技术标签: 算法 java 模拟退火算法 贪心算法 课程设计
业务上需要做一个排课系统,先调研了业内友商的排课系统,同时做了算法的对比和可行性分析。
排课任务:设置任务名称、学期、排课年级集合;
节次设置:设置每周上课天数,以及每天上课节次数(上午节次数、下午节次数、晚上节次数);
课程设置:设置排课科目集合,以及各个科目的总课时、连堂课时;
教师设置:设置排课老师集合,以及各个老师所带科目、所带班级;
排课规则设置:
排课算法选择:
贪心算法是一种简单而直观的算法,但它也有一些明显的局限性:
总体而言,贪心算法是一种简单而快速的近似算法,但在解决一些复杂问题时可能表现不佳。在设计算法时,需要仔细考虑问题的特性,选择合适的算法以获得更好的解决方案。
模拟退火算法(Simulated Annealing)是一种基于统计力学中的退火过程的全局优化算法。它被广泛应用于解决组合优化问题,包括排课、旅行商问题等。
基本思想:
主要步骤:
重复迭代: 重复“降温-等温”操作; 温度越高,接受非最优解的概率越大;
关键参数:
优点:
缺点:
遗传算法(Genetic Algorithm)是一种模拟自然进化过程的优化算法,用于解决搜索和优化问题。它受到了达尔文的进化理论的启发,通过模拟基因的遗传、交叉和变异等操作,逐步演化出更好的解。
基本思想:
主要步骤:
关键概念:
优点:
缺点:
采用遗传算法。
总体而言,选择使用遗传算法还是模拟退火算法取决于具体问题的特性和需求。在排课问题中,如果问题具有较多的约束条件、复杂的优化目标、大规模的搜索空间等特点,遗传算法可能更具优势。
优化目标涉及多个约束条件:遗传算法适用于涉及多个约束条件的问题,而排课通常需要考虑教室容量、教师时间表、学生选课等多个约束条件。遗传算法的灵活性可以更好地处理这些复杂的约束。
搜索空间巨大:排课问题的搜索空间可能非常庞大,尤其是在大型学校或机构中。遗传算法能够更有效地搜索大规模的解空间,有助于找到更优的排课方案。
并行处理:遗传算法天生适合并行处理,可以同时处理多个个体,加速搜索过程。这在大规模排课问题中,特别是在考虑多个学院或校区时,可能会提高算法的效率。
组合优化问题:排课通常可以看作是一个组合优化问题,其中需要找到一组教室、时间和教师的组合,以最大程度满足多个约束条件。遗传算法在处理组合优化问题时表现较好。
不确定性和动态性: 排课问题可能面临一些不确定性和动态性,例如学生选课变化、临时调课等。遗传算法具有一定的鲁棒性,能够应对一些变化。
自然选择和适应度评估: 遗传算法的自然选择机制和适应度评估可以更好地模拟进化的过程,有助于找到更合适的排课方案。
交叉和变异操作的灵活性:遗传算法提供了交叉和变异操作,这些操作能够在基因组中引入新的组合,有助于探索更多的解空间。在排课问题中,这种灵活性可能更有利于生成更合理的排课方案。
基因-节次槽
染色体-课表
算法
课程
规则校验
适应度(适应度函数:影响搜索方向)
遗传算法部分代码实现,实现细节因为某些原因未放出;
算法其实不复杂,复杂的是业务部分:构建课表,建立符合业务的适应度函数,各种规则的应用,以及种群演变过程中生产有效个体的逻辑;
@Slf4j
@Data
public abstract class GeneticAlgorithm<T extends Chromosome, C extends AlgorithmContext> {
/**
* 交叉概率
*/
protected float crossoverProbability = 0.8f;
/**
* 变异概率
*/
protected float mutationProbability = 0.05f;
/**
* 变异基因占比
*/
protected float mutationRatio = 0.05f;
/**
* 种群大小
*/
protected int populationSize = 50;
/**
* 迭代次数
*/
protected int iterations = 1000;
/**
* 迭代计数
*/
protected int iterationCount = 0;
/**
* 预期适应度
*/
protected double expectedFitness = 10000d;
/**
* 种群
*/
protected List<T> populations;
/**
* 上下文
*/
protected C context;
/**
* 最佳染色体
*/
protected T bestChromosome;
protected SecureRandom random = new SecureRandom();
public GeneticAlgorithm(C context) {
this.context = context;
}
/**
* 执行算法
*/
public void run() {
// 初始化种群
this.initPopulation();
while (iterationCount < iterations) {
Optional<T> bestChromosomeOptional = this.getBestChromosomeFromPopulation();
if (!bestChromosomeOptional.isPresent()) {
log.info("can't get best chromosome!");
return;
}
bestChromosome = bestChromosomeOptional.get();
log.info("iteration: {}, best fitness: {}", iterationCount, bestChromosome.getFitnessValue());
this.beforeEvolve();
if (isSatisfied()) {
return;
}
// 种群演变
this.evolvePopulation();
iterationCount++;
}
}
/**
* 是否满足
*
* @return
*/
protected boolean isSatisfied() {
if (Objects.nonNull(bestChromosome)
&& bestChromosome.getFitnessValue() >= expectedFitness) {
return true;
}
return false;
}
/**
* 种群演变前操作
* 预留,子类覆盖
*/
protected void beforeEvolve() {
}
/**
* 处理初始化失败
*
* @param invalidChromosome
*/
protected void handleInitFailure(T invalidChromosome) {
// 由具体业务实现
}
/**
* 初始化种群
*/
public void initPopulation() {
populations = new ArrayList<>(populationSize);
for (int i = 0; i < Integer.MAX_VALUE; i++) {
log.info("init population {}", i);
T chromosome = newChromosome();
// 如果达到临界值,还没初始化成功
if (i > populationSize * 5
&& populations.size() == 0) {
handleInitFailure(chromosome);
return;
}
if (!chromosome.isValid()) {
log.info("init population {}, invalid!", i);
continue;
}
populations.add(chromosome);
if (populations.size() == populationSize) {
return;
}
}
}
/**
* 获取种群中适应度最高的染色体
*
* @return
*/
public Optional<T> getBestChromosomeFromPopulation() {
if (CollectionUtils.isEmpty(populations)) {
return Optional.empty();
}
return populations.stream()
.filter(Objects::nonNull)
.reduce((c, c2) -> {
return c.getFitness().compareTo(c2.getFitness()) < 0 ? c2 : c;
});
}
/**
* 种群演变
*/
public void evolvePopulation() {
// 选择种群
// 生成子代
// 产生新种群,并替换
...
}
/**
* 种群选择
* 使用算法:轮盘赌选择
* 适应度较高的个体大概率保留,适应度较低的个体可能淘汰
*
* @return
*/
public List<T> selectPopulation() {
...
}
/**
* 选择交叉的父亲
*
* @return 返回两个染色体
*/
public ChromosomePair<T> selectCrossoverParent() {
...
}
/**
* 是否交叉
*
* @return
*/
public boolean isCrossover() {
float probability = random.nextFloat();
return probability < crossoverProbability;
}
/**
* 是否变异
*
* @return
*/
public boolean isMutation() {
float probability = random.nextFloat();
return probability < mutationProbability;
}
/**
* 创建新的染色体
*
* @return
*/
abstract T newChromosome();
/**
* 交叉
*
* @param t1
* @param t2
* @return
*/
abstract ChromosomePair<T> crossover(T t1, T t2);
/**
* 突变
*
* @param t
* @return
*/
abstract T mutation(T t);
}
文章浏览阅读1.3w次。转载自 http://www.miui.com/thread-2003672-1-1.html 当手机在刷错包或者误修改删除系统文件后会出现无法开机或者是移动定制(联通合约机)版想刷标准版,这时就会用到线刷,首先就是安装线刷驱动。 在XP和win7上线刷是比较方便的,用那个驱动自动安装版,直接就可以安装好,完成线刷。不过现在也有好多机友换成了win8/8.1系统,再使用这个_mt65驱动
文章浏览阅读1k次。SonarQube是一个代码质量管理平台,可以扫描监测代码并给出质量评价及修改建议,通过插件机制支持25+中开发语言,可以很容易与gradle\maven\jenkins等工具进行集成,是非常流行的代码质量管控平台。通CheckStyle、findbugs等工具定位不同,SonarQube定位于平台,有完善的管理机制及强大的管理页面,并通过插件支持checkstyle及findbugs等既有的流..._sonar的客户端区别
文章浏览阅读3.4k次,点赞2次,收藏27次。神经图灵机是LSTM、GRU的改进版本,本质上依然包含一个外部记忆结构、可对记忆进行读写操作,主要针对读写操作进行了改进,或者说提出了一种新的读写操作思路。神经图灵机之所以叫这个名字是因为它通过深度学习模型模拟了图灵机,但是我觉得如果先去介绍图灵机的概念,就会搞得很混乱,所以这里主要从神经图灵机改进了LSTM的哪些方面入手进行讲解,同时,由于模型的结构比较复杂,为了让思路更清晰,这次也会分开几..._神经图灵机方法改进
文章浏览阅读2.8k次。一、模型迭代方法机器学习模型在实际应用的场景,通常要根据新增的数据下进行模型的迭代,常见的模型迭代方法有以下几种:1、全量数据重新训练一个模型,直接合并历史训练数据与新增的数据,模型直接离线学习全量数据,学习得到一个全新的模型。优缺点:这也是实际最为常见的模型迭代方式,通常模型效果也是最好的,但这样模型迭代比较耗时,资源耗费比较多,实时性较差,特别是在大数据场景更为困难;2、模型融合的方法,将旧模..._模型迭代
文章浏览阅读2.3k次。1、前言上传图片一般采用异步上传的方式,但是异步上传带来不好的地方,就如果图片有改变或者删除,图片服务器端就会造成浪费。所以有时候就会和参数同步提交。笔者喜欢base64图片一起上传,但是图片过多时就会出现数据丢失等异常。因为tomcat的post请求默认是2M的长度限制。2、解决办法有两种:① 修改tomcat的servel.xml的配置文件,设置 maxPostSize=..._base64可以装换zip吗
文章浏览阅读1k次,点赞17次,收藏22次。Opencv自然场景文本识别系统(源码&教程)_opencv自然场景实时识别文字
文章浏览阅读1.3k次。拷贝虚拟机文件时间比较长,因为虚拟机 flat 文件很大,所以要等。脚本完成后,以复制虚拟机文件夹。将以下脚本内容写入文件。_exsi6.7快速克隆centos
文章浏览阅读2k次。本文主要实现基于二度好友的推荐。数学公式参考于:http://blog.csdn.net/qq_14950717/article/details/52197565测试数据为自己随手画的关系图把图片整理成文本信息如下:a b c d e f yb c a f gc a b dd c a e h q re f h d af e a b gg h f bh e g i di j m n ..._本关任务:使用 spark core 知识完成 " 好友推荐 " 的程序。
文章浏览阅读367次。南京大学高级程序设计期末复习总结,c++面向对象编程_南京大学高级程序设计
文章浏览阅读3.1k次,点赞2次,收藏12次。实现朴素贝叶斯分类器,并且根据李航《统计机器学习》第四章提供的数据训练与测试,结果与书中一致分别实现了朴素贝叶斯以及带有laplace平滑的朴素贝叶斯%书中例题实现朴素贝叶斯%特征1的取值集合A1=[1;2;3];%特征2的取值集合A2=[4;5;6];%S M LAValues={A1;A2};%Y的取值集合YValue=[-1;1];%数据集和T=[ 1,4,-1;..._朴素贝叶斯 matlab训练和测试输出
文章浏览阅读1.6k次。Markdown 文本换行_markdowntext 换行
文章浏览阅读6.7w次,点赞2次,收藏37次。win10 2016长期服务版激活错误解决方法:打开“注册表编辑器”;(Windows + R然后输入Regedit)修改SkipRearm的值为1:(在HKEY_LOCAL_MACHINE–》SOFTWARE–》Microsoft–》Windows NT–》CurrentVersion–》SoftwareProtectionPlatform里面,将SkipRearm的值修改为1)重..._错误: 0xc0000022 在运行 microsoft windows 非核心版本的计算机上,运行“slui.ex