基于人工智能自学习算法的智能排课系统的制作方法

1.本发明涉及计算机技术和教学管理技术领域，一种基于人工智能自学习算法的智能排课系统。


背景技术：

2.对于某个班级的某门课程，指定授课教师，指定教学场地，指定课时量，首先定义为一个“教学任务”。高校一个院系一个学期会有几百条“教学任务”，全校可能会有几千条甚至几万条“教学任务”。排课要求在同一个时间点上(周次+星期+节次)，教师、班级、教室的安排都不能出现冲突现象。这是个六维资源空间。高校往往资源有限，手工排课，一条一条安排“教学任务”，十几条甚至几条教学任务之后，可能会因为资源冲突而排不下去，需要调整“教学任务”次序，再行排课；甚至需要一次次地反复调整其次序，费时费力。
3.随着人工智能的高速发展，人工智能技术已在各行各业日渐普及。本发明基于人工智能机器学习之自学习算法实施，取代人工一次次地反复调整“教学任务”次序，取代一次次在六维资源空间反复手工排课。


技术实现要素：

4.本发明提供了一种基于人工智能自学习算法的智能排课系统，通过本发明实施，解决各种资源冲突、排课难、效率低等问题，实现更为快捷的智能排课，解放劳力。
5.一种基于人工智能自学习算法的智能排课系统，包括：智能排课软件和模板文件，所述智能排课软件包括自学习模型和单轮自动排课软件；所述模板文件包括教学任务模板、额外要求模板、教室课表、教师课表和班级课表模板；
6.所述自学习模型，以自动测算教师、班级、教室的排课难度为基础，核定教学任务的初次排队训练模型；经过自学习排队训练，最终获得合理的排序，并完成排课。
7.智能排课软件允许用户选择或自定“自学习模型”参数，自学习期间有每一次“单轮自动排课”均会更新最终的教室课表、教师课表、班级课表，并输出自学习全程中每一轮“未排课时”和“非期望课时”的图表和数据，提供用户选择0“未排课时”和最少“非期望课时”的轮次，获取最佳课表。其中：
8.所述“未排课时”是在“单轮自动排课”后汇总的未完成的课时合计；
9.所述“非期望课时”是在“单轮自动排课”后汇总的课时中，不符合额外要求中教师、课程、班级所要求的课时合计；
10.所述“单轮自动排课”中，第一轮排课前自动测算教师、班级、教室(或教室类型)的使用率和排课难度,以此为基础，核定全部教学任务的初次排队，获取训练模型初始状态，提供自学习排队训练。其中：
11.所述自动测算使用率超过100％的教师、班级、教室这类不合理现象提出警示，指导用户优化教学任务，可以建议调整至双休日。
12.所述“教学任务模板”中，教学任务允许按照集中周训练任务(或称实训任务、实训
课程、设计课程等)、紧缺资源任务(如机房任务)及其他日常任务三种分类；
13.教学任务中，每一条教学任务必须包含班级名称、课程名称、教师姓名、课时量、教学场地信息；
14.教学任务中，根据人才培养方案，可能要求一门课上完之后再上另一门课程，这种情况下需要有一定的周次设定，尤其牵涉到的是集中训练课程，允许标注周次要求，单个教学任务中周次要求允许不连续多段构成；
15.教学任务中，为了各专兼课教师资源的综合利用，允许标注合班情况、特定时空；
16.教学任务中，允许标注周课时信息；
17.教学任务中，教学场地允许多个场地；
18.所述“额外要求模板”的额外要求中，允许对课程、班级、教师提出特定要求，条款数不限；
19.所述“教室课表模板”中，教室课表要求首行按照教室大类列出全部教室编号，大类次序不限；
20.所述“教师课表模板”中，教师课表要求首行列出全部教师姓名，教师姓名次序不限；
21.所述“班级课表模板”中，班级课表要求首行列出全部班级名称，班级名称次序不限。
22.另外，本发明提供了一种“单轮自动排课”的方法，包括：
23.整个学期中可能穿插的几个集中周训练课程教学任务(或称实训任务、实训课程、设计课程等)的安排；
24.紧缺资源(如机房)课程教学任务的安排；
25.其他日常课程教学任务的安排；
26.所述教学任务，允许有第二教师，允许是“合班”课程，允许不标注第二教师；
27.所述教学任务，允许多个教学场地，允许教学场地是教室大类(如小教室、大教室、机房、体育场地等)，允许教学场地指定具体编号；
28.所述教学任务，允许限定周次，允许限定周次由不连续多段构成，允许不标注周次；
29.所述教学任务，允许指定双休日排课；
30.进一步包括：
31.排课允许少数教师、班级、课程的特殊周次和节次要求，在每一条教学任务的每一节排课过程中，都会考虑排查这些要求，如体育课1-2节不排等。
32.每一条教学任务的排课中都会排查最佳时空资源，获得最满意的排课方案。
33.另外，本发明还提供了一种智能排课系统的算法，包括如下步骤：
34.步骤101教学任务信息采集，根据教学任务自动测算教师、班级、教室(或教室类型)的使用率,以此为基础，测算每一个教学任务的排课难度；对于使用率超过100％的情况，迫使用户优化教学资源分配(可以选择调整时间、老师或教室)；超过95％的情况，也提示用户优化教学资源分配。
35.步骤102选定或自定自学习模型参数，设置最大学习次数。
36.步骤103，依据步骤101结果，获取自学习模型初始状态，首次优化教学任务排队次
序。
37.步骤104，按优化次序进行“单轮自动排课”，对每一条教学任务落实课程安排，同时查验额外要求模板中的条款，更新课表。
38.步骤105，汇总未完成课时和非期望课时，同时核对教室课表模板、教师课表模板、班级课表模板中所有教师、教室、班级使用率和排课数据，验证未完成排课数据。
39.步骤106，判断“未完成课时+非期望课时”是否为0，若为0转入步骤109结束排课，否则转入步骤107继续优化。
40.步骤107，因“未完成课时+非期望课时”不为0，则智能优化教学任务排队次序，期望更优质的排课结果。
41.步骤108，学习次数+1，判断学习次数是否超过最大值，若超过则转入步骤109结束排课，否则转入104再次进行“单轮自动排课”。
42.步骤109，输出自学习图表，结束排课。
43.其中，步骤104单轮自动排课步骤为：
44.步骤1040，教学任务排队取号，并读取对应教学任务各项信息，
45.步骤1041，判断教学任务类型，若教学任务是集中周实训任务，则转入步骤1042进行集中周实训任务安排；若教学任务是紧缺资源任务(如机房任务)，则转入步骤1045进行紧缺资源的任务安排，之后转入步骤1047；若教学任务是其他日常任务，则转入步骤1046进行其他日常的任务安排，之后转入步骤1047。
46.每一条教学任务的排课中都会排查最佳时空资源，获得最满意的排课方案。
47.所述步骤1042的集中周实训任务安排之后，进入步骤1043判断是否还有未排课时，若有未排课时，说明集中周实训任务资源安排不合理，警示用户做出进一步调整，转入步骤1044异常退出；若集中周实训任务安排不存在未排课时，则成功转入步骤1047。
48.所述步骤1047，排查“额外要求”中的每一条要求，把符合要求的资源录入教室课表、教师课表、班级课表。
49.步骤1048，判断本条教学任务是否最后一条教学任务，如果不是最后一条教学任务，则转入步骤1040教学任务排队取号，读取下一条教学任务；如果是最后一条教学任务，则转入步骤1049，正常结束“单轮自动排课”。
50.本发明提供了一种基于人工智能机器学习之自学习算法的智能排课系统和方法。系统自动安排日常课程之外，兼容了一学期中可能穿插的几个集中周训练课程(或称实训课、设计课等)的安排；兼容了少数教师、班级、课程的特殊周次和节次要求；涵盖了合班、双教师、多教室、限周次、紧缺资源状况解决等算法。对于几百条、几千条甚至几万条教学任务，一条一条安排下来，因资源冲突会产生未安排课时和非期望课时，建立训练模型，以“0未安排课时和最小非期望课时”为目标，实施自学习训练。教学任务合理的排队才可能不产生未安排课时及最少的非期望课时。本发明建立自学习模型，以自动测算教师、班级、教室(或教室类型)的排课难度为基础，核定教学任务的初次排队训练模型；经过自学习排队训练，最终获得合理的排序，并完成排课。通过本发明提供的技术方案实现人工智能自学习训练，获取自学习全程中每一轮“未排课时”和“非期望课时”的图表和数据，提供用户选择0“未排课时”和最少“非期望课时”的轮次，获取最佳课表，可更为高效地实现智能排课，解决各种资源冲突问题。
附图说明
51.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
52.图1是本发明人工智能自学习智能排课的原理示意图。
53.图2是本发明单轮自动排课的原理示意图。
具体实施方式
54.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图介绍本发明的具体实施例。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
55.如图1所示，本发明实施例提供了一种基于人工智能机器学习之自学习算法的智能排课系统，包括：
56.提供用户教学任务模板，额外要求模板，教室课表模板、教师课表模板、班级课表模板，其中；
57.所述“教学任务模板”中，教学任务允许按照集中周训练任务(或称实训任务、实训课程、设计课程等)、紧缺资源任务(如机房任务)及其他日常任务三种分类；
58.教学任务中，每一条教学任务必须包含班级名称、课程名称、教师姓名、课时量、教学场地信息；
59.教学任务中，根据人才培养方案，可能要求一门课上完之后再上另一门课程，这种情况下需要有一定的周次设定，尤其牵涉到的是集中训练课程，允许标注周次要求，单个教学任务中周次要求允许不连续多段构成；
60.教学任务中，为了各专兼课教师资源的综合利用，允许标注合班情况、特定时空；
61.教学任务中，允许标注周课时信息；
62.教学任务中，教学场地允许多个场地；
63.所述“额外要求模板”的额外要求中，允许对课程、班级、教师提出特定要求，条款数不限；
64.所述“教室课表模板”中，教室课表要求首行按照教室大类列出全部教室编号，大类次序不限；
65.所述“教师课表模板”中，教师课表要求首行列出全部教师姓名，教师姓名次序不限；
66.所述“班级课表模板”中，班级课表要求首行列出全部班级名称，班级名称次序不限。
67.所述教学任务，允许有第二教师，允许是“合班”课程，允许不标注第二教师；
68.所述教学任务，允许多个教学场地，允许教学场地是教室大类(如小教室、大教室、机房、体育场地等)，允许教学场地指定具体编号；
69.所述教学任务，允许限定周次，允许限定周次由不连续多段构成，允许不标注周次；
70.所述教学任务，允许指定双休日排课；
71.进一步包括：
72.排课允许少数教师、班级、课程的特殊周次和节次要求，在每一条教学任务的每一节排课过程中，都会考虑排查这些要求，如体育课1-2节不排等。
73.在用户按照模板录入教学任务、额外要求、教室空课表、教师空课表、班级空课表后，本发明实施例的智能排课系统使用方法如下：
74.步骤101教学任务信息采集，自动测算教师、班级、教室(或教室类型)的使用率(例如：一学期16周，每周32课时，共512课时可以排课；如果一学期内某机房480课时需要排课，则使用率为480/512),以此为基础，测算每一个教学任务的排课难度；对于使用率超过100％的情况，迫使用户优化教学资源分配；超过95％的情况，也提示用户优化教学资源分配。
75.步骤102选定或自定自学习模型参数，设置最大学习次数。
76.步骤103，依据步骤101结果，获取自学习模型初始状态，首次优化教学任务排队次序。
77.步骤104，按优化次序进行“单轮自动排课”，对每一条教学任务落实课程安排，同时查验额外要求模板中的条款，更新课表。
78.步骤105，汇总未完成课时和非期望课时，同时核算教室课表模板、教师课表模板、班级课表模板中所有教师、教室、班级使用率和排课数据，验证未完成排课数据。
79.步骤106，判断“未完成课时+非期望课时”是否为0，若为0转入步骤109结束排课，否则转入步骤107继续优化。
80.步骤107，因“未完成课时+非期望课时”不为0，则智能优化教学任务排队次序，期望更优质的排课结果。
81.步骤108，学习次数+1，判断学习次数是否超过最大值，若超过则转入步骤109结束排课，否则转入104再次进行“单轮自动排课”。
82.步骤109，输出自学习图表，结束排课。
83.如图2所示，本发明实施例提供了步骤104所述“单轮自动排课”，进一步解析智能排课算法，其中：
84.步骤1040，教学任务排队取号，并读取对应教学任务各项信息，
85.步骤1041，判断教学任务类型，若教学任务是集中周实训任务，则转入步骤1042进行集中周实训任务安排；若教学任务是紧缺资源任务(如机房任务)，则转入步骤1045进行紧缺资源的任务安排，之后转入步骤1047；若教学任务是其他日常任务，则转入步骤1046进行其他日常的任务安排，之后转入步骤1047。
86.每一条教学任务的排课中都会排查最佳时空资源，获得最满意的排课方案。
87.所述步骤1042的集中周实训任务安排之后，进入步骤1043判断是否还有未排课时，若有未排课时，说明集中周实训任务资源安排不合理，警示用户做出进一步调整，转入步骤1044异常退出；若集中周实训任务安排不存在未排课时，则成功转入步骤1047。
88.所述步骤1047，排查“额外要求”中的每一条要求，把符合要求的资源录入教室课
表、教师课表、班级课表。
89.步骤1048，判断本条教学任务是否最后一条教学任务，如果不是最后一条教学任务，则转入步骤1040教学任务排队取号，读取下一条教学任务；如果是最后一条教学任务，则转入步骤1049，正常结束“单轮自动排课”。
90.综上所述，本发明各个实施例至少具有如下有益效果：
91.1、本发明一实施例中，该系统提供了一种基于人工智能自学习算法的智能排课系统和方法，兼容了一学期中可能穿插的几个集中周实训课(或称训练课程、设计课等)的安排，允许周次分段不连续，其余周次供安排日常课程；
92.2、本发明一实施例中，兼容了少数教师、班级、课程的特殊周次和节次要求，柔性解决了学校资源综合利用中可能出现的特别需求；
93.3、本发明一实施例中，进一步综合利用资源，以及应课程特殊要求，涵盖了合班、双教师、多教室、限周次、紧缺资源状况解决等解决方法。
94.4、本发明一实施例中，在教学任务一条一条安排下来，因资源冲突会产生未安排课时和非期望课时的情况下，建立训练模型，以“0未安排课时和最小非期望课时”为目标，实施自学习训练。通过本发明提供的技术方案实现人工智能自学习训练，获取自学习全程中每一轮“未排课时”和“非期望课时”的图表和数据，提供用户选择0“未排课时”和最少“非期望课时”的轮次，获取最佳课表，更为高效地实现智能排课，解决各种资源冲突问题。
95.需要说明的是，在本文中，术语“涵盖”、“兼容”、“允许”、“包括”、“包含”、“或称”、“如机房”、“如
···”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法所固有的要素。在没有更多限制的情况下，由语句“如
···”、“包括一个
···”限定的要素，并不排除在包括所述要素的过程、方法还存在另外的相同因素。
96.最后需要说明的是：以上所述仅为本发明的较佳实施例，仅用于说明本发明的技术方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所做的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

技术特征：
1.一种基于人工智能自学习算法的智能排课系统，其特征在于，包括：智能排课软件和模板文件，所述智能排课软件包括自学习模型和单轮自动排课软件；所述模板文件包括教学任务模板、额外要求模板、教室课表、教师课表和班级课表模板；所述自学习模型，以自动测算教师、班级、教室的排课难度为基础，核定教学任务的初次排队训练模型；经过自学习排队训练，最终获得合理的排序，并完成排课；智能排课系统通过获取自学习全程中每一轮“未排课时”和“非期望课时”的图表和数据，提供用户选择0“未排课时”和最少“非期望课时”的轮次，获取最佳课表；所述“未排课时”是在“单轮自动排课”后汇总的未完成的课时合计；所述“非期望课时”是在“单轮自动排课”后汇总的课时中，不符合额外要求中教师、课程、班级所要求的课时合计。2.根据权利要求1所述的智能排课系统，其特征在于，所述单轮自动排课软件中，第一轮排课前自动测算教师、班级、教室的使用率和排课难度,以此为基础，核定全部教学任务的初次排队，获取训练模型初始状态，提供自学习排队训练。3.根据权利要求3所述的智能排课系统，其特征在于，所述自动测算使用率超过100％的教师、班级、教室这类不合理现象提出警示，优化用户的教学任务，甚至可以建议调整至双休日。4.根据权利要求1所述的智能排课系统，其特征在于，所述教学任务模板分为集中周训练任务、紧缺资源任务及其他日常任务三种分类。5.根据权利要求5所述的智能排课系统，其特征在于，教学任务模板中，每一条教学任务必须包含班级名称、课程名称、教师姓名、课时量、教学场地信息；教学任务中，根据人才培养方案，可能要求一门课上完之后再上另一门课程，这种情况下需要有一定的周次设定，尤其牵涉到的是集中训练课程，允许标注周次要求，单个教学任务中周次要求允许不连续多段构成；教学任务中，为了各专兼课教师资源的综合利用，允许标注合班情况、特定时空；教学任务中，允许标注周课时信息；教学任务中，教学场地允许多个场地。6.根据权利要求1所述的智能排课系统，其特征在于，所述额外要求模板的额外要求中，允许对课程、班级、教师提出特定要求，条款数不限；所述“教室课表模板”中，教室课表要求首行按照教室大类列出全部教室编号，大类次序不限；所述“教师课表模板”中，教师课表要求首行列出全部教师姓名，教师姓名次序不限；所述“班级课表模板”中，班级课表要求首行列出全部班级名称，班级名称次序不限。7.根据权利要求1-6任一所述的智能排课系统，其特征在于，智能排课系统的算法，包括如下步骤：步骤101教学任务信息采集，根据教学任务测算教师、班级、教室的使用率,以此为基础，测算每一个教学任务的排课难度；对于使用率超过100％的情况，迫使用户优化教学资源分配；超过95％的情况，也提示用户优化教学资源分配；步骤102选定或自定自学习模型参数，设置最大学习次数；
步骤103，依据步骤101结果，获取自学习模型初始状态，首次优化教学任务排队次序；步骤104，按优化次序进行“单轮自动排课”，对每一条教学任务落实课程安排，同时查验额外要求模板中的条款，更新课表；步骤105，汇总未完成课时和非期望课时，同时核对教室课表模板、教师课表模板、班级课表模板中所有教师、教室、班级使用率和排课数据，验证未完成排课数据；步骤106，判断“未完成课时+非期望课时”是否为0，若为0转入步骤109结束排课，否则转入步骤107继续优化；步骤107，因“未完成课时+非期望课时”不为0，则智能优化教学任务排队次序，期望更优质的排课结果；步骤108，学习次数+1，判断学习次数是否超过最大值，若超过则转入步骤109结束排课，否则转入104再次进行“单轮自动排课”；步骤109，输出自学习图表，结束排课。8.根据权利要求7所述的智能排课系统，其特征在于，步骤104单轮自动排课步骤为：步骤1040，教学任务排队取号，并读取对应教学任务各项信息，步骤1041，判断教学任务类型，若教学任务是集中周实训任务，则转入步骤1042进行集中周实训任务安排；若教学任务是紧缺资源任务，则转入步骤1045进行紧缺资源的任务安排，之后转入步骤1047；若教学任务是其他日常任务，则转入步骤1046进行其他日常的任务安排，之后转入步骤1047；每一条教学任务的排课中都会排查最佳时空资源，获得最满意的排课方案；所述步骤1042的集中周实训任务安排之后，进入步骤1043判断是否还有未排课时，若有未排课时，说明集中周实训任务资源安排不合理，警示用户做出进一步调整，转入步骤1044异常退出；若集中周实训任务安排不存在未排课时，则成功转入步骤1047；所述步骤1047，排查“额外要求”中的每一条要求，把符合要求的资源录入教室课表、教师课表、班级课表；步骤1048，判断本条教学任务是否最后一条教学任务，如果不是最后一条教学任务，则转入步骤1040教学任务排队取号，读取下一条教学任务；如果是最后一条教学任务，则转入步骤1049，正常结束“单轮自动排课”。9.权利要求1所述的智能排课系统的算法，包括如下步骤：步骤101教学任务信息采集，根据教学任务测算教师、班级、教室的使用率,以此为基础，测算每一个教学任务的排课难度；对于使用率超过100％的情况，迫使用户优化教学资源分配；超过95％的情况，也提示用户优化教学资源分配；步骤102选定或自定自学习模型参数，设置最大学习次数；步骤103，依据步骤101结果，获取自学习模型初始状态，首次优化教学任务排队次序；步骤104，按优化次序进行“单轮自动排课”，对每一条教学任务落实课程安排，同时查验额外要求模板中的条款，更新课表；步骤105，汇总未完成课时和非期望课时，同时核对教室课表模板、教师课表模板、班级课表模板中所有教师、教室、班级使用率和排课数据，验证未完成排课数据；步骤106，判断“未完成课时+非期望课时”是否为0，若为0转入步骤109结束排课，否则转入步骤107继续优化；
步骤107，因“未完成课时+非期望课时”不为0，则智能优化教学任务排队次序，期望更优质的排课结果；步骤108，学习次数+1，判断学习次数是否超过最大值，若超过则转入步骤109结束排课，否则转入104再次进行“单轮自动排课”；步骤109，输出自学习图表，结束排课。10.根据权利要求9所述的智能排课系统的算法，步骤104单轮自动排课步骤为：步骤1040，教学任务排队取号，并读取对应教学任务各项信息，步骤1041，判断教学任务类型，若教学任务是集中周实训任务，则转入步骤1042进行集中周实训任务安排；若教学任务是紧缺资源任务，则转入步骤1045进行紧缺资源的任务安排，之后转入步骤1047；若教学任务是其他日常任务，则转入步骤1046进行其他日常的任务安排，之后转入步骤1047；每一条教学任务的排课中都会排查最佳时空资源，获得最满意的排课方案；所述步骤1042的集中周实训任务安排之后，进入步骤1043判断是否还有未排课时，若有未排课时，说明集中周实训任务资源安排不合理，警示用户做出进一步调整，转入步骤1044异常退出；若集中周实训任务安排不存在未排课时，则成功转入步骤1047；所述步骤1047，排查“额外要求”中的每一条要求，把符合要求的资源录入教室课表、教师课表、班级课表；步骤1048，判断本条教学任务是否最后一条教学任务，如果不是最后一条教学任务，则转入步骤1040教学任务排队取号，读取下一条教学任务；如果是最后一条教学任务，则转入步骤1049，正常结束“单轮自动排课”。

技术总结
本发明涉及计算机技术和教学管理技术领域，一种基于人工智能自学习算法的智能排课系统。本发明建立自学习模型，以自动测算教师、班级、教室(或教室类型)的排课难度为基础，核定教学任务的初次排队训练模型；经过自学习排队训练，最终获得合理的排序，并完成排课。通过本发明提供的技术方案实现人工智能自学习训练，获取自学习全程中每一轮“未排课时”和“非期望课时”的图表和数据，提供用户选择0“未排课时”和最少“非期望课时”的轮次，获取最佳课表，可更为高效地实现智能排课，解决各种资源冲突问题。题。题。


技术研发人员：徐炜迪 蒋水秀
受保护的技术使用者：蒋水秀
技术研发日：2023.05.09
技术公布日：2023/8/9