Software system architecture for anthropocentric scheduling of educational workload in higher education institutions

The article examines the architecture of a software system designed for anthropocentric dispatching of academic workload in technical higher education institutions. The system is implemented as a modular monolith on the .NET platform running under Windows Server. The software complex consists of fou...

Повний опис

Збережено в:

Бібліографічні деталі
Дата:	2026
Автор:	Sytnik, O.O.
Формат:	Стаття
Мова:	Українська
Опубліковано:	PROBLEMS IN PROGRAMMING 2026
Теми:	software architecture modular monolith anthropocentric scheduling evolutionary algorithm chronotype genetic operators adaptive learning technical higher education institution UDC 004.4’22:378.1
Онлайн доступ:	https://pp.isofts.kiev.ua/index.php/ojs1/article/view/1024
Теги:	Додати тег Немає тегів, Будьте першим, хто поставить тег для цього запису!
Назва журналу:	Problems in programming
Завантажити файл:

Репозитарії

Problems in programming

_version_	1869381597223976960
author	Sytnik, O.O.
author_facet	Sytnik, O.O.
author_institution_txt_mv	[ { "author": "O.O. Sytnik", "institution": "National Aerospace University \"Kharkiv Aviation Institute\"" } ]
author_sort	Sytnik, O.O.
baseUrl_str	https://pp.isofts.kiev.ua/index.php/ojs1/oai
collection	OJS
datestamp_date	2026-06-29T10:43:50Z
description	The article examines the architecture of a software system designed for anthropocentric dispatching of academic workload in technical higher education institutions. The system is implemented as a modular monolith on the .NET platform running under Windows Server. The software complex consists of four distinct functional mod ules: data collection and storage, the optimization core, adaptive learning, and result presentation to the user. Inter-module communication is carried out through an internal event processing subsystem and via asynchronous calls through dependency injection container interfaces. The optimization core implements a hybrid evolutionary dispatching algorithm with two specialized genetic operators. The first of them, the chronotype-preserving crossover operator, selects cut points proportional to the difference in circadian contributions between the parent individuals. The next step is the anthropocentric muta tion operator with weighted slot selection, which allocates the mutation budget to the lowest-quality slots. The weight coefficients of the multi-criteria objective function are adapted between semesters through a satisfaction regression mechanism. This process uses the least squares method with participant feedback applied. To obtain more accurate results, the exponential moving average method is used without manual parameter tuning. The implementation details of the software using this algorithm are provided below. The algorithm's comparative analysis was conducted on test data from a higher education institution, comprising 400 students, 60 instructors, and 42 disciplines. Across 30 independent runs, a 34% reduction in algorithm con vergence time and an 18.3% improvement in schedule quality were confirmed compared to a conventional ge netic algorithm. The satisfaction regression mechanism across three adaptation cycles increases the correlation between the weight coefficients and the actual participant priorities from 0.61 to 0.89.Problems in programming 2026; 2: 37-48
first_indexed	2026-06-30T01:00:16Z
format	Article
fulltext	Архітектура програмного забезпечення 37 УДК 004.4’22:378.1 https://doi.org/10.15407/pp2026.02.037 О. О. Ситнік АРХІТЕКТУРА ПРОГРАМНОІ СИСТЕМИ АНТРОПОЦЕНТРИЧНОІ ДИСПЕТЧЕРИЗАЦІЇ НАВЧАЛЬНОГО НАВАНТАЖЕННЯ У ЗВО У статті розглядається архітектура програмної системи, призначеної для антропоцентричної диспетче- ризації навчального навантаження у закладах вищої освіти технічного профілю. Розглянута система ре- алізована за принципом модульного моноліту на платформі .NET під управлінням операційної системи Windows Server. Структура програмного комплексу включає чотири окремі функціональні модулі, що відповідають за збір та зберігання даних, ядро оптимізації, адаптивне навчання та представлення резуль- татів користувачу. Комунікація між модулями здійснюється через внутрішню підсистему обробки подій та за допомогою асинхронних викликів через інтерфейси контейнера інверсії залежностей. Ядро оптимізації реалізує гібридний еволюційний алгоритм диспетчеризації із двома спеціалізованими генетичними операторами. Перший з них, хронотип-зберігаючий оператор схрещування, обирає точки розрізу пропорційно різниці циркадного внеску між батьківськими особинами. Наступним кроком ан- тропоцентричний оператор мутації зі зваженим вибором слотів концентрує мутаційний бюджет на сло- тах з найнижчою якістю. Вагові коефіцієнти багатокритеріальної цільової функції адаптуються між се- местрами через механізм регресії задоволеності. Цей процес використовує метод найменших квадратів із застосуванням зворотного зв'язку учасників. Для отримання більш точних результатів використову- ється метод експоненційного ковзного середнього без ручного налаштування параметрів. Далі наведені деталі реалізації програмного забезпечення з використанням цього алгоритму. Порівняльний аналіз алгоритму проводився на тестових даних закладу вищої освіти з вибіркою 400 сту- дентів, 60 викладачів, 42 дисципліни. У результаті 30 незалежних запусків підтверджено скорочення часу збіжності алгоритму на 34% та підвищення якості розкладу на 18.3% у порівнянні із загальновикористо- вуваним генетичним алгоритмом. Механізм регресії задоволеності за три цикли адаптації підвищує ко- реляцію вагових коефіцієнтів з реальними пріоритетами учасників із 0.61 до 0.89. Ключові слова: програмна архітектура, модульний моноліт, антропоцентрична диспетчеризація, еволю- ційний алгоритм, хронотип, генетичні оператори, адаптивне навчання, заклад вищої освіти технічного профілю O. O. Sytnik SOFTWARE SYSTEM ARCHITECTURE FOR ANTHROPOCENTRIC SCHEDULING OF EDUCATIONAL WORKLOAD IN HIGHER EDUCATION INSTITUTIONS The article examines the architecture of a software system designed for anthropocentric dispatching of academic workload in technical higher education institutions. The system is implemented as a modular monolith on the .NET platform running under Windows Server. The software complex consists of four distinct functional mod- ules: data collection and storage, the optimization core, adaptive learning, and result presentation to the user. Inter-module communication is carried out through an internal event processing subsystem and via asynchronous calls through dependency injection container interfaces. The optimization core implements a hybrid evolutionary dispatching algorithm with two specialized genetic operators. The first of them, the chronotype-preserving crossover operator, selects cut points proportional to the difference in circadian contributions between the parent individuals. The next step is the anthropocentric muta- tion operator with weighted slot selection, which allocates the mutation budget to the lowest-quality slots. The weight coefficients of the multi-criteria objective function are adapted between semesters through a satisfaction regression mechanism. This process uses the least squares method with participant feedback applied. To obtain more accurate results, the exponential moving average method is used without manual parameter tuning. The implementation details of the software using this algorithm are provided below. The algorithm's comparative analysis was conducted on test data from a higher education institution, comprising 400 students, 60 instructors, and 42 disciplines. Across 30 independent runs, a 34% reduction in algorithm con- vergence time and an 18.3% improvement in schedule quality were confirmed compared to a conventional ge- netic algorithm. The satisfaction regression mechanism across three adaptation cycles increases the correlation between the weight coefficients and the actual participant priorities from 0.61 to 0.89. Keywords: software architecture, modular monolith, anthropocentric scheduling, evolutionary algorithm, chronotype, genetic operators, adaptive learning, technical higher education institution © Ситнік О. О., 2026 ISSN 1727-4907. Проблеми програмування. 2026. №2 https://pp.isofts.kiev.ua CC BY 4.0 Архітектура програмного забезпечення 38 1. Вступ Стан розвитку інформаційних тех- нологій на сьогодні зумовлює актуальність задачі автоматизованого планування навча- льного процесу в закладах вищої освіти (ЗВО). Зазвичай використовувані алгори- тми диспетчеризації орієнтовані виключно на технічні обмеження, наприклад, уник- нення конфліктів під час розподілення ау- диторій та викладачів. Але у той же час вони не враховують хронобіологічні й ког- нітивні характеристики учасників освіт- нього процесу [1, 2]. Внаслідок цього розк- лад, що здається оптимальним з організа- ційної точки зору, може суттєво знижувати ефективність навчання через невідповід- ність індивідуальним циркадним ритмам студентів і викладачів. Антропоцентричний підхід, запро- понований у [3], розширює цільову функ- цію оптимізації за рахунок урахування ком- понентів циркадної узгодженості, психоло- гічного комфорту та когнітивної ефектив- ності. Результати значної кількості дослі- джень [1, 4] підтверджують, що відповід- ність розкладу та хронотипів учасників на- вчального процесу підвищує академічну успішність у середньому на 15% [5, 6], а не- узгодженість спричиняє ефект соціального джетлагу [7]. Це є негативним фактором, що позначається на мотивації та якості за- своєння матеріалу. Проте у роботі [3] описано суто ма- тематичну модель та концептуальний ал- горитм. У ній не наведено деталей архіте- ктури комплексу програмних систем. Від- сутність чіткої технічної специфікації унеможливлює відтворення та практичне впровадження запропонованого підходу у вітчизняні АСУ навчальним процесом у ЗВО. Дана стаття усуває цю прогалину, пропонуючи повний опис архітектури програмної системи антропоцентричної диспетчеризації (ПСАД) з формальними специфікаціями компонентів та їхніх інте- рфейсів. Метою даної статті є розробка та опис архітектури програмної системи, що реалізує метод антропоцентричної диспет- черизації (АМД) [3]. Це також включає спе- цифікацію компонентів, їх інтерфейсів та схем взаємодії. Завданням дослідження є формалізація архітектурних компонентів ПСАД та специфікація інтерфейсів API. Та- кож у статті міститься верифікація архітек- тури на основі порівняльного аналізу чоти- рьох конфігурацій алгоритму на реальних даних функціонування типового ЗВО. 2. Огляд суміжних підходів Задача автоматизованого складання університетського розкладу (UCTP) нале- жить до класу NP-складних комбінаторних задач [8, 9]. Існуючі програмні рішення кла- сифікуються за архітектурним підходом: монолітні системи з вбудованим планува- льником, сервіс орієнтовані архітектури та мікросервісні платформи. Більшість проми- слових систем (FET, UniTime, Tablix) вико- ристовує монолітну архітектуру, що обме- жує масштабованість. Burke та Petrovic [8] систематизу- вали constraint-preserving оператори GA для UCTP, зосередившись на технічних обме- женнях. Abdelhalim та El Khayat [9] запро- понували GA на основі матричного коду- вання розкладу, що запобігає конфліктам призначень. Gozali et al. [10] застосовують острівну модель GA з подвійною мігра- цією, досягаючи більшої різноманітності популяції, але без антропоцентричних інва- ріантів. Rezaeipanah et al. [11] розробили гіб- ридний паралельний GA з локальним пошу- ком для UCTP. Їхній підхід комбінує глоба- льний пошук GA з детерміністичною опти- мізацією в межах кожної особини, що до- зволяє досягти кращої якості розв’язку при фіксованій кількості поколінь. Проте архі- тектура запропонованої системи залиша- ється монолітною: модуль оптимізації, мо- дуль зберігання даних та інтерфейс корис- тувача розгорнуті як єдиний застосунок, що унеможливлює незалежне масштабування компонентів. Gozali et al. [10] застосовують острі- вну модель GA з подвійною міграцією, до- сягаючи більшої різноманітності популяції завдяки паралельній еволюції підпопуля- цій. Хоча острівна модель природно відо- бражається на архітектуру з кількома вуз- лами, автори не розглядають архітектурних Архітектура програмного забезпечення 39 аспектів розгортання системи і не вводять антропоцентричних інваріантів в опера- тори. Mahlous та Mahlous [12] запропону- вали GA з урахуванням преференцій студе- нтів щодо часу проведення занять, що стало першим кроком до антропоцентричного підходу, однак без формальної моделі хро- нобіологічних обмежень та адаптивного механізму ваг. Rezaeipanah et al. [11] розро- били гібридний паралельний GA з локаль- ним пошуком для UCTP, що демонструє кращу збіжність порівняно з базовим GA. На рівні архітектури програмних си- стем Dunke та Nickel [12] запропонували багаторівневу математичну евристику з урахуванням преференцій студентів, але без хронобіологічних обмежень та адаптив- ного механізму. Almohammadi et al. [13] ро- зробили систему рекомендацій типу 2 нечі- ткої логіки для адаптивного навчання, вирі- шуючи задачу персоналізації контенту, а не оптимізації розкладу. Аналіз відомих наукових публікацій показує відсутність архітектурного рі- шення, яке б об'єднувало антропоцентри- чну модель цільової функції з хронобіоло- гічними компонентами та доменно-орієн- товані генетичні оператори, що зберігають антропоцентричні інваріанти у процесі ре- комбінації. Також ефективне рішення по- винно включати адаптивний механізм ко- ригування вагових коефіцієнтів на основі зворотного зв'язку від учасників без руч- ного налаштування. 3. Архітектура програмної системи АМД 3.1. Загальна структура. Прототип програмної системи антропоцентричної ди- спетчеризації (ПСАД) реалізований за па- терном розробки модульного моноліту на платформі .NET з розміщеннями у середо- вищі під управлінням операційної системи Windows Server. Архітектура прототипу програмного забезпечення включає чотири функціональні модулі зі строгою ізоляцією контрактів: DCS, OC, SRA та PS. Кожен мо- дуль є окремим проєктом на мові програму- вання C# у єдиному рішенні Visual Studio і взаємодіє з іншими виключно через публі- чні інтерфейси та внутрішню шину, реалі- зовану на MediatR. На рис. 1 наведено загальну архітек- туру системи та потоки даних між моду- лями. Зовнішніми джерелами є деканатська система та результати опитування учасни- ків за шкалою хронотипових переваг, які надходять до модуля збору даних. Він пере- дає нормалізовані навчальні плани та про- філі до ядра оптимізації. Після завершення семестру модуль адаптивного навчання отримує оцінки задоволеності учасників та оновлені компоненти цільової функції, об- числює скориговані вагові коефіцієнти і по- вертає їх ядру для наступного циклу опти- мізації. Модуль представлення результатів отримує оптимальний розклад і надає його адміністратору та учасникам через веб інте- рфейс і файли експорту. Рис. 1. Архітектура програмної сис- теми антропоцентричної диспетчеризації навчального навантаження Архітектура програмного забезпечення 40 Взаємодія між модулями реалізована через внутрішню шину команд і подій (MediatR) та синхронні виклики через інтер- фейси IoC-контейнера. MediatR застосову- ється для тривалих операцій: запуск OC ви- конується через StartOptimizationCommand, результати передаються через OptimizationCompletedEvent. Уся взаємодія логується через Serilog з виведенням у Windows Event Log та в таблицю аудиту MS SQL. Вибір модульного моноліту обумов- лений специфікою задачі та типовою IT-ін- фраструктурою вітчизняних ЗВО, які пере- важно використовують Windows Server і мають ліцензію MS SQL. Модульний моно- літ не потребує оркестратора контейнерів і природно інтегрується в Windows-інфра- структуру через IIS. Розгортання здійсню- ється автоматизовано через PowerShell DSC-скрипти; оновлення виконується че- рез Blue-Green deployment на рівні IIS Application Pools. Для створення прототипу системи ПСАД ми обрали наступний стек техноло- гій: .NET, MS SQL Server (з підходом ро- боти з даними Code First), Blazor Server з додатковими компонентами MudBlazor, MediatR, IMemoryCache, Serilog, MathNet.Numerics (для матричних операцій OLS), EPPlus для експорту даних у формат Excel, QuestPDF, Prometheus.NET та Grafana для моніторингу діагностичних да- них. Система розгорнута як Windows Service на Windows Server з IIS як зворот- ним проксі для Blazor Server. Аутентифіка- ція реалізована через базові засоби екосис- теми .NET з рольовою моделлю: адмініст- ратор, викладач, студент. Ізоляція модулів забезпечується чіт- кими архітектурними правилами: кожен модуль має власний Database Context (у ра- мках фреймворку EF), власний набір сутно- стей та міграцій даних. Модулі не зверта- ються напряму до DbContext інших моду- лів, а лише через публічні інтерфейси або події MediatR. Тестування проводиться за допомогою пакетів xUnit та EF Core InMemory. Метрики збираються через System.Diagnostics.Metrics і виводяться у Grafana з використанням Prometheus.NET. Контракти системи ПСАД визначені у сервісах простору імен PSAD.Contracts із життєвим циклом Scoped для сервісів, зале- жних від БД та Singleton для кешованих сервісів та BackgroundService веб застосу- нку. Типовий сценарій запуску семестру включає наступні кроки: (1) адміністратор імпортує план у DCS; (2) DCS публікує CurriculumReadyEvent; (3) OC обробляє по- дію, запускає StartOptimizationCommand. Після цього OC публікує подію завершення процесу диспетчеризації даних, і PS онов- лює UI через SignalR. Усі команди та події логуються за допомогою Serilog до бази да- них з атомарними транзакціями. Такий під- хід гарантує одночасно високу ефектив- ність інтерфейсу користувача за метриками веб браузера та належний рівень консисте- нтності роботи з даними на стороні сервера. 3.2. Підсистема збору та збері- гання даних (DCS). DCS відповідає за отримання, валідацію та нормалізацію трьох класів вхідних даних: навчальних планів і доручень, хронотипових профілів учасників (на основі MEQ-опитувальника [2]) та матриці когнітивної сумісності дис- циплін ijS s =   . Хронотипові профілі класифіку- ються за п'ятибальною шкалою MEQ: яв- ний ранковий (>70), помірний ранковий (59–70), проміжний (42–58), помірний вечі- рній (31–41), явний вечірній (<31). Функція циркадної активності ( ),f   відображає очікувану когнітивну продуктивність учас- ника у кожному часовому слоті τ, залежно від хронотипу χ [14, 15]. Дослідження [1, 6] підтверджують, що відхилення розкладу від оптимальних слотів хронотипу знижує академічну успішність у середньому на 15%. Нормалізований хронотиповий ін- декс учасника p визначається за формулою: ( ) ( ) 1 6 70 MEQ p p − = , (4) де MEQ(p) є балом за опитувальни- ком Хорна–Остберга [14], MEQ_min = 16, MEQ_max = 86, χ ∈ [0, 1]. На основі χ обчи- слюється функція циркадної активності φ(τ, χ): Архітектура програмного забезпечення 41 ( ) ( )( )2 2 , 2 peak exp         −  = −     , (5) де τ_peak(χ) є оптимальним часовим слотом для хронотипу χ: ( ) ( ) · peak e m e     = + − , (6) де τ_m = 8:00 (ранковий пік), τ_e = 20:00 (вечірній), год. Значення індекса φ = 1.0 відповідає оптимальному слоту, а φ < 0.5 присвоюється частково оптимальному слоту. Всі значення слотів кешуються в IMemoryCache зі значенням TTL = 24 го- дини. Система DCS реалізує стандарт REST API для інтеграції з LMS (Moodle, Blackboard) та деканатськими системами. Схема даних підтримує версіювання навча- льних планів (SemVer). Модуль валідації перевіряє узгодженість доручень: кожна дисципліна має щонайменше одного викла- дача, а кожна група отримує повний навча- льний план. Матриця S зберігається окремо від планів, оскільки залежить від змісту ди- сциплін, а не від конкретного семестру. Схема таблиць бази даних DCS нор- малізована до 3NF: таблиця Groups (GroupId PK, Name, SemesterId FK, AvgChronotype), таблиця Teachers (TeacherId PK, Name, ChronotypeScore), таблиця Disciplines (DisciplineId PK, Name, CognitiveLoad ∈ [0,1]), таблиця Assignments (AssignmentId PK, GroupId FK, TeacherId FK, DisciplineId FK, HoursPerWeek), таб- лиця CognitiveCompatibility (Discipline1Id FK, Discipline2Id FK, Sij ∈ [−1, 1]). Класте- рні індекси по (SemesterId, GroupId) забез- печують час вибірки O(log n). Значення Sij > 0 встановлює синергію, Sij < 0 формує ко- гнітивний конфлікт розміщення часових слотів. Додаткову увагу у ході розроблення архітектури надано моделі даних підсис- теми DCS. Навчальний план зберігається в реляційній схемі БД MS SQL: таблиці Groups, Teachers, Disciplines, Assignments з кластерними індексами по SemesterId і GroupId. EF створює схему бази даних за допомогою міграції Code First. Хроноти- пові профілі зберігаються у таблиці ChronotypeProfiles. IMemoryCache зберігає метрики якості слотів з TTL 30 хвилин і ав- томатичною інвалідацією під час старту но- вого завдання. Модуль синхронізації з LMS реалі- зує адаптери для двох найпоширеніших платформ: Moodle та Blackboard з викорис- танням REST API. Адаптери реалізують па- терн «Adapter» і надають уніфікований ін- терфейс для DCS незалежно від використо- вуваної LMS. За відсутності LMS DCS під- тримує імпорт навчальних планів з Excel- файлів стандартизованого формату, що за- безпечує сумісність із ЗВО, що не викорис- товують LMS. 3.3. Ядро оптимізації (OC). OC реа- лізує алгоритм АМД [3] і складається з п'яти модулів: кодування хромосом, ініціа- лізації популяції, операторів CPC та AWM, управління популяцією та обчислення ці- льової функції. Просторова складність UCTP: \|Ω\| ≈ (G × E × R)^(D×S). Для G=18, E=60, R=30, D=6, S=8 маємо \|Ω\| > 10⁸⁰⁰. GA з P=200 дос- ліджує O(P × T) точок; обчислення F(x) має складність O(D × S × G) при кешованих φ. Компоненти цільової функції F(x) формально визначаються наступним чи- ном. Компонент технічної якості: ( ) ( ) 1 · · tech C x F x D S G = − , (7) де C(x) є кількістю конфліктних сло- тів, а D × S × G є загальною їх кількістю. Компонент циркадної узгодженості: ( )   ( )  ( )1 _ , , _ , _ · _ , , · · circF x g d s s g a g d s x D S G   =  , (8) де a_{g,d,s}(x) ∈ {0,1} є індикатором призначення заняття, φ з формули (5). Ком- понент психологічного комфорту: ( ) ( ) ( ) _ 1 _ psych load x F x load x    = − + , (9) де σ_load, μ_load є відхиленням та середнім значенням пар на день, ε = 0.01. Компонент когнітивної ефективності: ( )   ( )1 _ , , , · cognF x g d S g d x D G =   , (10) де S̄(g, d, x) = середнє Sij суміжних дисциплін групи g у день d. Усі компоненти ∈ [0, 1]; repair() гарантує F_tech(потомки) ≥ min(F_tech(батьки)). Архітектура програмного забезпечення 42 Формальний апарат математичних структур антропоцентричної диспетчериза- ції [16] включає доведення коректності опе- раторів CPC та AWM щодо збереження хронотипових інваріантів, що підтверджує теоретичну обґрунтованість запропонова- них генетичних операторів. Методи машинного навчання для UCTP [17, 18] показують вищу точність на ITC-2019, але потребують GPU. Еволюцій- ний підхід ПСАД є більш практичним для ЗВО із обмеженою ІТ-інфраструктурою. Цільова функція має такий вигляд: ( ) 1 2 3 4, tech circ psych cognF x w w F w F w F w F=  +  +  +  ,(1) де 1 4w w− є ваговими коефіцієнтами (Σ 1 iw = ); techF відповідає відсутності конф- ліктів ресурсів; circF є циркадна узгодже- ність; psychF відповідає психологічному ко- мфорту (рівномірність навантаження); cognF є когнітивною ефективністю (сумісність дисциплін у межах дня). Кожна хромосома кодується триви- мірним масивом     ( ) , x d s g e r= : d відпо- відає дню (від 1 до 5), s відповідає парі (від 1 до 6), g відповідає групі, e відповідає ви- кладачу, r відповідає аудиторії. Кожна осо- бина зберігає значення вектора мет- рик ( ) _ , _ , _m circ score psych load cogn score= для уникнення повторних обчислень та процесорного навантаження при застосу- ванні операторів. Оператор CPC (Chronotype- Preserving Crossover) обирає точки розрізу пропорційно різниці циркадного внеску між батьками:    ( ) ,cutp d softmax d=    ( ) ( ) , , circ A circ Bd F x d F x d = − , (2) Дні з великим значенням Δ[d] є ін- формативнішими точками розрізу: наща- док успадковує кращу денну хронотипову структуру від відповідного батька. Проце- дура repair(x) відновлює технічні обме- ження без зміни денної структури: для кон- фліктного слота шукається найближчий ві- льний у межах того ж дня за хронотиповою якістю. Оператор AWM (Anthropocentric Weighted Mutation) реалізує softmax-зваже- ний вибір слота для мута- ції: ( ) ( ), , · , ,logit d s g q d s g=− , де ( )2 3 4 · · 1 ·q w a w l w c= + − + . При зна- ченні 2.0 = AWM концентрує мутацій- ний бюджет на слотах із найнижчою антро- поцентричною якістю. Базовими парамет- рами OC є: 200P = , 0.85crossp = , 0.15mutp = , 5tk = , 2.0 = . Для експериме- нту взято максимум 500 поколінь з показ- ником стагнації у 50 поколінь з 0.001F  . Модуль створення популяції реалі- зує рандомізовану жадібну побудову: для кожної групи g заняття з навчального плану призначаються у випадковому порядку, але з урахуванням хронотипу групи. Тобто, за- няття з вищим когнітивним навантаженням отримують пріоритет у слотах з вищим зна- ченням функції циркадної активності ( ), gf   . Це забезпечує початкову популя- цію з вищою антропоцентричною якістю порівняно з рівномірно випадковою ініціа- лізацією, що скорочує кількість поколінь до виходу алгоритму на плато якості. Функцією ( )repair x для кожного конфліктного слота (c1) виконується пошук вільного слота (c2) в межах того ж дня d у порядку спадання хронотипової якості. Якщо вільного слота в межах дня не знай- дено, виконується переміщення до найбли- жчого дня з мінімальним зниженням F_circ. Це гарантує, що CPC ніколи не погіршує компонент F_tech щодо батьківських хро- мосом. Управління популяцією здійсню- ється на базі елітарної стратегії, яка збері- гає максимальні 5% (тобто 10 з 200). 190 но- вих особин: 70% нащадки CPC, 30% наща- дки AWM. Перезапуск вибірки відбува- ється при значенні δF < 0.001 за 50 поко- лінь: нижні 50% замінюються жадібною ініціалізацією зі збереженням еліти. Турні- рна селекція працює з середнім значенням коефіцієнта k = 5, що було використано у іншому експериментальному дослідженні [15]. Архітектура програмного забезпечення 43 Складність одного покоління: O(P × D × S × G) ≈ 173 000 операцій при P=200, D=6, S=8, G=18. Parallel.For на k=4 потоках зменшує реальний час з 4.6 мс до ≈ 1.2 мс на покоління. 3.4. Підсистема адаптивного нав- чання (SRA). Модуль системи SRA кори- гує вагові коефіцієнти після кожного семе- стру за допомогою OLS-регресії агрегова- ної задоволеності Q учасників (що вимірю- ється за шкалами techQ , circQ , psychQ , cognQ ) на компонентах цільової функції: ( ) 1 T TX X X Q − = , (3) де [1 \| ]componentsX F= є матрицею оз- нак [N × 5]. Отримані коефіцієнти норму- ються та оновлюються через функцію EMA:     ( )   · 1 ·new oldw j j w j =  + − , з об- меженням   0.05neww j  та повторною нор- малізацією. Використовуються значення параметрів: 0.4 = , 30minN = (при 30N  застосовується так звана рідж-регресія). Матриця ознак задана наступним чином: Φ ∈ ℝ^{N×5}: рядок i = [F_tech^(i), F_circ^(i), F_psych^(i), F_cogn^(i), 1]. При κ(Φ) > 30 застосовується рідж-регресія: ( ) 1 T T ridge I q  − =  +  , (11) Оновлення ваг через функцію EMA: ( )1 · 1 · k kw w  + = + − , (12) де ^ є нормованими коефіцієнтами β₁..β₄. R² < 0.3, де α знижується вдвічі. Ма- тематичне обґрунтування структур SRA на- ведено у попередньому дослідженні [16]. CP-методи для UCTP [19] ефективні при значеннях G ≤ 10, але їхні результати зростають експоненційно при G > 15. Гіб- ридизація CP + GA є перспективним напря- мом розвитку OC ПСАД. Обмеження 0.05jw  запобігає пов- ному зникненню будь-якого компонента. Модуль системи SRA реалізований як C#- клас SraService у складі моноліту. Взаємо- дія з підсистемою OC відбувається через SemesterCompletedEvent (MediatR). Логіка OLS-регресії була реалізована через MathNet.Numerics, щоб зробити імплемен- тацію незалежною від екосистеми Python. Історія вагових коефіцієнтів зберігається в таблиці БД WeightHistory для можливості подальшого аудиту системи. Збіжність даних модуля SRA до w гарантується у разі r ≥ 0.7 та σ_q ≤ 0.01. Це геометрична прогресія, що має коефіцієнт близько 0.46 у випадку значення 0.4 = . За умови κ(Φ) > 30 активується рідж-регресія зі значенням λ=0.01. Кореляція Пірсона ρ(w^k, w^(k−1)) > 0.99 два цикли поспіль переводить SRA у режим моніторингу (опитування раз на два семестри). Обмеження значень w_i ≥ 0.05 забезпечує стійкість до упередженого зво- ротного зв'язку. Збір оцінок задоволеності реалізова- ний через мобільний застосунок та веб інтер- фейс PS. Після закінчення кожного семестру учасники отримують push-сповіщення із за- прошенням оцінити якість розкладу за чоти- рма шкалами (шкала Лайкерта 1–5). Для під- вищення відгуку (response rate) застосову- ються нагадування через 3 і 7 днів після по- чатку опитування. Мінімальний цільовий ві- дгук становить 70% від загальної кількості учасників; у разі нижчого відгуку SRA засто- совує зважену регресію, де ваги спостере- жень обернено пропорційні ймовірності від- повіді (корекція зміщення вибірки). 3.5. Підсистема представлення ре- зультатів (PS). PS реалізує три окремі функ- ціональні модулі: генерація розкладу у фор- матах iCalendar (.ics), Excel (EPPlus) та PDF за допомогою QuestPDF; Blazor Server з MudBlazor для перегляду та ручного коригу- вання розкладу та аналітичного дашборду. Візуальний редактор розкладу з під- тримкою drag-and-drop дозволяє адмініст- ратору системи переміщати заняття між слотами з реальним перерахунком показни- ків F_circ, F_psych, F_cogn. У разі погір- шення значення якості результату диспет- черизації на понад 5% система попереджає адміністратора. Blazor Server використовує SignalR WebSockets для синхронізації стану корис- тувацького інтерфейсу, що забезпечує реа- ктивність без повного перезавантаження сторінки. Експорт даних у форматі iCalendar використовує дані дисципліни, аудиторії, викладача та значення φ. Для повторюва- них подій задається параметр frequency. Да- Архітектура програмного забезпечення 44 ний підхід має сумісність з усіма актуаль- ними системами календарів, такими як Google Calendar, Apple Calendar, Outlook. Колірне відображення значення φ визна- чено зеленим у випадку значення φ > 0,8, жовтим – у разі ([0,5; 0,8]) та червоним - у разі φ < 0,5. Експорт у форматі PDF за допомо- гою пакета QuestPDF використовує таб- лицю розкладу, гістограму φ, радарну діаг- раму F та динаміку ваг SRA. Робота з да- ними виконується асинхронно через BackgroundService для зменшення одномо- ментного навантаження на сервер. 4. Параметри безпеки прототипу Аутентифікація у системі реалізо- вана через JWT-токени з ролевою моделлю: адміністратор (повний доступ), викладач (перегляд, подання оцінок), студент (перег- ляд, подання оцінок). Для оптимізації нава- нтаження використовується обмеження (rate limiting) з параметрами 100 запитів на хвилину для читання та 10 запитів на хви- лину для ресурсоємних операцій, як-от екс- порт даних. Моніторинг модулів реалізовано че- рез .NET Diagnostics API (System.Diagnostics.Metrics). Ключові мет- рики OC: тривалість оптимізації (гістог- рама), кількість поколінь (лічильник), фіна- льне F (gauge). Метрики SRA: кількість уча- сників опитування, кореляція w із w , від- хил ‖w− w ‖₂. Експорт метрик через Prometheus.NET до Grafana. SQL Server Agent здійснює автоматичне резервне копі- ювання на щоденній основі у години міні- мального навантаження на систему. Безпека API забезпечується на трьох рівнях. На рівні транспорту використову- ється TLS для всіх з’єднань. На рівні аутен- тифікації застосовуються JWT-токени з терміном дії 8 годин, refresh-токени з термі- ном 30 днів. На рівні авторизації викорис- товується RBAC з трьома ролями: адмініс- тратор (повний доступ, включаючи запуск оптимізації та перегляд метрик SRA), ви- кладач (перегляд розкладу, подання оцінок задоволеності, перегляд своїх метрик), сту- дент (перегляд розкладу своєї групи, по- дання оцінок задоволеності). Всі дії запису- ються в аудит лог системи для можливості подальшого аудиту. 5. Результати експериментальної перевірки 5.1. Умови експерименту. Архітек- тура ПСАД верифікована розгортанням прототипу як Windows Service на Windows Server. Тестовими вхідними даними є 400 студентів, 18 груп, 60 викладачів, 42 дисци- пліни, хронотипові профілі MEQ та мат- риця S, що є аналогічним набором даних у порівнянні з попереднім дослідженням [1]. Порівнювались 4 конфігурації: Baseline GA, CPC-GA, AWM-GA та АМД. Кожна з конфігурацій мала 30 незалежних запусків. Прототип розгорнуто на сервері AMD EPYC 7502P і 24 ГБ ECC RAM, Windows Server (IIS, .NET, MS SQL). Ядро модуля системи OC реалізовано на C# з ви- користанням Parallel.For (.NET ThreadPool) для паралельного обчислення метрик. SRA використовує MathNet.Numerics; PS вико- ристовує EPPlus та QuestPDF. Таблиця 1. Показники збіжності алгоритмів (середнє ± σ по 30 запусках) Кон- фіг. F у разі 100 по к. F у разі 500 по к. t(F>0.75), хв σ фін. Baselin e GA 0.53 ± 0.04 0.71 ± 0.04 58.2 ± 4.8 0.04 3 CPC- GA 0.59 ± 0.04 0.76 ± 0.04 41.3 ± 4.1 0.03 7 AWM- GA 0.57 ± 0.04 0.74 ± 0.04 45.6 ± 4.3 0.03 9 АМД 0.64 ± 0.03 0.84 ± 0.03 38.4 ± 3.7 0.02 9 5.2. Результати збіжності. Конфігу- рація АМД скорочує t(F>0.75) на 34.0% ві- дносно Baseline (38.4 проти 58.2 хвилин) та підвищує фінальне F до 0.84 (зі зростанням на 18.3%). Зниження σ (0.029 проти 0.043) підтверджує стабільність алгоритму. Абла- ційний аналіз: CPC вносить збільшення на 7.0% F при 500 поколіннях відносно Baseline, AWM вносить збільшення на 4.2%, їхня комбінація забезпечує додаткові 18.3% за рахунок синергетичного ефекту. Архітектура програмного забезпечення 45 5.3. Гіперпараметри. Параметр β (AWM) має оптимальне значення при 2.0 = (F = 0.84, 0.029 = ). При 0.5 = AWM приблизно дорівнює рівномірній му- тації (F = 0.72), а при 5.0 = призводить до передчасної збіжності (F = 0.77, 0.048 = ). Параметр α (SRA EMA) має оптимум 0.4. = При значенні 0.2 = система реа- гує надто повільно (‖w− w ‖₂ = 0.031 після 3 циклів), а значення 0.8 = спричиняє не- стабільні коливання (σ(w) = 0.04). Таблиця 2. Динаміка адаптації ваг через SRA (еталон w = (0.15; 0.30; 0.35; 0.20)) Ци кл SR A 1w 2w 3w 4w ‖w − w ‖₂ Ета лон w 0.150 0.300 0.350 0.200 – w⁰ (по ч.) 0.250 0.250 0.250 0.250 0.1 52 w¹ (1 сем .) 0.192 0.278 0.311 0.219 0.0 89 w² (2 сем .) 0.167 0.292 0.336 0.205 0.0 39 w³ (3 сем .) 0.156 0.298 0.347 0.199 0.0 11 SRA за 3 цикли скорочує ‖w− w ‖₂ з 0.152 до 0.011 (зі зменшенням значення на 92.8%), кореляція зростає з 0.61 до 0.89. До- мінуючим напрямком є: ↑ 3w (psych), ↑ 2w (circ), ↓ 1w (tech). Тобто учасники навчаль- ного процесу цінують психологічний ком- форт і хронотипову відповідність вище, ніж формальну відсутність конфліктів. 5.4. Обчислювальна вартість. Збі- льшення часу покоління на 11.8 ± 0.9% було досягнуто на конфігурації AMD EPYC 7502P, 1 потік. Загальна вартість досяг- нення F > 0.75 є меншою, ніж у Baseline, че- рез скорочення поколінь на 34%. Тобто для 18 груп значення часу складає 38.4 ± 3.7 хвилин на 1 потоці та у випадку 4 потоків (Parallel.For) це 12 ± 1.8 хв. Фактично, у да- ному випадку паралелізація обчислень на- дає прямо пропорційне збільшення ККД усього процесу. Під час розрахунку використовува- ного обсягу оперативної пам’яті (RAM) було отримано наступні значення. Кожна хромосома займає 6×8×18×2×4 = 13 824 байти (int32 для e та r). Таким чином, попу- ляція з 200 особин потребує приблизно 2.7 МБ оперативної пам’яті. Кешовані метрики m(x) додають 200×3×8 = 4 800 байт, що є незначним фактором. У разі горизонталь- ного масштабування на k вузлів загальний обсяг пам’яті зростає лінійно, тобто k×2.7 МБ для популяцій з накладними витратами на серіалізацію у випадку міграції у JSON з 15 КБ на учасника навчального процесу. Для k=4 загальний обсяг оперативної пам’яті складає до 11 МБ, що є не критич- ним навантаженням для сучасних серверів. 6. Обговорення Архітектура модульного моноліту ПСАД на .NET та Windows Server реалізує чотири модулі (DCS, OC, SRA, PS) з ізоля- цією через MediatR і EF та публічні інтер- фейси. Ізоляція модулів забезпечує незале- жне тестування та інтеграцію в існуючу ін- фраструктуру ЗВО, що використовує ОС Windows без додаткової інфраструктури. Обмеження: SRA потребує 3 семес- три для стабілізації ваг. Перші 2 семестри система функціонує з наближеними вагами (‖w− *w ‖₂ > 0.05). Для нових ЗВО рекомен- дується прискорена адаптація ( 0.6 = ) у першому семестрі. Лінійна модель SRA не відображає нелінійні залежності задоволе- ності у разі різких змін контингенту; у та- ких випадках рекомендується скидання ваг. Порівняно з монолітними систе- мами, як наприклад FET та UniTime, ПСАД не потребує додаткової інфраструктури поза Windows Server та MS SQL, яка вже розгорнута у більшості Українських ЗВО. Модульний моноліт на .NET розгортається як служба ОС Windows за допомогою PowerShell DSC без додаткових інструмен- тів. Для малих ЗВО, у яких навчається до 20 Архітектура програмного забезпечення 46 груп студентів, система працює на MS SQL Express із мінімальними вимогами до опе- раційної системи. Жодна з відомих систем, таких як Mimosa, aSc, FET або UniTime, не поєднує адаптивні ваги, хронобіологічну модель та зворотний зв'язок з усіма учасниками нав- чального процесу. ПСАД є першою реалі- зацією, що об'єднує всі три в єдиній .NET архітектурі [3, 16]. Рефакторинг програмного коду у мі- кросервіси (gRPC замість MediatR) потре- бує орієнтовно до 60 людино-годин за умови роботи спеціалістів середнього рі- вня. Поточний вибір монолітної архітек- тури обумовлений інфраструктурними об- меженнями українських ЗВО [20]. Процес розроблення даного програ- много забезпечення має наступні перспек- тиви: (1) інтеграція з моніторингом успіш- ності для збагачення Φ; (2) DL для прогнозу оптимальних слотів; (3) мобільний застосу- нок з рекомендаціями щодо часу самопідго- товки [6]. Порівняння ПСАД із комерційними системами планування демонструє принци- пову відмінність у підході. Системи, як-от FET та UniTime, орієнтовані на ручне нала- штування вагових параметрів адміністрато- ром з подальшою фіксацією конфігурації на весь термін використання. Практичне впровадження ПСАД у ЗВО вимагає виконання трьох підготовчих кроків. Перший передбачає збір хронотипо- вих профілів через MEQ-опитувальник на початку академічного року (оцінений час: 20 хвилин на учасника, загалом до 2 тижнів для всього контингенту). Другий полягає у формуванні матриці когнітивної сумісності дисциплін S за участю методистів кафедр (оцінений час: 3 робочі дні). Третій охоп- лює інтеграцію з існуючою деканатською системою через REST API DCS (оцінений час: 2 тижні розробки адаптера). Після цих базових кроків система готова до повністю автоматичного складання та адаптації роз- кладу навчальних занять. 7. Висновки – Запропонована архітектура модуль- ного моноліту ПСАД на .NET реалізує чо- тири модулі (DCS, OC, SRA, PS) з ізоляцією через MediatR, EF Core та публічні інтер- фейси. Ізоляція модулів системи надає мо- жливість незалежного тестування та інтег- рації в існуючі АСУ без модифікації про- грамного коду ядра системи. – Ядро підсистеми OC реалізують оператори CPC та AWM, що переносять ан- тропоцентричні обмеження на рівень стру- ктури генетичних операцій. Верифікація підтверджує скорочення часу збіжності на 34% та підвищення якості розв'язку на 18.3% порівняно з Baseline GA при збіль- шенні часу покоління лише на 11.8%. – Підсистема SRA автоматично кори- гує вагові коефіцієнти через OLS-регресію зворотного зв'язку з EMA ( 0.4 = ) та ниж- нім обмеженням (wᵢ ≥ 0.05). За 3 цикли ро- боти алгоритму кореляція з еталонними ва- гами зростає з 0.61 до 0.89 у разі стійкості до шуму σ ≤ 0.01. – Перспективами розвитку системи є реалізація паралельної острівної версії під- системи OC (до 16 вузлів з оцінкою масш- табування), заміна лінійної регресії SRA на RL-агент для нелінійних залежностей задо- воленості та розробка модуля динамічного перепланування розкладу впродовж семес- тру. Література 1. Goldin A. P. et al. Interplay of chronotype and school timing predicts school performance. Nature Human Behaviour, 2020. Vol. 4. No. 4. P. 387–396. 2. Jankowski K. S., Díaz-Morales J. F., Vollmer C. Chronotype, time of day, and performance on intelligence tests in the school setting. Jour- nal of Intelligence, 2023. Vol. 11. No. 1. Art. 13. DOI: https://doi.org/10.3390/jintelli- gence11010013 3. Ситнік О. О. Антропоцентрична модель синтезу розкладу занять у ЗВО авіакосміч- ного профілю. Aerospace Technic and Tech- nology, 2025. № 6 (215). С. 1–12. DOI: https://doi.org/10.32620/aktt.2025.6.07 4. Rodríguez Ferrante G. et al. A better align- ment between chronotype and school timing is associated with lower grade retention. npj Sci- ence of Learning, 2023. Vol. 8. Article 21. 5. Al-Rfooh O. F., Khater W. The impact of chrono- type on physical health, psychological health, and job performance among health care provid- ers in acute care settings. International Journal of Healthcare Management, 2023. Vol. 16. No. 4. P. Архітектура програмного забезпечення 47 581–589. DOI: https://doi.org/10.1080/20479700.2023.2177665 6. Maučec K., Štukovnik V. The relationship be- tween chronotype and academic achievement among Slovene university students: The medi- ating role of trait self-control and sleep quality. Center for Educational Policy Studies Journal, 2024. DOI: https://doi.org/10.26529/cepsj.1790 7. Smarr B. L., Schirmer A. E. 3.4 million real- world learning management system logins re- veal the majority of students experience social jet lag. Scientific Reports, 2018. Article 4793. 8. Abdipoor S., Yaakob R., Goh S. L., Abdullah S. Meta-heuristic approaches for the university course timetabling problem. Intelligent Sys- tems with Applications, 2023. Vol. 19. Art. 200253. DOI: https://doi.org/10.1016/j.iswa.2023.200253 9. Bashab A., Ibrahim A. O., Tarigo Hashem I. A. et al. Optimization techniques in university timetabling problem: Constraints, methodolo- gies, benchmarks, and open issues. Computers, Materials & Continua, 2023. Vol. 74. No. 3. P. 6461–6484. DOI: https://doi.org/10.32604/cmc.2023.034051 10. Rezaeipanah A. et al. A hybrid algorithm for the university course timetabling problem us- ing the improved parallel genetic algorithm and local search. Applied Intelligence, 2021. Vol. 51. P. 467–492. DOI: https://doi.org/10.1007/s10489-020-01833-x 11. Mahlous A. R., Mahlous H. Student timeta- bling genetic algorithm accounting for student preferences. PeerJ Computer Science, 2023. Vol. 9. Article e1200. DOI: https://doi.org/10.7717/peerj-cs.1200 12. Davison M., Kheiri A., Zografos K. G. Model- ling and solving the university course timeta- bling problem with hybrid teaching considera- tions. Journal of Scheduling, 2024. Vol. 28. P. 195–215. DOI: https://doi.org/10.1007/s10951-024-00817-w 13. Zanevych O., Kukharskyy V. Overview of ma- chine learning methods for academic schedul- ing. Electronics and Information Technologies, 2024. Vol. 27. DOI: https://doi.org/10.30970/eli.27.8 14. Horne J. A., Ostberg O. A self-assessment questionnaire to determine morningness- eveningness in human circadian rhythms. In- ternational Journal of Chronobiology, 1976. Vol. 4. No. 2. P. 97–110. 15. Eiben A. E., Smith J. E. Introduction to Evolu- tionary Computing, 2nd ed. Springer, Berlin, 2015. 302 p. 16. Ситнік О., Вдовітченко О. Математичні структури та засоби антропоцентричної диспетчеризації у закладах вищої освіти. Open Information and Computer Integrated Technologies, 2025. № 105. С. 212–226. DOI: https://doi.org/10.32620/oikit.2025.105.17 17. Chen M. C. et al. A survey of university course timetabling problem: Perspectives, trends and opportunities. IEEE Access, 2021. Vol. 9. P. 106515–106529. DOI: https://doi.org/10.1109/ACCESS.2021.3100613 18. Gu X., Krish M., Sohail S. et al. From integer programming to machine learning: A technical review on solving university timetabling prob- lems. Computation, 2025. Vol. 13. No. 1. Art. 10. DOI: https://doi.org/10.3390/computa- tion13010010 19. Zanevych O. B., Kukharskyy V. M. Solving uni- versity timetabling problems using constraint programming with adaptive local search and elite solution memory. Visnyk of the Lviv Uni- versity. Series Applied Mathematics and Com- puter Science, 2025. Vol. 34. DOI: https://doi.org/10.30970/vam.2025.34.13638 20. Носиков О., Ситнік О. Формування єдиного інформаційного простору в закладах вищої освіти: виклики, рішення та перспективи розвитку. Open Information and Computer Integrated Technologies, 2025. № 104. С. 200–213. DOI: https://doi.org/10.32620/oikit.2025.104.13 References 1. Goldin, A. P. et al. (2020), Interplay of chrono- type and school timing, Nature Human Behav- iour, Vol. 4, No. 4, P. 387–396. 2. Jankowski, K. S., Díaz-Morales, J. F., Vollmer, C. (2023), Chronotype, time of day, and performance on intelligence tests in the school setting, Journal of Intelligence, Vol. 11, No. 1, Art. 13. DOI: https://doi.org/10.3390/jintelligence11010013 3. Sytnik, O. O. (2025), Anthropocentric model of class scheduling in HEI of aerospace profile, Aerospace Technic and Technology, No. 6 (215), P. 1–12. DOI: https://doi.org/10.32620/aktt.2025.6.07 4. Rodríguez Ferrante, G. et al. (2023), A better alignment between chronotype and school tim- ing, npj Science of Learning, Vol. 8, Article 21. 5. Al-Rfooh, O. F., Khater, W. (2023), The impact of chronotype on physical health, psychological health, and job performance among health care providers, International Journal of Healthcare Management, Vol. 16, No. 4, P. 581–589. DOI: https://doi.org/10.1080/20479700.2023.2177665 Архітектура програмного забезпечення 48 6. Maučec, K., Štukovnik, V. (2024), The rela- tionship between chronotype and academic achievement among Slovene university stu- dents, Center for Educational Policy Studies Journal. DOI: https://doi.org/10.26529/cepsj.1790 7. Smarr, B. L., Schirmer, A. E. (2018), 3.4 mil- lion real-world LMS logins reveal social jet lag, Scientific Reports, Article 4793. 8. Abdipoor, S., Yaakob, R., Goh, S. L., Abdul- lah, S. (2023), Meta-heuristic approaches for the university course timetabling problem, In- telligent Systems with Applications, Vol. 19, Art. 200253. DOI: https://doi.org/10.1016/j.iswa.2023.200253 9. Bashab, A., Ibrahim, A. O., Tarigo Hashem, I. A. et al. (2023), Optimization techniques in university timetabling problem, Computers, Materials & Continua, Vol. 74, No. 3, P. 6461–6484. DOI: https://doi.org/10.32604/cmc.2023.034051 10. Rezaeipanah, A. et al. (2021), A hybrid algo- rithm for the university course timetabling problem, Applied Intelligence, Vol. 51, P. 467– 492. DOI: https://doi.org/10.1007/s10489- 020-01833-x 11. Mahlous, A. R., Mahlous, H. (2023), Student timetabling genetic algorithm accounting for preferences, PeerJ Computer Science, Vol. 9, Article e1200. DOI: https://doi.org/10.7717/peerj-cs.1200 12. Davison, M., Kheiri, A., Zografos, K. G. (2024), Modelling and solving the university course timetabling problem with hybrid teach- ing considerations, Journal of Scheduling, Vol. 28, P. 195–215. DOI: https://doi.org/10.1007/s10951-024-00817-w 13. Zanevych, O., Kukharskyy, V. (2024), Over- view of machine learning methods for aca- demic scheduling, Electronics and Information Technologies, Vol. 27. DOI: https://doi.org/10.30970/eli.27.8 14. Horne, J. A., Ostberg, O. (1976), A self-assess- ment questionnaire to determine morningness- eveningness, International Journal of Chrono- biology, Vol. 4, No. 2, P. 97–110. 15. Eiben, A. E., Smith, J. E. (2015), Introduction to Evolutionary Computing, 2nd ed., Springer, Berlin, 302 p. 16. Sytnik, O., Vdovitchenko, O. (2025), Mathe- matical structures and tools for anthropocentric dispatching in higher education institutions, Open Information and Computer Integrated Technologies, No. 105, P. 212–226. DOI: https://doi.org/10.32620/oikit.2025.105.17 17. Chen, M. C. et al. (2021), A survey of university course timetabling problem: Perspectives, trends and opportunities, IEEE Access, Vol. 9, P. 106515–106529. DOI: https://doi.org/10.1109/ACCESS.2021.3100613 18. Gu, X., Krish, M., Sohail, S. et al. (2025), From integer programming to machine learning: A technical review on solving university timeta- bling problems, Computation, Vol. 13, No. 1, Art. 10. DOI: https://doi.org/10.3390/compu- tation13010010 19. Zanevych, O. B., Kukharskyy, V. M. (2025), Solving university timetabling problems using constraint programming with adaptive local search and elite solution memory, Visnyk of the Lviv University. Series Applied Mathematics and Computer Science, Vol. 34. DOI: https://doi.org/10.30970/vam.2025.34.13638 20. Nosikov, O., Sytnik, O. (2025), Formation of a unified information space in higher education institutions, Open Information and Computer Integrated Technologies, No. 104, P. 200–213. DOI: https://doi.org/10.32620/oikit.2025.104.13 Дата першого надходження до видання: 06.04.2026 Внутрішня рецензія отримана: 23.04.2026 Зовнішня рецензія отримана: 29.04.2026 Дата прийняття статті до друку: 05.06.2026 Дата публікації: 29.06.2026 Про авторів: Ситнік Олег Олександрович, аспірант кафедри інженерії програмного забезпечення Sytnik Oleg, Post-graduate student ORCID: 0009-0009-4504-3489. Місце роботи авторів: Національний аерокосмічний університет «Харківський авіаційний інститут», National Aerospace University “Kharkiv Aviation Institute” вул. Чкалова, 17, Харків, Україна, 61070. E-mail: o.sytnik@khai.edu
id	pp_isofts_kiev_ua-article-1024
institution	Problems in programming
keywords_txt_mv	keywords
language	Ukrainian
last_indexed	2026-06-30T01:00:16Z
publishDate	2026
publisher	PROBLEMS IN PROGRAMMING
record_format	ojs
resource_txt_mv	ppisoftskievua/6c/e116fe67fdc9c7de093b5b6ba3d9ca6c.pdf
spelling	pp_isofts_kiev_ua-article-10242026-06-29T10:43:50Z Software system architecture for anthropocentric scheduling of educational workload in higher education institutions Архітектура програмної системи антропоцентричної диспетчеризації навчального навантаження у ЗВО Sytnik, O.O. software architecture; modular monolith; anthropocentric scheduling; evolutionary algorithm; chronotype; genetic operators; adaptive learning; technical higher education institution UDC 004.4’22:378.1 програмна архітектура; модульний моноліт; антропоцентрична диспетчеризація; еволю ційний алгоритм; хронотип; генетичні оператори; адаптивне навчання; заклад вищої освіти технічного профілю УДК 004.4’22:378.1 The article examines the architecture of a software system designed for anthropocentric dispatching of academic workload in technical higher education institutions. The system is implemented as a modular monolith on the .NET platform running under Windows Server. The software complex consists of four distinct functional mod ules: data collection and storage, the optimization core, adaptive learning, and result presentation to the user. Inter-module communication is carried out through an internal event processing subsystem and via asynchronous calls through dependency injection container interfaces. The optimization core implements a hybrid evolutionary dispatching algorithm with two specialized genetic operators. The first of them, the chronotype-preserving crossover operator, selects cut points proportional to the difference in circadian contributions between the parent individuals. The next step is the anthropocentric muta tion operator with weighted slot selection, which allocates the mutation budget to the lowest-quality slots. The weight coefficients of the multi-criteria objective function are adapted between semesters through a satisfaction regression mechanism. This process uses the least squares method with participant feedback applied. To obtain more accurate results, the exponential moving average method is used without manual parameter tuning. The implementation details of the software using this algorithm are provided below. The algorithm's comparative analysis was conducted on test data from a higher education institution, comprising 400 students, 60 instructors, and 42 disciplines. Across 30 independent runs, a 34% reduction in algorithm con vergence time and an 18.3% improvement in schedule quality were confirmed compared to a conventional ge netic algorithm. The satisfaction regression mechanism across three adaptation cycles increases the correlation between the weight coefficients and the actual participant priorities from 0.61 to 0.89.Problems in programming 2026; 2: 37-48 У статті розглядається архітектура програмної системи, призначеної для антропоцентричної диспетче ризації навчального навантаження у закладах вищої освіти технічного профілю. Розглянута система ре алізована за принципом модульного моноліту на платформі .NET під управлінням операційної системи Windows Server. Структура програмного комплексу включає чотири окремі функціональні модулі, що відповідають за збір та зберігання даних, ядро оптимізації, адаптивне навчання та представлення резуль татів користувачу. Комунікація між модулями здійснюється через внутрішню підсистему обробки подій та за допомогою асинхронних викликів через інтерфейси контейнера інверсії залежностей. Ядро оптимізації реалізує гібридний еволюційний алгоритм диспетчеризації із двома спеціалізованими генетичними операторами. Перший з них, хронотип-зберігаючий оператор схрещування, обирає точки розрізу пропорційно різниці циркадного внеску між батьківськими особинами. Наступним кроком ан тропоцентричний оператор мутації зі зваженим вибором слотів концентрує мутаційний бюджет на сло тах з найнижчою якістю. Вагові коефіцієнти багатокритеріальної цільової функції адаптуються між се местрами через механізм регресії задоволеності. Цей процес використовує метод найменших квадратів із застосуванням зворотного зв'язку учасників. Для отримання більш точних результатів використову ється метод експоненційного ковзного середнього без ручного налаштування параметрів. Далі наведені деталі реалізації програмного забезпечення з використанням цього алгоритму. Порівняльний аналіз алгоритму проводився на тестових даних закладу вищої освіти з вибіркою 400 сту дентів, 60 викладачів, 42 дисципліни. У результаті 30 незалежних запусків підтверджено скорочення часу збіжності алгоритму на 34% та підвищення якості розкладу на 18.3% у порівнянні із загальновикористо вуваним генетичним алгоритмом. Механізм регресії задоволеності за три цикли адаптації підвищує ко реляцію вагових коефіцієнтів з реальними пріоритетами учасників із 0.61 до 0.89.Problems in programming 2026; 2: 37-48 PROBLEMS IN PROGRAMMING ПРОБЛЕМЫ ПРОГРАММИРОВАНИЯ ПРОБЛЕМИ ПРОГРАМУВАННЯ 2026-06-29 Article Article application/pdf https://pp.isofts.kiev.ua/index.php/ojs1/article/view/1024 PROBLEMS IN PROGRAMMING; No 2 (2026); 37-48 ПРОБЛЕМЫ ПРОГРАММИРОВАНИЯ; No 2 (2026); 37-48 ПРОБЛЕМИ ПРОГРАМУВАННЯ; No 2 (2026); 37-48 1727-4907 uk https://pp.isofts.kiev.ua/index.php/ojs1/article/view/1024/1092 Copyright (c) 2026 PROBLEMS IN PROGRAMMING
spellingShingle	software architecture modular monolith anthropocentric scheduling evolutionary algorithm chronotype genetic operators adaptive learning technical higher education institution UDC 004.4’22:378.1 Sytnik, O.O. Software system architecture for anthropocentric scheduling of educational workload in higher education institutions
title	Software system architecture for anthropocentric scheduling of educational workload in higher education institutions
title_alt	Архітектура програмної системи антропоцентричної диспетчеризації навчального навантаження у ЗВО
title_full	Software system architecture for anthropocentric scheduling of educational workload in higher education institutions
title_fullStr	Software system architecture for anthropocentric scheduling of educational workload in higher education institutions
title_full_unstemmed	Software system architecture for anthropocentric scheduling of educational workload in higher education institutions
title_short	Software system architecture for anthropocentric scheduling of educational workload in higher education institutions
title_sort	software system architecture for anthropocentric scheduling of educational workload in higher education institutions
topic	software architecture modular monolith anthropocentric scheduling evolutionary algorithm chronotype genetic operators adaptive learning technical higher education institution UDC 004.4’22:378.1
topic_facet	software architecture modular monolith anthropocentric scheduling evolutionary algorithm chronotype genetic operators adaptive learning technical higher education institution UDC 004.4’22:378.1 програмна архітектура модульний моноліт антропоцентрична диспетчеризація еволю ційний алгоритм хронотип генетичні оператори адаптивне навчання заклад вищої освіти технічного профілю УДК 004.4’22:378.1
url	https://pp.isofts.kiev.ua/index.php/ojs1/article/view/1024
work_keys_str_mv	AT sytnikoo softwaresystemarchitectureforanthropocentricschedulingofeducationalworkloadinhighereducationinstitutions AT sytnikoo arhítekturaprogramnoísistemiantropocentričnoídispetčerizacíínavčalʹnogonavantažennâuzvo

Software system architecture for anthropocentric scheduling of educational workload in higher education institutions

Репозитарії

Схожі ресурси