[论文解读] Greedy Ants Colony Optimization Strategy for Solving the Curriculum Based University Course Timetabling Problem

Patrick Kenekayoro, Godswill Zipamone|arXiv (Cornell University)|Feb 16, 2016

Scheduling and Timetabling Solutions被引用 4

一句话总结

本文提出一种贪心蚁群优化（GACO）策略，利用 ITC 2007 数据集求解基于课程的大学课程调度问题。该方法将贪心选择与蚁群优化相结合，生成可行且近似最优的课表，优于部分现有元启发式算法，但尚未达到最佳公开结果。

ABSTRACT

Timetabling is a problem faced in all higher education institutions. The International Timetabling Competition (ITC) has published a dataset that can be used to test the quality of methods used to solve this problem. A number of meta-heuristic approaches have obtained good results when tested on the ITC dataset, however few have used the ant colony optimization technique, particularly on the ITC 2007 curriculum based university course timetabling problem. This study describes an ant system that solves the curriculum based university course timetabling problem and the quality of the algorithm is tested on the ITC 2007 dataset. The ant system was able to find feasible solutions in all instances of the dataset and close to optimal solutions in some instances. The ant system performs better than some published approaches, however results obtained are not as good as those obtained by the best published approaches. This study may be used as a benchmark for ant based algorithms that solve the curriculum based university course timetabling problem.

研究动机与目标

• 为高等教育机构中普遍存在的基于课程的大学课程调度问题提供解决方案。
• 评估基于蚁群优化的算法在 ITC 2007 基准数据集上的性能表现。
• 开发一种混合 GACO 策略，以提升课程调度中解的质量与可行性。
• 为未来基于蚁群的算法在解决类似调度问题方面提供基准参考。

提出的方法

• 所提出的方法采用增强贪心选择机制的蚁群优化框架，在构造过程中优先选择高质量的解组件。
• 蚂蚁通过基于信息素轨迹和启发式信息的迭代方式，将课程分配至时间槽，构建课表。
• 启发式信息结合了课程安排约束，如学生选课情况和教师可授课时间，以引导搜索过程趋向可行解。
• 在每次迭代后应用信息素更新规则，以强化优质解并提升收敛性。
• 该算法在 ITC 2007 基于课程的课程调度数据集的全部 12 个实例上进行了测试。
• 可能应用局部搜索或强化步骤以优化解，但摘要中未明确描述具体细节。

实验结果

研究问题

• RQ1 贪心增强的蚁群优化方法能否有效为 ITC 2007 基于课程的大学课程调度问题生成可行课表？
• RQ2 所提出的 GACO 策略在相同基准上的性能与其它已发表的元启发式方法相比如何？
• RQ3 在该问题中，贪心选择的整合在多大程度上提升了解的质量与收敛速度？
• RQ4 该算法是否在全部 12 个 ITC 2007 实例上均能持续生成近似最优解？

主要发现

• GACO 算法成功为 ITC 2007 数据集中的全部 12 个实例生成了可行解。
• 该方法在多个实例上达到了近似最优解，展现出优异的解质量表现。
• 所提出的方法优于文献中报道的部分现有元启发式方法。
• 然而，其结果仍不及该领域中表现最佳的公开方法。
• 该算法可作为未来针对基于课程的大学课程调度问题的蚁群基算法的可行基准。
• 本研究证实了将贪心选择与蚁群优化相结合，对复杂调度问题具有潜在优势。