高校选修课程模型探析——以“退火算法”模型为例.pdfVIP

教 学改 革 高校选修课程模型探析 高校选修课程模型探析 以“退火算法”模型为例 刘 咪 古 辉 (浙江工业大学 浙江杭州 310032) 【摘 要】 高校的排课处理、选课处理都是典型的NP完全组合优化问题。本文根据选修课程问题的特性，以选课结果的优化处理为 目 标，对模拟退火算法进行改进，利用优化的数据结构和初始解提高运算速度，建立了带性能约束的多 目标优化数学模型，据此实现了处理程 序 ，并证明改进后的算法能显著提高收敛速度 。 【关键词】 选课算法；选课模型；选课结果优化；模拟退火算法 我国各高校上世纪末普遍开始实施学分制，学分制的核心在于选 如果E2E1(表示局部最优)，系统接受变化后的状态，并以此状态为 课制。而选课结果的优劣会直接影响教学结果，也将影响到学生知识 基础执行下一次的变化。否则(全局搜索)，根据概率P=e印[一( 一 结构的形成。因此 ，如何执行选课过程，历来是高校教学管理工作中的 E1)／kr]决定是否接受此新状态。经过充分多次的重复操作后，系统 核心内容。 将逐渐达到一种稳定的状态。 近年来我所供职的高校已全面实施选课制，课程种类与学生数量 2、参数控制 相比普及选课制之前极大增加。每学期选课过程中，需要在短短一两 我们把模拟退火算法处理过程里所有涉及控制过程的重要参数称 周内，完成上万学生对数千门课程的选课处理。工作量和处理难度都 为冷却进度表。该表决定了参数T的初始值及其衰减函数，以及对应 是及其巨大的。虽然学校已经全面实施教学管理信息化，但是选课结 的MARKOV(马可夫)链长度和停止条件。 果处理过程仍很原始，仅根据数据库里记录的先后次序排定所有参与 冷却进度表规定了以下参数： 选课的学生们的请求，选课结果较差，表现为满足了少数学生意愿，却 (1)温度 t的初值 棚； 导致后面多数学生不能选中期待的课程。每次系统处理完毕后，还需 通常tO的值要充分大，即一开始即处于高温状态，此 日寸Metropolis 要耗费较长时间进行人工补选处理，效率很低。此类情况在国内其他 的接受概率近似 1； 高校也非常普遍。这种情况会极大降低选课的效果，无法实现学生选 (2)t的衰减函数； 课的自主性。 衰减函数控制着温度的下降速度。常用的函数为：(n+1)=Kx 要提高选课速度，提升选课结果的合理性，必须对选课处理过程进 ()，式中 是一个非常接近 1的常数 。 行优化改进。在目前一次随机排列基础上 ，增加智能算法的优化处理。 (3)马尔可夫链的长度L。该参数含义是在每个温度下，最多迭代 可以借鉴排课处理的优化过程，对选课处理过程进行优化，并兼顾处理 多少次，才能达到局部收敛状态； 过程的速度 (效率)和结果的合理性。 在T的衰减函数已确定的前提下，L的取值必须能保证，在每个温度 目前国内主流的排课、选课过程使用的智能算法概括起来大致有 下，系统都能达到准平衡。在满足此条件的前提下L取值应尽可能小。 模拟退火算法，遗传算法，神经网络模型，以及基于这 3类优化算法的 (4)结束条件。常用的结束条件分为有2种：一是当前解已经满足 混合型或改进型。本课题选取模拟退火算法进行实现。 设计要求，此时可立即退出整个模拟退火算法；二是上一个最优解与当 一 、 模拟退火算法 前最优解的差小于某个限制，此时可跳出本次的马尔可夫链的循环。 模拟退火算法可有效解决NP完全组合优化问题。1953年 Metrop— 3、模拟 退火算 法的优点 olis提出最初的设计思想，1983年Kirkpatrick成功地将该算