基于实例分解生成可行大规模课程表的混合元启发式方法
最优化与控制
2023-11-01 v1
摘要
本研究提出一种用于大规模场景下生成可行课程表的混合元启发式方法。我们使用本校实例进行了测试。当前商业软件常难以满足约束，且需数小时才能找到满意解。我们的方法结合了自适应大邻域搜索、引导式局部搜索、变邻域搜索以及一种创新的实例分解技术。来自不同组的约束违反被视作待最小化的目标函数。搜索聚焦于违反最多的时段，若在一定迭代次数后未观察到改进，则最具挑战性的约束组被赋予新权重，以引导搜索走向非支配解，即便违反总数上升。若此方法失败，则采用抖动阶段。分解机制通过迭代地向问题引入课程体系，并在考虑不断扩展的授课集合时寻找新的可行解来工作。每次迭代的分配可在后续迭代中调整。我们的方法在本校真实实例与随机子划分上测试。对于含 400 个课程体系的子划分，分解将求解时间减少达 27%。在含 1,288 个课程体系的真实实例中，减少为 18%。在增量过程中将含更多公共授课与教师的课程体系聚类，相较随机增量改善了 18% 的求解时间。使用我们的方法，真实实例的可行解平均 21 分钟求得，而商业软件需数小时。
引用
@article{arxiv.2310.20334,
title = {A hybrid meta-heuristic for the generation of feasible large-scale course timetables using instance decomposition},
author = {João Almeida and José Rui Figueira and Alexandre P. Francisco and Daniel Santos},
journal= {arXiv preprint arXiv:2310.20334},
year = {2023}
}