Article Sidebar
Main Article Content
Optymalizacja planu zajęć na wyższej uczelni ma ogromne znaczenie, od tego bowiem zależy komfort pracy wykładowców i studentów, oszczędność czasu, a to wszystko znacząco przekłada się na efekty kształcenia. W obecnych czasach do takich zadań wykorzystuje się coraz szybsze komputery i coraz lepsze techniki obliczeniowe. Jednak skuteczna optymalizacja planu zajęć jest niezwykle złożonym zadaniem, zbadanie wszystkich możliwości jest absolutnie niewykonalne w tej sytuacji. W takich sytuacjach często wykorzystuje się różne metody heurystyczne. Różni autorzy wciąż poszukują algorytmów, których zastosowanie przynajmniej częściowo zautomatyzowałoby proces układania zajęć przy założeniu wielu kryteriów i ograniczeń. Celem pracy jest opracowanie modelu komputerowego wspomagania układania planu zajęć opartego na metodach heurystycznych. Proponowane algorytmy automatycznej optymalizacji planu zajęć wykorzystują system wieloagentowy oraz metaheurystykę symulowanego wyżarzania. Planowane jest także użycie algorytmów ewolucyjnych i grawitacyjnych.
Article Details
Alghamdi H., Alsubait T., Alhakami H., Baz A., 2020: A review of optimization algorithms for university timetable scheduling, Engineering, Technology & Applied Science Research 10(6), 6410–6417. (Crossref)
Biernacki A., 2005: Systemy wieloagentowe jako narzędzie do symulacji systemów złożonych, Studia Informatica 26, 1, 15–28.
Deris S., Omatu S., Ohta H., Saad P., 1999: Incorporating constraint propagation in genetic algorithm for university timetable planning, Engineering applications of artificial intelligence 12(3), 241–253. (Crossref)
Deris S., Omatu S., Ohta H., 2000: Timetable planning using the constraint-based reasoning. Computers & Operations Research 27(9), 819–840. (Crossref)
Feliks J., Lichota A., Majewska K., 2015: Koncepcja wykorzystania podejścia agentowego do modelowania systemów logistyki serwisowej, Logistyka 2, 89–98.
Fierek S., 2015: Budowa modelu podaży transportu publicznego dla wieloagentowego modelu symulacyjnego, Logistyka, 4, 1, 235–242 [CD].
Ghomi J.E., Rahmani A.M., Qader N.N., 2019: Service load balancing, scheduling, and logistics optimization in cloud manufacturing by using genetic algorithm. Concurrency and Computation: Practice and Experience 31, e5329. https://doi.org/10.1002/cpe.5329 (Crossref)
Said H., El-Rayes K., 2014: Automated multi-objective construction logistics optimization system, Automation in Construction 43, 110–122. (Crossref)
Kakkar M.K., Singla J., Garg N., Gupta G., Srivastava P., Kumar A., 2021: Class schedule generation using evolutionary algorithms, Journal of Physics: Conference Series 1950, 1, 012067. (Crossref)
Konstantinow G., Coakley C., 2004: Use of genetic algorithms in reactive scheduling for course timetable adjustments, PATAT, 521–522.
Li S., Teo K.L., 2019: Post-disaster multi-period road network repair: work scheduling and relief logistics optimization. Annals of Operations Research 283, 1345–1385. https://doi.org/10.1007/s10479-018-3037-2 (Crossref)
Lin G., Gen M., Wang X., 2009: Integrated multistage logistics network design by using hybrid evolutionary algorithm, Computers & Industrial Engineering 56, 3, 854–873, https://doi.org/10.1016/j.cie.2008.09.037 (Crossref)
Mindur L., Wronka J., Fechner I., Krzyżaniak S., Hajdul M., 2011: Kształtowanie sieci intermodalnej w oparciu o koncepcję systemów wieloagentowych, Logistyka 4, 666–677.
Mittal D., Doshi H., Sunasra M., Nagpure R., 2015: Automatic timetable generation using genetic algorithm, International Journal of Advanced Research in Computer and Communication Engineering 4(2), 245–248. (Crossref)
Moszyński M., 2011: Konstruowanie planu zajęć dydaktycznych jako wielokryterialny problem optymalizacyjny, kilka refleksji. Ekonomia XLII – Nauki Humanistyczno-Społeczne 402, 229–243. (Crossref)
Narang B., Gupta A., Bansal R., 2013: Use of active rules and genetic algorithm to generate the automatic timetable, International Journal of Advances in Engineering Sciences 3(3), 40–44.
Netczuk A., Nowicki T., Pierzchała D., 2015: Wieloagentowy model symulacyjny rozprzestrzeniania się epidemii, Symulacja w Badaniach i Rozwoju 6, 2, 125–135.
Pečený L., Meško P., Kampf R., Gašparík J., 2020: Optimisation in Transport and Logistic Processes, Transportation Research Procedia 44, 15–22. https://doi.org/10.1016/j.trpro.2020.02.003 (Crossref)
Piotr P., 2019: Wieloagentowe systemy decyzyjne, Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa.
Reklaitis G.V., 2000: Overview of planning and scheduling technologies. Latin American Applied Research 30(4), 285–293.
Sawicki P., 2013: Wielokryterialna optymalizacja procesów w transporcie, Wydawnictwo Naukowe Instytutu Technologii Eksploatacji – Państwowego Instytutu Badawczego, Radom.
Soyemi J., Akinode J., Oloruntoba S., 2017: Electronic Lecture Timetable Scheduler using Genetic Algorithm, 2017 IEEE 15th Intl Conf on Dependable, Autonomic and Secure Computing, 15th Intl Conf on Pervasive Intelligence and Computing, 3rd Intl Conf on Big Data Intelligence and Computing and Cyber Science and Technology Congress (DASC/PiCom/DataCom/CyberSciTech), 6–10 listopada, 710–715. (Crossref)
Suryadi D., Pilipus R., 2012: Genetic algorithm for university timetable planning in FTI, Proceedings of the 2012 International Conference on Industrial Engineering and Operations Management, Istanbul, Turkey, 3–6 lipca, 656–664.
Wooldridge M., 2009: An introduction to multiagent systems, John Wiley & Sons, New Jersey.
Downloads
- Paweł Hoser, Luiza Ochnio, Wykorzystanie systemu wieloagentowego do optymalizacji planu zajęć na uczelni , Ekonomika i Organizacja Logistyki: Tom 7 Nr 3 (2022)
- Grzegorz Koszela, Grzegorz Gostkowski, Vasilis Kostoglu, Luiza Ochnio, Porównanie poziomu rozwoju logistyki w krajach Unii Europejskiej z zastosowaniem metod Topsis i Vikor , Ekonomika i Organizacja Logistyki: Tom 5 Nr 1 (2020)
Utwór dostępny jest na licencji Creative Commons Uznanie autorstwa – Użycie niekomercyjne 4.0 Międzynarodowe.