解决数据科学问题的LF框架

Question

我正在寻找一个能够解决以下数据科学问题的框架：

我有几个老师，他们可以每周工作X小时，还有几门课他们可以教。

数学+ English

• Teacher 3:体育+艺术+ English

• Teacher 4:数学+艺术

• 教师5:体育+数学+英语

在学校里，每门课每周都需要一个特定的小时。有些人比其他人多

hours

• English：
• Math: 12学时
• Art:4学时
• 运动:2小时

假设一个老师可以做2-3个小时，这样你就能理解我的观点^^。

我正在寻找的解决方案是一个框架或Algoritm，它用数据填充(训练)，然后能够分发教师，这样所有的科目都有上限，或者至少尽可能接近。这意味着老师2只需要教数学，5老师需要教50%的运动和50%的英语，或者30%的数学/ 40%的体育/ 30%的英语。

有人提到了Prolog，但我不确定它是否能处理这种问题？也许我错了？

有什么适合我的问题吗?还是我注定要自己从头开始对算法进行编码？

提前谢谢。

Answer 1

在gnu-prolog中演示此特定示例的约束求解的一个简单程序

soln(X) :-
    X = [T1M, T2M, T2E, T3S, T3A, T3E, T4M, T4A, T5S, T5M, T5E],
    fd_domain(X, 0, 10),

    %% subject constraints
    T1M + T2M + T4M + T5M #= 12,
    T2E + T3E + T5E #= 8,
    T4A + T3A #= 4,
    T3S + T5S #= 2,

    %% teacher constraints b/w 2 and 8 hrs
    2 #=< T1M, T1M #=< 8,
    2 #=< T2M + T2E, T2M + T2E #=< 8,
    2 #=< T3S + T3E + T3A, T3S + T3E + T3A #=< 8,
    2 #=< T4M + T4A, T4M + T4A #=< 8,
    2 #=< T5S + T5M + T5E, T5S + T5M + T5E #=< 8,
    fd_labeling(X).

有几个解决方案

| ?- soln(X).

X = [2,0,2,0,0,6,4,4,2,6,0] ? ;

X = [2,0,2,0,1,5,5,3,2,5,1] ? ;

X = [2,0,2,0,1,6,4,3,2,6,0] ? ;

X = [2,0,2,0,1,6,5,3,2,5,0] ? ;

X = [2,0,2,0,2,4,6,2,2,4,2] ? ;

X = [2,0,2,0,2,5,5,2,2,5,1] ? ;

X = [2,0,2,0,2,5,6,2,2,4,1] ? ;

X = [2,0,2,0,2,6,4,2,2,6,0] ? ;

X = [2,0,2,0,2,6,5,2,2,5,0] ? ;

X = [2,0,2,0,2,6,6,2,2,4,0] ? ;

X = [2,0,2,0,3,3,7,1,2,3,3] ? ;

X = [2,0,2,0,3,4,6,1,2,4,2] ? ;

X = [2,0,2,0,3,4,7,1,2,3,2] ? 

每个解决方案X = ...分别给出了T1M, T2M, T2E, T3S, T3A, T3E, T4M, T4A, T5S, T5M, T5E的小时分布。

Answer 2

第一步似乎是将一个研究问题(或一系列问题陈述)转化成一种精确的形式。问题表征/问题概念化似乎是解决这一问题的一种技术。一旦方法被概念化，必须为每个子模型和子模块确定一种技术。

将高问题语句分解为较小的问题称为问题概念化。对于每一个子问题，必须确定一种技术，方法必须由前面所述的假设来确定。

解决方案的实现:确定假设是否合理或解决方案是否满足他的需要。

这可以与他用这些子问题创建的流程图相比较，而且在一般情况下，它也试图达到一个粒度级别，他将在其中确定问题类。因此，这些问题可以分为函数优化问题和分类问题。