基于遗传算法的时间表问题研究

时间表问题是一类特殊的调度问题,排课问题是它的一个实例。排课问题是一个多因素的优化决策问题,遗传算法被广泛应用于解决多目标优化问题。本文根据排课问题的特点,给出了排课问题的数学模型,提出了一种基于遗传算法的解决方法。     

基于遗传算法的高校排课问题的探究

随着高校招生人数的不断扩大,专业和课程的设置不断增多,教师和教室的短缺,使排课工作也越来越复杂。排课具有影响因素多、约束条件复杂以及存在不可预料的情况发生等特点,传统的手动排课既花费了大量的时间和精力,而且又容易出错。因此,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,可以更少地依赖于实际问题的情况,实现课表的优化,具有一定的实用价值。     

改进遗传算法求解新高考背景下的排课问题

我国提出新高考改革政策后,越来越多地区和高中开始采用走班制教学模式.相对于传统的行政班教学模式,走班制教学模式使排课问题的约束条件进一步增多,学校教育资源匮乏的现象进一步凸显.传统的排课算法不适于求解走班制教学模式下的排课问题,而纯粹的手动编排课表不仅费时费力,排出的课表还可能存在大量冲突,难以保证课表的可行性和合理性.根据走班制教学模式的特点,设计了一种获取优质可行解的方法:首先针对走班课程提出了一种自动生成教学班组合的方法;然后运用改进的遗传算法高效合理地求解排课问题.实验结果表明,该算法可获得优质的课表安排,并且已经加入到实际应用中.     

一种求解TTP问题的SAGA算法

分析了高校课程表编排中涉及的各种约束条件和特殊要求,给出了一种求解TTP问题的模拟退火遗传算法(SAGA),并且对遗传算法中的交叉、变异操作采用自适应方式进行了改进,提高了算法在解空间中的探索能力和效率.数值实验证明了该方法的有效性和可行性.     

排课算法问题求解探讨

排课问题是一个在组合基础上有限制且多目标的优化问题,并已被证明为一个和网络处理器有关的NP难问题。遗传算法是一种在生物界自然选择和进化机制基础之上发展而来的高度并行、self-adaptive的随机搜索算法,是近似求解网络处理器的难问题的一种有效方法。研究将遗传算法应用于解决排课问题。     

使用模拟退火算法解课表问题

给出一种使用模拟退火算法（ＳＳＡ）来解课表问题的方案，详细地讨论了方案涉及的各种问题，包括目标函数和初解的确定，邻域和新解的产生方法，初始“温度”的确定和“温度”更新的方式，内循环次数及算法终止条件的确定等，章的最后给出了该方案的一个实例和若干性质分析。     

蚁群算法求解独立学院自动排课问题研究

描述设计独立学院自动排课系统时应该考虑的各种约束条件，结合独立学院的实际情况，设计出基于蚁群算法的排课算法。该算法编码简单，易于实现，能够满足排课的各种约束，具有一定的实用性。     

禁忌搜索与遗传算法在求解时间表问题中的对比研究

时间表问题属于NP完全问题，一般来说，只能找出用于实际工作的“亚优解”(sub-optimal solution)，对遗传算法和禁忌搜索算法用于求解时间表问题进行了对比研究，结果表明，禁忌搜索算法能找出比遗传算法更好的时间表，而且禁忌搜索算法所花费的搜索时间也比遗传算法少。但是，遗传算法能同时产生几个不同的逼近最优解的解。     

一种求解复杂优化问题的快速遗传算法算子

针对利用遗传算法解决参数维度高、计算复杂,且适应度依赖于其他工具的问题,提出一种加快遗传算法收敛速度的聚集算子.该算子首先利用AP(affinity propagation)聚类对种群进行划分,然后通过主成分分析(PCA)对每个聚簇降维,再利用加权最小二乘法在低维空间下将种群分布拟合成二次曲面,并将计算极值点作为优势个...     

求解装箱问题的一种变长度染色体遗传算法

针对装箱问题提出了一种变长度染色体的改进遗传算法,并分析了其实现的具体方法和实现步骤.     

排课的遗传算法

把遗传算法应用在排课问题中。主要适用于具有均匀排课要求的排课问题，得到排课最优解。随机产生的可行解自然具有均匀性，而适当选取遗传算法的迭代参数，能加快获得最优解或近似最优解的收敛速度。     

一种基于遗传算法的模糊C均值算法

模糊C-均值聚类(FCM)对初始值很敏感,易于陷入局部极小点而不能搜索到全局的聚类中心,遗传算法是一种通过模拟自然进化过程的搜索最优解的方法.因此,将FCM算法引入遗传算法的进化中,代替原来的交叉操作.实验结果表明,新方法明显优于传统 FCM算法.     

一种基于遗传算法的模糊聚类

对模糊c均值聚类算法（FCM算法）进行了讨论，说明FCM算法一般得不到全局最优分类，因此结合FCM算法提出了用遗传算法进行寻优求解，从而将遗传算法用于模糊聚类分析，最后的实例表明，遗传算法在处理多样本、多属性、多类别问题时，是一种有效的方法。     

基于模拟退火遗传算法的板材优化下料

通过对板材优化下料问题的研究,给出了一种较为实用的具体的模拟遗传算法,该算法融合了遗传算法和模拟退火算法的优点,兼有遗传算法中种群个体、交配、基因、遗传、变异等淘汰劣质解的操作,也有模拟退火算法中冷却进度表和接受概率等寻优控制技术,可以更好地实现板材下料问题的快速求解。     

基于遗传算法的Qos的路由算法

目的 为得到求解Qos路由的高效算法。方法利用遗传算法，提出了求解Qos路由的新算法。结果通过三阶段给出了基于遗传算法的Qos的路由算法，分析了该算法的时间复杂度，且通过数值模拟，验证了算法的有效性。结论算法原理简单，鲁棒性强，符合Qos路由的不确定性等特点。     

基于遗传算法的神经网络学习算法研究

为了克服神经网络结构和参数设计的随机性及依赖于人的经验的缺点,提出了一种改进的基于遗传算法的BP神经网络学习算法。该算法结合了神经网络的快速并行性和遗传算法的全局搜索性,首先利用遗传算法对神经网络结构、初始连接权和阈值以及学习率和动量因子进行全面进化设计,在解空间中定位出较好的搜索空间,然后在进化神经网络中用训练样本再次寻优。通过利用该算法对XOR问题求解,证明了该算法的有效性,其收敛速度和精度均优于基本BP算法和附加动量项的BP算法。     

大学考试时间表问题的混合遗传算法求解

考试时间表问题是一类典型的组合优化问题,也是NP难问题。分析了大学考试时间表编排的特点,给出了一种解决考试时间冲突的自动生成考试时间表的可行时段-查找算法。为进一步解决时间间隔问题,将可行时段-查找算法嵌入到遗传算法中形成混合遗传算法。实验结果表明,本文提出的混合遗传算法能快速、有效的解决大学考试时间表问题。     

改进的实码加速遗传算法

对实码加速遗传算法(RAGA)8个步骤的局部参数进行修改,再对最后一次加速收缩后的区间用标准遗传算法(SGA)进行精细搜索。经过实例证明,改进后的算法计算机运行的次数减少,并且精度也得到提高。另外,对加速后的区间产生偏向最优点一侧的概率做了理论上的探讨,提出了把区间端点值重新赋给2个个体参加下一轮搜索。这样处理后避免舍去上次搜索的最优值,在一定程度上避免了某个变量的搜索区间在最优值一侧发生偏移。     

基于基因算法的模糊滤波器的研究

对基因算法的模糊识别进行了研究。对于简单自适应模糊滤波器不能很好地解决由于信息冗长带来的局部最优问题 ,可采用基因算法进行优化。其在不牺牲学习效率的前提下可以获得良好的性能。     

基于实数编码的多种群演化遗传算法

针对标准遗传算法(SGA)在实际应用中存在早熟收敛、精度较差及运算速度慢的缺点,提出了一种基于实数编码的多种群演化遗传算法(RMGA).实验结果表明该算法能够有效的提高全局搜索能力和局部快速搜索能力,对改进SGA的缺点是十分有效的.