基于遗传算法与贪婪算法的改进潜在时间表.docVIP

基于遗传与贪婪算法的进化的潜在时间表 摘要： 一个高度约束的组合问题，如时间表，可以用进化方法来解决。在本文中，我们描述了一个基于一个有效解决方案的交替过程，该方案涉及使用适当的遗传算法（GA）和启发式的具体的：贪婪算法。这两种算法被设想为响应约束和时间表问题利用的目标。这项提出的技术保证永远在合理的时间内，通过不能被破解的强密码约束产生一个可行的时间计算。目前的工作是为了证明交替遗传算法的具体勘探技术，是一种利用可行解的全局搜索，和局部最优解的具体技术效率的优势的过程。在应用于NP-Hard类时间表问题时，经典遗传算法并不高效。遗传算法、贪婪算法的交替使用，以优化资源分配，从而，以提高适度价值和时间处理方面的表现。 导论 在一般的调度问题中，事件必须被安排在同一组时间槽中，以满足一些约束和优化一组目标。调度问题的类型随不同类型的约束和目标而变化。在或严或松的约束条件下的调度是个复杂的任务，有一个NP-完全的复杂度，一般都与依赖属性域相关，并有必要特定的优化算法。这意味着，在有限时间内的可能性空间中，确定的和详尽的搜索技术可能会失败，而受启发式技术限制的搜索空间，不能总是保证得到最优解。一般地，我们区分出三种主要类型的搜索方法： 枚举法：在一个有限的搜索空间，或一个离散的无限的搜索空间，搜索算法开始看着在空间各点的目标函数值，一次一个。动态规划是枚举方案的一个实例。 随机技术：基于进化的过程，目前流行的搜索技术是，模拟退火算法，利用随机过程来帮助引导其搜索最小能量状态的形式。遗传算法是一个搜索程序，采用随机选择作为一种工具来引导一个通过参数空间编码的高度开发的搜索的例子。 在过去的几十年中，在解决问题的系统的进化和传承的原则方面，人们有越来越大的兴趣：这样的系统维持了一个人口的潜在解决方案，其中有一些基于个人的健康的选择过程，和一些遗传算子。如： Koza遗传编程：提供了一种面向所需程序的方法，使自身在进化过程中也进化。 Fogel进化规划：是一种通过一个小的有限状态机的空间来搜索的技术。 进化策略：为参数优化问题而模拟自然进化的主角的算法。 荷兰遗传算法： 基于计算的方法：细分为两大类：间接和直接。间接的方法寻找局部极值求解从,设置目标函数的梯度等于零,的方程通常是非线性的设置。迭代的贪婪算法也是一类间接方法。直接的方法是，对通过对方程的期望，和在与局部梯度相关的方向上移动，来寻找局部最优解如：爬山算法。 最近的研究表明，进化算法是一种解决调度问题的可行的、有效的方法。遗传算法（GA）提供了一种解决搜索和优化问题的方法。GA特别擅长在丘陵空间寻找全局最优解；由于这些原因，我们研究了遗传算法的应用。 遗传算法解决np_问题的表现证明了它的效率。一些方法应用于遗传算法的杂交技术和一个给定的问题的启发式特性。在本文中，我们提出了一种遗传算法与贪婪算法合并的交替方法，目的在于提高适度价值和时间处理方面的解决方案的搜索系统的表现。该技术是基于一系列的遗传算法和贪婪算法之间的结合，其中遗传引擎搜索负责全局意识和评估最优解的遗传，贪婪算法负责提出的解决方案的局部改良。 我们对学习时间表调度的优化充满兴趣，对找到援助过程有用的方法多次尝试。然而，从解决这个问题的不同方法出发，从更经典的运筹学和图论到进化的算法，许多优化算法已经得到了发展，诸如模拟退火算法，禁忌搜索算法，遗传算法……这是一个一系列事件的调度问题，必须安排一个人（教授、班级）或资源（教室、实验室）在同一时间占据一个站点。这些硬约束和其他软约束，使一般的时间表问题难以解决。排课问题已被证明是np_hard问题，且充满局部极小值，这使得它特别难以用启发式搜索解决。通常的解决方式是，绘制时间表的初稿，再根据不同的条件改写出最新的拟稿。 在本文中，我们描述了如何在一个机制中解决这些问题，通过一种进化算法：遗传算法和启发式的特性：贪心算法两者交替。首先，我们介绍了该问题，再提出遗传和贪婪算法。之后，我们对所给的进程进行细节分析，提出了改进的时间表。最后，我们提出了解释性结果，该结果与所采用的方法在真正的学校课表上的收敛性相关。对经典的遗传算法和交替的遗传算法在时间表问题这个特定实例下进行了比较和评估，我们清楚地说明，这种方法可以在时间处理和适应度价值方面产生非常有益的改进。 基础的时间表问题 在过去的几年中，多种排课问题已有相关文献，但大部分都是非常特例的，没有考虑到很多因素。 排课问题在这方面是特别的，它通常是基于一个非常大的数据量和不同类型的约束。 定义以下问题数据的符号： 教授的集合：，每个教授有以下的参数： 自由安排的集合， 教学安排的集合， 固定安排的集合， 班级的集合：，一个班