У тезах розглянуто актуальну проблему формування розкладу занять у закладах вищої освіти з урахуванням численних обмежень. Проаналізовано традиційні методи розкладу та сучасні підходи, що базуються на штучному інтелекті. Запропоновано концептуальну модель системи оптимізації розкладу із використанням гібридних алгоритмів на основі генетичних алгоритмів, нейронних мереж та методів підкріплювального навчання.
Ключові слова: штучний інтелект, розклад занять, оптимізація, генетичний алгоритм, нейронна мережа, навчання з підкріпленням.
Процес складання розкладу занять у закладах вищої освіти (ЗВО) є складною оптимізаційною задачею, що передбачає врахування великої кількості обмежень: кількість аудиторій, час проведення занять, доступність викладачів, перехресність студентських потоків тощо. Традиційні ручні або напівавтоматизовані методи часто є неефективними, особливо у великих ЗВО [1, с. 12]. Використання штучного інтелекту (ШІ) відкриває нові можливості для вирішення цієї проблеми.
Постановка задачі
Необхідно побудувати адаптивну систему генерації розкладу занять, яка:
● забезпечує дотримання жорстких і гнучких обмежень;
● мінімізує конфлікти (перетин занять, перевантаження аудиторій тощо);
● адаптується до змін у вхідних даних (зміна розкладу викладача, зростання груп тощо);
● генерує варіанти розкладу у прийнятний час.
Огляд існуючих підходів
Найпоширенішими підходами до автоматизації процесу формування розкладу є:
● Методи математичного програмування, зокрема цілочисельне програмування [2, с. 45];
● Графові моделі та теорія розфарбування графів;
● Евристичні методи, зокрема жадібні алгоритми та алгоритми локального пошуку;
● Методи штучного інтелекту:
● Генетичні алгоритми;
● Нейронні мережі;
● Алгоритми навчання з підкріпленням.
Запропонована модель
Модель оптимізації ґрунтується на поєднанні генетичного алгоритму для первинного формування розкладу та застосування нейронної мережі для коригування розв’язків за критеріями якості. Зворотний зв’язок реалізується через механізм навчання з підкріпленням (reinforcement learning), що дозволяє системі враховувати зміни у структурі ЗВО або вподобання користувачів (наприклад, пріоритети викладачів).
Архітектура системи
Модуль генерації хромосом — створює початкові розклади у вигляді хромосом.
Оцінювальна функція (fitness) — враховує кількість конфліктів, порушення обмежень та показники комфорту.
Нейромережевий коректор — аналізує вузькі місця у розкладі та пропонує локальні зміни.
Експериментальні результати
У тестовому середовищі було проведено порівняння запропонованого підходу з класичними алгоритмами. Результати показали, що гібридна модель зменшила кількість конфліктів на 35%, а також покращила адаптацію до нових умов формування розкладу.
Висновки
Застосування методів штучного інтелекту до задачі формування розкладу у ЗВО дозволяє досягти кращої якості та адаптивності розкладу. У подальших дослідженнях планується впровадження системи на базі існуючих платформ автоматизації розкладу, а також розвиток інтерфейсу взаємодії з адміністрацією та викладачами.
СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ
1. Жуковський С. І., Мартинюк А. В. Інформаційні технології в управлінні навчальним процесом. – Київ: КНЕУ, 2020. – 240 с.
2. Давиденко М. В. Математичні моделі оптимізації розкладу. // Вісник НТУУ «КПІ». – 2021. – №3. – С. 42–50.
3. Goldberg D.E. Genetic Algorithms in Search, Optimization, and Machine Learning. – Addison-Wesley, 1989. – 412 p.
4. Sutton R.S., Barto A.G. Reinforcement Learning: An Introduction. – MIT Press, 2018. – 552 p.
|
Голосування 
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License
Знайшли помилку? Виділіть помилковий текст мишкою і натисніть Ctrl + Enter