我正在研究大学调度问题并为此使用简单的遗传算法。实际上它效果很好，可以在 1 小时内将目标函数值从 0% 优化到 90%（大约）。但随后这个过程会急剧减慢，需要几天时间才能得到最佳解决方案。我看到很多论文认为将其他算法与遗传算法混合是合理的。请您给我一些建议，告诉我什么算法可以与遗传算法混合，以及如何应用该算法来加速求解过程。主要问题是如何将任何启发式应用于这种复杂结构的问题？我不知道如何在那里应用，例如贪婪启发式。
提前感谢大家！非常感谢您的帮助！
问题描述：
-
I have:
- 由 ScheduleSlot 对象填充的数组
- 由课程对象填充的数组
-
I do:
- 标准两点交叉
- 突变（将随机课程移动到随机位置）
- 粗选（只选择n个最好的个体进入下一个种群）
附加信息@Dougal and @izomorphius:
我正在尝试制定一个大学时间表，该时间表在课程之间没有休息，课程重叠，并且为小组和教授提供地理分布的课程。
适应度函数非常简单：适应度 = -1000*numberOfOverlaps - 1000*numberOfDistrebutedLessons - 20*numberOfBreaks。 （或者类似的东西，我们可以简单地改变变量的系数）
一开始，我只是在随机的房间、时间和日期中安排课程来创建我的个人。
变异和交叉，如上所述，其实是微不足道的：
- 交叉 - 取父计划，随机选择交叉点和范围，交换父计划的部分内容，生成两个子计划。
- 突变 - 制定一个儿童时间表并将 n 个随机课程移动到随机位置。
我的初步观察：您选择了前面的系数numberOfOverlaps, numberOfDistrebutedLessons and numberOfBreaks有点随机。我的经验表明，通常这些选择都不是最好的，你最好让计算机选择它们。我建议编写第二种算法来选择它们 - 可以是神经网络、第二种遗传算法或爬山算法。这个想法是 - 计算在一定时间后获得的结果有多好，并尝试优化这 3 个值的选择。
另一个想法：得到结果后，你可以尝试暴力优化它。我的意思是 - 如果您遇到最初的问题，“愚蠢”的解决方案将回溯检查所有可能性，这通常是使用dfs http://en.wikipedia.org/wiki/Depth-first_search。现在这会很慢，但你可以尝试使用迭代加深的深度优先搜索 http://en.wikipedia.org/wiki/Iterative_deepening_depth-first_search或者只是深度受限的 DFS。
本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)
