排課演算法github

⑴ 論文「計算機自動排課系統的設計與實現」的開題報告怎麼寫

方案名稱：智能排課系統。

方案目的：利用計算機替代傳統的繁瑣的手工排課方法。

方案闡述：本系統受游戲設計中A星演算法中的廣度搜索法啟發，結合手中的文獻，總結出來的一種排課方式。本方案先採用採用信息收集的方式，收集信息。然後利用回逆演算法進行智能排課。最後，再進行適當的人為調整，即可生成符合要求的課表。

方案詳解：當需要生成課表時，用戶需先設定排課條件。基本條件有：周課時設置，課程信息，班級信息，教師信息，場地信息，教學計劃（即那些老師教那些班級、可以選擇的空教室、是否有合班課等信息）。將所有信息存入資料庫。自動排課，即系統自動調用資料庫收集的信息然後利用設定的演算法進行排課。最後，將系統生成的課表進行差錯檢查，分別在班級信息，教師信息，場地信息表中檢測其有無沖突。然後進行查看和手工調課。最後生成所需求的課表。

演算法詳解：

回溯是一種優先搜索法。它按優先條件向前搜索，以達到目標，但當搜索到某一步時，發現原先的選擇並不優或達不到目標，就退回一步重新選擇。這種走不通就退回的技術為回溯法，而滿足回溯條件的某個狀態點稱之為回溯點。

具體到計算機智能排課系統中，選優條件即為排課數學模型中的約束條件群（需求集中的元素特徵與資源集中的元素特徵相互作用形成的數學關系）。換言之，若不滿足約束條件群，該選擇即為不優或達不到目標。當遍歷該步驟的所有可能仍未滿足約束條件群，則該狀態滿足了回溯條件，該狀態點即為回溯點。下圖即為回溯演算法排課流程。

值得指出的是，當得到第一次滿足選優條件的排課結果後，可以將課表輸出到屏幕上，由系統管理員直接審視排課結果，若感覺不滿意，則可回到第一次得出的排課結果，將該狀態設為回溯點，繼續運行該演算法，可以得到另一種排課結果，直至程序管理員滿意為止。

當然，也有可能使用該法遍歷了所有的可能，仍無滿足選優條件之排課結果，此時，計算機就根據反饋的結果，自動放寬約束條件，重新進行排課。

該排課系統已在實際應用，排課結果較為理想，並且充分發揮了運算速度快的特點。

計算機自動排課也需要進行人工干預，以便可以使得各個高校能夠根據自己的具體要求對排課演算法中的一些參數進行設置和調整，並對計算機排出的課表進行調整．本演算法所設計的人工干預過程有：等價類劃分中參數的設置，教室類型的設置，時間模式庫的設置，優先順序函數中參數的設置．用戶可以根據自己的具體要求對這些參數和庫進行設置．另外，對於計算機排出的課程表，用戶也可以通過人機交互進行適當調整，從而得到用戶滿意的課程表．

參考文獻：《高校智能排課系統文獻綜述》

作者，日期不詳。

《以代理人為基礎的中學排課系統研究》

台灣高雄師大學 楊錦潭 歐文性

PS: 本人經過幾天了解和獲得老師的指點，覺得該系統如何能使用數據結構圖和離散數學中的圖論解決會能具有可操作性和智能性。另外，本人認為可以設計一個信息採集的介面，用於採集一些教師的需求信息（例如：不想上某個時段的課程。）這樣可以使整個信息更加人性化，但實現起來也比較有難度。知識水平有限，只能在我所能想到的范圍進行思考。

⑵ c++如何實現排課系統的演算法

我的想法是……
1.首先把最難弄的老師排上，就是說她教的班多，限制多。（這步的實際操作就是把排課順序按照班數排序）
2.隨機安排課（當然要根據人類習慣，您總不能讓他一天上七節課),安排方式為先滿足部分人需求（當然不太公平），然後剩下的補空
3.這剩下的部分人可能因為班級的關系出現重課的問題，沒有關系，先把他安排上去，用repeat循環逐層更改被沖突對象的課節（最後可以選把美術音樂等老師，他們安排到下午的話上午比較好換）

具體跟據實際來定。。……我亂講講。這是我的想法模型。

⑶ 排課的演算法

排課演算法是一個復雜程度相當高的演算法，窮舉是行不通的。不同的班級，不同的教師的課程縱橫交錯，不可能對每一種組合一一窮舉。一間不到三十個班的學校，其課程組合的數量級常常超過整個宇宙質子數的總和。
但在這么多的課程組合中，找出「相對合理」的課程組合，滿足學校、教師、學生的要求是可行的。

⑷ Python實現基於遺傳演算法的排課優化

排課問題的本質是將課程、教師和學生在合適的時間段內分配到合適的教室中，涉及到的因素較多，是一個多目標的調度問題，在運籌學中被稱為時間表問題（Timetable Problem，TTP）。設一個星期有n個時段可排課，有m位教師需要參與排課，平均每位教師一個星期上k節課，在不考慮其他限制的情況下，能夠推出的可能組合就有 種，如此高的復雜度是目前計算機所無法承受的。因此眾多研究者提出了多種其他排課演算法，如模擬退火，列表尋優搜索和約束滿意等。

Github ： https://github.com/xiaochus/GeneticClassSchele

遺傳演算法（Genetic Algorithm）是模擬達爾文生物進化論的自然選擇和遺傳學機理的生物進化過程的計算模型，是一種通過模擬自然進化過程搜索最優解的方法。遺傳演算法的流程如下所示：

遺傳演算法首先針對待解決問題隨機生成一組解，我們稱之為種群（Population）。種群中的每個個體都是問題的解，在優化的過程中，演算法會計算整個種群的成本函數，從而得到一個與種群相關的適應度的序列。如下圖所示：

為了得到新的下一代種群，首先根據適應度對種群進行排序，從中挑選出最優的幾個個體加入下一代種群，這一個過程也被稱為精英選拔。新種群餘下的部分通過對選拔出來的精英個體進行修改得到。

對種群進行修改的方法參考了生物DAN進化的方法，一般使用兩種方法： 變異 和 交叉 。 變異 的做法是對種群做一個微小的、隨機的改變。如果解的編碼方式是二進制，那麼就隨機選取一個位置進行0和1的互相突變；如果解的編碼方式是十進制，那麼就隨機選取一個位置進行隨機加減。 交叉 的做法是隨機從最優種群中選取兩個個體，以某個位置為交叉點合成一個新的個體。

經過突變和交叉後我們得到新的種群（大小與上一代種群一致），對新種群重復重復上述過程，直到達到迭代次數（失敗）或者解的適應性達到我們的要求（成功），GA演算法就結束了。

演算法實現

首先定義一個課程類，這個類包含了課程、班級、教師、教室、星期、時間幾個屬性，其中前三個是我們自定義的，後面三個是需要演算法來優化的。

接下來定義cost函數，這個函數用來計算課表種群的沖突。當被測試課表沖突為0的時候，這個課表就是個符合規定的課表。沖突檢測遵循下面幾條規則：

使用遺傳演算法進行優化的過程如下，與上一節的流程圖過程相同。

init_population ：隨機初始化不同的種群。
mutate ：變異操作，隨機對 Schele 對象中的某個可改變屬性在允許范圍內進行隨機加減。
crossover ：交叉操作，隨機對兩個對象交換不同位置的屬性。
evolution ：啟動GA演算法進行優化。

實驗結果

下面定義了3個班，6種課程、教師和3個教室來對排課效果進行測試。

優化結果如下，迭代到第68次時，課程安排不存在任何沖突。

選擇1203班的課表進行可視化，如下所示，演算法合理的安排了對應的課程。

⑸ 怎麼使用C#編寫排課系統 急需 希望高手能幫助下 提供下具體步驟和源代碼 感激不

我只提示，希望你自己完成
1、弄清楚排課演算法，完成演算法函數，注意輸入輸出介面
2、制定界面，定義輸入輸出（顯示）模塊（控制項）
3、主程序或事件調用排課演算法