改进遗传算法在智能排课系统中的研究与应用发展　

石明奎（甘肃省定西市通渭县第三中学，７４３３００）　【摘要】由于排课系统存在诸多影响因素，导致排课过程中难以达到最优解。教室，时间，教师，课程和班级都在我们的考虑范围内，各个因素　既互相制约，又有矛盾的方面。时间和空间的配给直接影响到排课系统的效率。利用遗传算法，通过候选解的不断适应，找到一代的优化解遗传　给下一代，不断优化，能够在最优解方面有较好的性能。本文通过改进进化策略和智能进化的方法，智能排课系统达到了较好的优化指标和优　化速度。　【关键词】智能排课；遗传算法；智能进化；改进策略　【中图分类号】ＴＰ１８　【文献标识码】Ａ　【文章编号】１００６—４２２２（２０１７）叭一０２６７—０２　１改进遗传算法在智能排课系统中的重要性　当代中国将科教兴国作为建设祖国的一项基本国策．受　到各界的广泛关注。不论是家长还是学生都将教育做为家庭　的关键一步。同时，随着社会的不断发展，教育的模式和方式　也在不断的变化．当代教育模式越来越与互联网紧密结合起　来。教育的改进也对学校排课的效率提出了更高的要求。经过　改进后的排课系统必须能够使时间和空间达到合理的配置。　充分调动教室，时间，教师，课程和班级等各类因素。而将遗传　算法用于改进排课系统．能够更好的适应各种学校、不同地区　的排课要求．解决好全局巡优的目的。　２遗传算法的研究　遗传算法是借鉴生物界适者生存的原理演化而来的随机　化搜索方法。通过初代的随机变异，通过环境选择选择出最优　的基因进行下一代的遗传．不断循环，最后在环境的作用下得　到最适宜环境的基因。遗传算法有非常多的好处。例如它直接　对对象进行运算和操作．不必受到求导和函数连续性的控制。　同时，由于遗传算法从问题解的集合开始搜集．这种算法具有　很好的全局巡优能力。并且，这种算法具有很好的容错能力和　隐含的并行性，提高了效率。随着研究的不断深入，已经应用　到诸如机器学习，信号处理等诸多领　３对智能选课系统具体指标分析　遗传算法适应度数是智能排课系统的关键．它是遗传算　法的度量标准，以此标准确定各个成员的好坏优劣。若适应度　函数确定的好．能够防止群体中的个体早熟．对群体中的多样　性的维护起到至关重要的作用　将第ｉ组因素对智能排课系统影响的估算权值定位Ｒｉ．　取值在区间『０　１］。Ｒｉ为５种因素的收敛代数对参照误差代数　和的比值，那么有∑Ｒｉ＝１．计算内容分为五部分，分为：　（１）教室；　（２）老师时间：　（３）学生时间：　（４）课程设置：　（５）班级安排。　将第ｉ项因素对智能排课系统的误差设为．体现其满足　第ｋ项综合评定误差，选择以４０为底的指数函数是为了产生　对适应度函数的影响。下面通过具体的指标来进行理论研究　和分析。通过具体指标的优化．对智能选课系统的系统性研　究，实现系统模型的优化和提升　（１）教室的分配。教室类型的分配因不同学校的具体状况　有不同的分配方法。通常来说分为几种类型．分别是：阶梯教　室，机房，小教室。礼堂，实验室　（２）教师时间。教师时间与所要求的上班时间有极大关联．　但应考虑到特殊情况下老师请假的情况。会产生换课情况。　（３）学生时间。它能反映学生的心理接受时间和学习效率　与课程安排结合。使学生在每天中不同的时间高效率的接收　到更多的知识　（４）课程设置。由于学习科目的难易不同，重点不同，有些　科目的课程安排会比较多．如何高效的进行课程安排也是我　们需要考虑的内容之一　（５）班级安排。一些班级组织集体活动导致整班不能去上　课的情况是需要考虑进去的　４对遗传算法的改进方案　我们将从遗传算法的各个步骤入手，逐步进行优化，达到　理想指标。　（１）对遗传算法的编码方法进行改进　现代遗传编码主要使用二进制编码方法，由于它能够被　计算机识别同时易于交叉变异因而受到广泛关注　但二进制　编码的重要缺点是运算过程中．需要存储大量数据，占用大量　内存，而且精度受。与之相对应的．如果利用实数编码．那么就　能较好的解决当前问题　（２）对种群的初始化方法进行深入的研究　将周一到周五正常上课时间划分为五个大的时间块　在　这五天中将所需要上的课程随机排入五天时间中．再将老师　上课时间和学生适宜上课时间排入。如不冲突．保留所选项　如冲突，重新产生，然后算出每个学生的个体适应度的函数。　（３）改进选择操作的方法。　

高速公路的不同车道，进行不同的限速，有着非常实际而有效　的现实意义。　参考文献　【１］Ａ　ｎｅｗ　ａｐｐｒｏａｃｈ　ｔｏ　ａｖｏｉｄ　ｗａｌｋ　ｅｒｒｏｒ　ｉｎ　ｐｕｌｓｅｄ　ｌａｓｅｒ　ｒａｎｇｅｆｉｎｄｉｎｇ　Ｐ　Ｐａｌｏｊａｒｖｉ，Ｔ　Ｒｕｏｔｓａｌａｉｎｅｎ，Ｊ　Ｋｏｓｔａｍｏｖａａｒａ—ＩＥＥＥ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｓｙｍｐｏ—　ｓｉｕｍ　ｏｎ　Ｃｉｒｃｕｉｔｓ＆Ｓｙｓｔｅｍｓ．１９９９．　【２］Ａ　ｎｅｗ　ａｐｐｒｏａｃｈ　ｔｏ　ａｖｏｉｄ　ｗａｌｋ　ｅｒｒｏｒ　ｉｎ　ｐｕｌｓｅｄ　ｌａｓｅｒ　ｒａｎｇｅｆｉｎｄｉｎｇ　Ｐ　Ｐａｌｏｊａｒｖｉ．１９９９．　ｆ３］Ｄｉｓｃｒｉｍｉｎａｔｏｒ　ｄｅｓｉｇｎ　ｃｏｎｓｉｄｅｒａｔｉｏｎｓ　ｆｏｒ　ｔｉｍｅ—ｉｎｔｅｒｖａｌ　ｍｅａｓｕｒｅｍｅｎｔ　ｃｉｒ—　ｅｕｉｔｓ　ｉｎ　ｃｏｌｌｉｄｅｒ　ｄｅｔｅｃｔｏｒ　ｓｙｓｔｅｍｓ　ＭＬ　Ｓｉｍｐｓｏｎ．ＭＪ　Ｐａｕｌｕｓ一（（ＩＥＥＥ　Ｔｒａｎｓ　ａｃｔｉｏｎｓ　ｏｎ　Ｎｕｃｌｅａｒ　Ｓｃｉｅｎｃｅ｝｝．１９９８．　ｆ４］钱云襄，刘渝．调频连续波雷达信号调制方式识别算法研究．数据采　集与处理．２０ｏ５．　ｆ５］尹圣宝．激光雷达测距新方法研究．浙江大学，２００６．　［６】杨苏辉，吴克瑛，赵长明．连续波线性调频激光雷达系统中声光调制　器的设计．中国博士后学术会议．２０００．　收稿日期：２０１６—１２—９　

蹲　２０１７年１月上　改进遗传算法在智能化组卷系统中的应用探讨　

徐向艺（平顶山学院计算机学院，河南平顶山４６７０００）　【摘　要】近年来，随着社会经济的发展，科学技术取得了明显的进步，无纸化网络在线考试逐渐取代了传统模式下的笔试考试，成为主要的流　行趋势，并且从目前情况来看，已经普遍被社会各行各业接受和认可。同时，组卷作为网络考试系统的核心技术，组卷的问题、策略以及智能化　等对其应用效果的取得起着至关重要的作用。因此，通过对遗传算法进行积极的改进，并将其应用到智能化组卷系统中，有助于组卷智能化的　实现以及组卷问题的自动解决，将系统本身的实用性以及各方面的性能充分展示出来。　【关键词】遗传算法；智能化组卷系统；应用探讨　【中图分类号】ＴＰ３１１．５　【文献标识码】Ａ　【文章编号】１００６—４２２２（２０１７）０１—０２６８—０２　随着科学技术的发展与进步。网络在线考试逐渐在社会　多个领域内渗透，在一定程度上使得常规考试更加的便利。组　卷作为网络在线考试技术的关键技术，组卷方式的选择与随　机抽调的试卷质量密不可分，并且直接体现着网络考试的智　能化水平的高低ｌ１ｌ　在进行组卷问题的具体操作过程中．首先　要将可以被查验的必要参数拟定好，然后在此基础上对所需　的变换算法进行恰当的选择。同时，合理的组卷算法能够将试　卷多样化的内外要素科学的整合在一起．如：相关题型的妥善　设定、从多个角度和层次对试卷的具体分值进行科学的划分　以及最佳考试时段的有效设定等。另外，组卷常用的算法主要　有两种。即随机抽调法与回溯试探法，这两种方法的运用与组　卷真实的能力水平和层次十分贴近　与此同时，对遗传算法进　行积极的改进，能够有效的破解组卷过程中的智能化难题，使　组卷的应用实效最大限度的凸显出来。　１遗传算法的内涵与改进　１．１遗传算法的具体内涵　所谓的遗传算法．其根本原理主要是：如果群体不能获得　最佳解或者最接近的解，则后面的个体也不能继续进行化解，　其个体本身表现出来的特性在原则上是不能超越前一代的，　但是个体之间彼此又十分的贴近．因此在这样的一种状态下．　算法很难进行维系只能快速的终止目。同时，通过对设定好的　算法流程的运用，就局部而言是可以获得最佳的解答结果，但　是纵观全局这种方法并不适用。因此，对于智能化组卷而言，　选择合适的遗传算法才是其最好的解决方案。一般在常规状　态下可以将算法分为遗传编码和适应度数的拟定和选择性算　法的操作。　１．２遗传算法的改进　传统遗传算法中的编码主要是靠二进制完成的，但是在　卖现过程中不可避免的会遇到一些占用搜索空间较大的编码　以及编码时间过长等问题。因此，需要对遗传算法进行适当的　改进使其能够很好的解决的这一系列的问题。由于在初始群　的设定过程中，遗传算法的有效性会受到种群数目的影响，并　

现在在遗传算法中最广泛使用的方法便是蒙特卡罗选择　法。在这种方式中，个体被选择的概率值与它的适应度函数值　是成比例的。我们的想法是，通过增大环境的竞争压力，加快　淘汰竞争力不强的个体．加快适者生存的步伐，具体通过下面　操作：先运用蒙特卡罗算法，选择出初代，经过配对交叉产生　下一代．通过环境作用保存最优秀的下一代个体．再通过遗传　的方法将优秀的基因保存下来。这样一代代不断复制，能够避　免更适应环境的个体和基因被自然选择所淘汰。　（４）对交叉操作问题的探索。一般来说，现在遗传算法中　通用的交叉方法为单点交叉和多点交叉。但是，如果在具体遗　传算法中只用到其中一种交叉方式，会大大减小搜寻解的空　间，这样会使我们所做的优化遗传算法的指标下降。因此，我　们想到一种能结合这两种交叉方法优势的算法——自适应算　法。这种算法的思想是，在前期使用多点交叉，这样利于优秀基　因的扩散，通过不断的选择后，随着迭代次数的增多，优秀基因　已经基本稳定．这时用单点交叉不会破坏优秀基因的完整。　（５）对变异方法的改进。为了防止近亲不断的繁殖导致最　终的结果不收敛于最优解，我们提出了另外一种自适应方法，　即变异率随着与父代的距离增加而减小，并且变异率随迭代　次数的增加，迭代率呈现出指数下降的规　（６）对于冲突检测方法的优化。为了提高遗传算法的效率，　防止产生局部最优解的状况．我们需要检测冲突发生的地点．　将产生冲突的地点找到一个随机的位置进行位置调换．防止产　生死锁的现象。若出现死锁这种状况，只能够从新更换染色。　（７）结论实验结果分析，得出通过上述模型进行排课系统　的优化，使得算法的收敛性和全局最优解这两个指标都有了　明显的提升　５结束语　遗传算法作为一种重要的寻求最优解的方法．已经渗入　到科研工作的各个领域。本文通过对遗传算法要素和步骤的　深入分析，同时结合排课系统的实际情况，得出了优化排课系　统的计算方法。经过实验验证上述模型使得算法的收敛性和　全局最优解这两个指标都有了明显的提升，同时节约了存储　空间，提升了运算精度，较好的完成了工作。这说明本文对智　能排课系统的应用具有普适性　基金项目：甘肃省“十三五”教育科学规划课题（ＧＳ［２０１６］ＧＨＢ　０ｌ１８）。　参考文献　［１］陈强．通用高校排课算法研　ＪＪ．科技广场，２０１１，７：５２－５５．　［２］韩万林．遗传算法的改进［Ｊ］＿中国矿业大学学报，２０１４，２９（１）：５５￣５７．　［３］杨启文．遗传算法的优化速度改进［Ｊ］．软件学报，２０１５，１２（２）：２７０－　２７５．　［４］曹祝君．一种改进的遗传算法［Ｊｌ＿合肥工业大学学报，２００４，２７（１０）：　３４～３６．　［５］韩万林．遗传算法的改进［Ｊ］．中国矿业大学学报，２０１２，２９（１）：２１￣２３．　［６］杨启文．遗传算法优化速度的改进【ＪＪ＿软件学报，２０１４，１２（２）：２７０～　２７５．　【７］闫保权．改进的遗传算法在排课系统中的应ｒｆｌ研究『Ｊ］．陕西延安职　业技术学院，２０１３，２２（１２）：７９～８２．　收稿日期：２０１６—１１－２８　作者简介：石明奎（１９８５一），男，甘肃定西通渭人，中学一级教　师，硕士研究生，研究方向为算法分析与软件设计。　ｊ裁

瓣