Scheduler-ClassAssistant

Descrição

O Scheduler-ClassAssistant é uma ferramenta robusta para criação e otimização de horários acadêmicos. Ele utiliza conceitos de programação matemática, como algoritmos genéticos e métodos inteiros, para resolver problemas complexos de alocação de recursos e restrições. Este projeto foi projetado para facilitar o gerenciamento de horários, levando em conta critérios como:

• Disponibilidade de professores.
• Capacidade de salas.
• Restrições de horários (preferências e indisponibilidades).
• Otimização de tempos ociosos entre aulas.

Com uma interface gráfica intuitiva, o sistema possibilita visualização e ajustes nos cronogramas gerados, unindo o poder de técnicas avançadas de otimização com usabilidade prática.

---

Programação Matemática e Modelagem

A construção do Scheduler-ClassAssistant é baseada em dois pilares principais de otimização:

1. Algoritmos Genéticos (Genetic Algorithm - GA)

Os algoritmos genéticos são inspirados pela seleção natural. Neste projeto, eles são utilizados para encontrar soluções quase ótimas para o problema de alocação de horários. A abordagem envolve os seguintes passos:

1. População Inicial:

   • Cada solução (indivíduo) representa um conjunto de horários gerado aleatoriamente.
   • Soluções são representadas como cromossomos, onde genes são elementos do cronograma.

2. Função de Aptidão:

   • Avalia quão boa é uma solução, considerando:
     • Conflitos de horário (ex.: dois professores alocados na mesma sala).
     • Preferências de professores e alunos.
     • Minimização de tempos ociosos.
   • Quanto menor o número de conflitos e mais próximo das preferências, maior a pontuação da solução.

3. Operadores Genéticos:

   • Seleção: Soluções com maior aptidão têm maior chance de reprodução.
   • Cruzamento (Crossover): Combina partes de dois indivíduos para criar uma nova solução.
   • Mutação: Introduz pequenas alterações para explorar mais o espaço de busca e evitar estagnação.

4. Evolução:

   • Iterativamente, novas gerações de soluções são criadas até que um critério de parada seja alcançado (ex.: número de gerações ou aptidão satisfatória).

2. Métodos Inteiros

Para situações em que soluções mais rígidas são necessárias, métodos inteiros são utilizados para modelar e resolver o problema de forma determinística.

Modelo Inteiro:

Variáveis de Decisão:

• ( x_{ad} ): Indica se o monitor ( a ) é alocado para a disciplina ( d ) (1 para alocado, 0 para não alocado).
• ( y_d ): Indica se a disciplina ( d ) não possui monitor (1 para não atendida, 0 para atendida).

---

Função Objetivo:

O objetivo é maximizar a pontuação total dos monitores alocados às disciplinas, priorizando as maiores notas dos monitores e minimizando o número de disciplinas sem monitores. A pontuação é calculada como:

• Soma ponderada das médias dos monitores alocados às disciplinas.
• Penalização pelo número de disciplinas sem monitores.

Isso garante um equilíbrio entre maximizar o desempenho acadêmico e atender ao maior número possível de disciplinas.

---

Restrições:

1. Alocação por disciplina:

   • Cada disciplina deve ter no máximo um monitor alocado.
   • Se nenhum monitor for alocado, a disciplina é marcada como "não atendida".

2. Limite por monitor:

   • Cada monitor pode ser alocado a, no máximo, uma disciplina.

3. Preferências dos monitores:

   • Um monitor só pode ser alocado a uma disciplina se tiver manifestado interesse nela.

4. Natureza das variáveis:

   • As variáveis ( x_{ad} ) e ( y_d ) são binárias (0 ou 1).

---

Explicação dos Parâmetros:

• ( A ): Conjunto de monitores disponíveis.
• ( D ): Conjunto de disciplinas disponíveis.
• ( s_{ad} ): Indica se o monitor ( a ) está disposto a monitorar a disciplina ( d ) (1 para disponível, 0 para indisponível).
• ( N_a ): Nota média do monitor ( a ), utilizada como critério de priorização para alocação.

---

Como Usar

Um executável para Windows está disponível. Basta executar a instalação e rodar o programa normalmente. Os arquivos de entrada para teste também estão disponíveis:

Disciplinas
Alunos

Durante a execução do programa, é possível baixar os templates que demonstram como os arquivos de entrada devem estar formatados. Também é possível inserir os dados manualmente.

Após a inserção dos dados, basta selecionar o modelo, configurar os parâmetros (opcional) e rodar.

As métricas da execução e uma tabela com os resultados serão exibidas. É possível fazer o download dos resultados em formato xlsx ou csv.

---

Instruções para desenvolvimento

Caso queira rodar o programa em um ambiente de desenvolvimento, siga os passos a seguir.

Pré-requisitos do ambiente de desenvolvimento

Backend:

Python 3.8 ou superior.

Instale as dependências com:

pip install -r back/requirements.txt

Frontend:

Node.js e PNPM.

Instale as dependências com:

cd front
pnpm install

Para rodar em desenvolvimento

Primeiro, gere os executáveis dos scripts Python:

cd back
make

Depois, rode o projeto:

cd front
pnpm run dev

Para buildar o projeto:

cd front
pnpm tauri build

---

Tecnologias e Ferramentas Utilizadas

• Python: Linguagem principal para processamento e algoritmos.
• DEAP: Biblioteca para implementação de algoritmos genéticos.
• SciPy/PuLP: Bibliotecas para resolução de problemas lineares.
• Node.js e PNPM: Ferramentas para o desenvolvimento e gerenciamento do frontend.
• Tauri: Framework para construção de aplicações desktop.
• Tailwind CSS: Estilização responsiva para interfaces modernas.

---

Benefícios do Modelo

• Flexibilidade: Combina métodos heurísticos (algoritmos genéticos) com abordagens exatas (programação inteira).
• Otimização Personalizada: Adapta-se a diferentes critérios de priorização (ex.: minimizar tempos ociosos ou maximizar preferências).
• Escalabilidade: Projetado para lidar com grandes volumes de dados (várias turmas, professores e horários).
• Eficiência Computacional: Algoritmos otimizados para rápida convergência.

---

Licença

O projeto Scheduler Class Assistant tem licença MIT, frisando-se que não nos responsabilizamos por eventuais danos que o uso do programa possa causar.

---

Membros do Projeto

• Carlos Filipe de Castro Lemos
• Gabriel Barbosa de Oliveira
• Henrique Souza Marques
• João Pedro Matos de Deus
• Lucas Greff Meneses