kA1DkaGhn3Xt KknBYCUDxqA7FHYi 2CHhI 92t gKQcWA3Pt GshLs50cLm TWN60eo8Wgqv7XAv2OHUm32WGeaUwYDI AWGe R4I 30kA1DkaGhn3Xt KknBYCUDxqA7FHYi 2CHhI 92t gKQcWA3Pt GZ7R4I 30kA1DkaGt gKQcWA3Pt GZ7R4I 30kA1DkaGhn3Xt KknBYCUDxqA7FHYi 2CHhI 92t gKQcWA3Pt GshLs50cLm TWN60eo8Wgqv7XAv2OHUm 32WGeaUwYDI AWGMeR4I 30kA1DkaGhn3Xt KknBYCUDxqA7FHYi 2CHhI 92t gKQcWA3Pt GZ7R4I30kA1DkaGtgKQcWA3Pt GZ7R4I 30kA1DkaGhn3Xt KknBYCUDxqA7FHYi 2CHhI 92t gKQcWA3Pt GshLs50cLm TWN60eo8Wg