1.1.6 终止条件
遗传算法应在何时终止是一个很重要的问题。终止的过早，算法尚未收敛，所得结果并非最优；终止的太迟，浪费时间以及硬件资源[8]。所以，该文中遗传算法的终止条件有两个：一是当一轮适应度函数计算结束后，种群的平均适应度值满足期望值，算法终止；二是种群进化到设定的最大代数，算法终止。
1.2 智能排课的算法流程
遗传算法通过选择、交叉和变异操作来模拟遗传过程。根据适应度值来选择染色体使适应度值大的个体有更大的概率存活。通过适应度函数评估每个个体实现了“适者生存”。遗传操作后，被选择的个体形成了下一代种群，然后进行下一轮的进化。
根据遗传操作，基于遗传算法的智能排课模型的工作流程如下：
1）课程排程解决方案的初始化：为课程分配资源，并记录信息；
2）使用适应度函数计算染色体的适应度值；
3）采用轮盘赌法选择优良个体，并产生下一代种群；
4）使用自适应交叉和变异方式进行遗传操作，产生新的个体；
5）判断算法是否满足终止条件。如果是，得到全局最优解，则跳转到7），如果没有，跳到2）；
6）从种群中获取信息，对信息进行解码并输出结果；
7）算法结束。
2 实验与分析
2.1 问题明确
根据已经建立的数学模型和对于排课问题的分析，考虑到不同的教育系统，我们应该明确具体问题：课程分类，时间片划分和约束条件归纳。
2.1.1 课程分类
大学的课程种类较多，存在优先级别的差异，课程自身又有其特点，不能一概而论，因此要对课程进行分类。该文将课程分为A～F类六个等级，优先级依次递增，如表1所示：
2.1.2 时间片划分
周六、周日不安排课程，从周一至周五将每天的上课时间划分成五个时间片，每门课程每次上课最少占用一个时间片。对时间片编号如表2所示。
2.2 性能比较
为了让仿真实验的结果更有可信，用改进后的遗传算法和简单遗传算法进行比对实验，并对实验的结果进行比较。对比结果如图3所示：
3 结论
分析智能排课问题的特点，并结合遗传算法的特点本文采用遗传算法来解决问题。同时针对简单遗传算法的缺点进行了改进，使用自适应遗传操作方式和带有冲突检测的种群初始化方式。
实验结果表明，改进后的遗传算法可以在一定程度上解决智能排课问题，降低了教学人员的工作量。可以在高校教育管理的智能化中起到重要作用，具有一定的推广价值。
参考文献：
[1] 宗薇.高校智能排课系统算法的研究与实现[J].计算机仿真，2011，28（12）：389-392.
[2] 廖远，黄勤，曹培霞.基于三维编码的自适应遗传算法在排课系统中的应用[J].计算机与现代化，2008（12）：23-28.
[3] 李于吉.基于仿生算法的高校智能排课系统研究[J].现代电子技术，2012（14）：121-123.