随着互联网和计算机技术的不断的发展,智能排课成为高等院校处理教学管理的关键工作之一。面对学生及教师人数多,教室类型不同,教学资源有限,约束条件苛刻等特点,传统人工手动排课需要消耗大量的时间和人力,却难以解决排课上述问题。因此,通过计算机及相应的算法实现智能排课已经迫在眉睫。排课问题属于典型的时间表问题,而时间表问题是NP完全问题,解决NP完全问题的重点取决于所选择的算法。遗传算法能够很好的解决NP完全问题。遗传算法借助达尔文进化论中适者生存的规律,依靠自然选择和遗传学原理形成的一种模拟生物进化计算模型。然而,遗传算法由于超常规个体的存在会造成解空间的过早压缩,从而影响算法的整体性能。因此,本文首先在遗传算法初期按照课程和教师权重对课表染色体进行排序,根据约束条件按设计对应的适应度函数,避免超常规个体的产生,从而保证解空间不会过早压缩。同时,在遗传算法后期,采用自适应的交叉和变异操作,通过自适应调整遗传算法的参数,提高遗传算法的收敛精度,从而获取全局最优解。另外,排课过程中存在着排课冲突现象,造成冲突的现象是由于排课各个要素之间存在着一定的关联规则,而遗传算法不能发现这种规则。Apriori算法和FPGrowth算法是两个经典的传统关联规则算法。然而,排课各个要素之间的关联规则属于隐式关联规则,传统关联规则算法不足以解决隐式关联规则问题。因此,本文首先对排课冲突数据集预处理,采用模糊数学中三角隶属度函数计算项的权重,从而将冲突数据集的项分为核心项和吸附项,建立最大模糊模式树,挖掘最大模糊模式项。挖掘后的最大模糊模式项即为所要解决的冲突项,最后通过手动调课解决排课冲突问题。本文特色创新点有两个。第一,通过改进的自适应遗传算法计算排课最优解。第二,通过最大模糊模式算法解决排课冲突问题。实验表明,改进后的遗传算法在平均适应度值,时间等方面都比传统遗传算法有所改善。同时,采用最大模糊模式算法有效的解决了排课冲突问题,从而完善了排课问题的求解。