الگوریتم ژنتیک ترکیبی برای جدول زمانی دوره دانشگاه

قیمت: 40,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

الگوریتم ژنتیک ترکیبی برای جدول زمانی دوره دانشگاه

عنوان لاتین

Hybrid Genetic Algorithms for University Course Timetabling

جدول زمانی دوره دانشگاه یکی از مسائل مهم و وقت گیر است که هر دانشگاه با آن را در ابتدا درگیر است. این مسئله در کلاس مسئله NP-سخت و بسیار دشوار برای حل با الگوریتم های کلاسیک است. بنابراین تکنیک های بهینه سازی برای حل آنها و تولید راه حل های بهینه یا نزدیک بهینه امکان پذیر به جای راه حل های دقیق استفاده می شود. الگوریتم های ژنتیکی، به دلیل ويژگی جستجو و چند تايی آنها، به عنوان رویکرد کارآمد برای حل این نوع از مسائل در نظر گرفته می شود. در این مقاله سه الگوریتم ژنتیک ترکیبی جدید برای حل مسئله جدول زمانی دانشگاه (UCTP) ارائه شده است: FGARI، FGASA و FGATS. در الگوریتم پیشنهادی، منطق فازی برای اندازه گیری نقض محدودیت نرم در تابع تناسب برای مقابله با عدم اطمینان ذاتی و ابهام در دادههای واقعی استفاده شده است. همچنین، جستجوی محلی تکراری تصادفی، آنیلینگ شبیه سازی شده و جستجو تابو ، به ترتیب، به منظور بهبود توانایی جستجو استثمار گر و جلوگیری از الگوریتم ژنتیک در بهینه محلی به دام افتاده استفاده می شوند. نتایج تجربی نشان می دهند که الگوریتم پیشنهادی قادر به تولید نتایج امیدوار کننده برای UCTP هستند.

University course timetabling is one of the important and time consuming issues that each University is involved with it at the beginning of each. This problem is in class of NP-hard problem and is very difficult to solve by classic algorithms. Therefore optimization techniques are used to solve them and produce optimal or near optimal feasible solutions instead of exact solutions. Genetic algorithms, because of multidirectional search property of them, are considered as an efficient approach for solving this type of problems. In this paper three new hybrid genetic algorithms for solving the university course timetabling problem (UCTP) are proposed: FGARI, FGASA and FGATS. In proposed algorithms, fuzzy logic is used to measure violation of soft constraints in fitness function to deal with inherent uncertainly and vagueness involved in real life data. Also, randomized iterative local search, simulated annealing and tabu search are applied, respectively, to improve exploitive search ability and prevent genetic algorithm to be trapped in local optimum. The experimental results indicate that the proposed algorithms are able to produce promising results for the UCTP.