مونتانا و مارشال[۵۰] در سال ۲۰۰۰ در مقاله خود با عنوان ” الگوریتمهای ژنتیک برای مسائل واقعی و پیچیده زمانبندی دروس دانشگاهی” با توجه به رویکرد خود موارد زیر را در پیش گرفتهاند:
-
- دامنه خاص نمایندگی کروموزوم و اعمال ژنتیکی
-
- تابع تخمین چند هدفه
-
- مقداردهی اولیه اکتشافی جمعیت
-
- تغییر زمان پویا
- همکاری متقابل با اپراتورهای انسانی
برانیمیر و مارین[۵۱] در سال ۲۰۰۲، در مقاله خود با عنوان “حل مسئله جدول زمانبندی به وسیله الگوریتم ژنتیک ” برای حل مسئله برنامه جدولزمانی شرح داده اند، این الگوریتم در موارد کوچک و بزرگ مورد آزمایش قرار گرفته است، عملکرد الگوریتم با اصلاح اپراتورهای ژنتیکی اساسی که تعارضهای جدید ایجاد می کند به میزان قابل توجهی در فرد افزایش مییابد.
ین زن ونگ[۵۲] در سال ۲۰۰۳ در مقاله خود با عنوان “استفاده از روشهای الگوریتم ژنتیک به منظور حل مسائل برنامه زمانبندی دروس دانشگاهی” به محدودیتهایی نظیر تعارض در ساعات تدریس، ساعات ترجیحی اساتید و پیوستگی ساعات درسی اشاره دارد و با در نظر گرفتن این موارد، روشهای الگوریتم ژنتیک را برای مواجه شدن با محدودیتهای چندگانه به کار گرفته و به نتایج بسیار قابل قبولی برای مدرسان در مورد زمانبندی دروس دانشگاهی دست یافته است.
نات و مانوئل[۵۳] در سال ۲۰۰۳ در مقاله خود با عنوان ” یک رویکرد ژنتیکی برای یافتن برنامهزمانی رضایتبخش برای کلاسها ” برای یافتن یک برنامه زمانی خوب که منجر به استفاده صحیح از هر کلاس، در ارتباط با زمان، فضا و محدودیتهای دیگر از اصول الگوریتم ژنتیک استفاده کرده اند. برنامه الگوریتم ژنتیک مقداردهی یک برنامه تصادفی به نمایندگی از یک فرد میباشد.
این فرد توسط جهشها تغییر می کند و توسط تابع برازندگی متناسب اندام میگیرد، که فردی در آن اصلاح یا نگهداری می شود یا دور ریخته می شود. برنامه نهایی برای هر دوره آموزشی با مقدار تابع برازندگی آن نمایش داده می شود.
آیدین و سردار[۵۴] ۲۰۰۳ در مقاله خود با عنوان” الگوریتم ژنتیک مبتنی بر سیستم زمانبندی دروس دانشگاهی ” یک سیستم گسترش یافته شامل یک نرم افزار هوشمند و منعطف تعریف نموده اند که به صورت اتوماتیک وظیفه برنامه زمانبندی دروس را انجام میدهد و تمام ویژگیهای خاص دانشکده مهندسی دانشگاه آتیلیم را یافته است.
هانا و کیت[۵۵] در سال ۲۰۰۳ در مقاله خود با عنوان ” جدول زمانی دروس دانشگاهی با محدودیتهای نرم” طراحی رویکرد و تکنیکهای پاسخ را برای گسترش یک سیستم جدول زمانی در دانشگاه پوردوو توضیح میدهد. اولین مسئله طراحی یک سیستم هوشمند برای کمک به ساختار اجزای بزرگتر دانشگاه مادر است. سپس با اصلاح روشهای جستجو، جوابهای اولیه تولید شده بهبود بخشیده میشوند که برای پاسخگویی به این مسئله کاربرد دارد.
هارولد و مارکون[۵۶] در سال ۲۰۰۵ در مقالهای با عنوان ” یک جستجوی ممنوع هیوریستیکی با استراتژی های مؤثر برای مسئله جدول زمانی استاد – درس ” از روش هیوریستیکی برای پاسخگویی رضایتبخش استفاده شده است، این روش یک جستجوی ممنوع هیوریستیکی با دو حافظه مختلف مبتنی بر استراتژی های مؤثر برای مسئله جدول زمانی استاد – درس است.
نتایج نشان میدهد که کاربرد این روش برای مجموعه ای از این روشها، جوابهای بهتری از روش جستجوی ممنوع مبتدی ارائه می کند.
کوین سال در سال۲۰۰۶، در طرح پژوهشی خود با عنوان ” برنامه زمانبندی اعضای هیئت علمی با بهره گرفتن از الگوریتم ژنتیک” هدف خود را بررسی برنامه های قابل قبول در زمان نسبتاً سریع با بهره گرفتن از تکنیکها و الگوریتمهای ژنتیک معرفی می کند.
جولا و خاتونناصری در سال ۲۰۰۷، در مقالهای با عنوان ” ارائه یک جستجوی محلی جدید برای حل مسئله برنامه ریزی دروس دانشگاهی با بهره گرفتن از الگوریتم ممتیک ” به چگونگی حل مسئله جدولزمانی دروس دانشگاهی به کمک الگوریتم ممتیک پرداختهاند و سپس الگوریتم جستجوی محلی جدیدی که منجر به دستیابی به پاسخهای بهتر برای حل این مسئله می شود، معرفی شدهاست.
تابع شایستگی که سهم عمدهای در زمان اجرای الگوریتم به خود اختصاص میدهد طبق فرمول (۲-۴) محاسبه گردیده:
F(T)=(T) (2-4)
که در آن : میزان جریمه نقض محدودیت j
(T) : تعداد نقضها در جدول برنامه ریزی T و برای هر محدودیت است.
، برای تمام محدودیتهای استفاده شده برابر یک است.
در نتایج پیاده سازی الگوریتم ممتیک در مقایسه جستجوی پیشنهادی با سنت تپه نوردی مشخص شده که روش پیشنهادی می تواند بر روند اجرای الگوریتم تاثیر بسیار مؤثری داشته و زمان همگرایی کروموزومها را به سمت پاسخ بهینه به حداقل ممکن برساند.
هارولد و ادوارد[۵۷] در سال ۲۰۰۸ در مقالهای با عنوان ” محدودیتهای قوی با برش و تولید ستون برای جداولزمانی استاد – درس ” یک برنامه ریزی عدد صحیح را برای شرایط مهم مسئله جدول زمانی استاد – درس فرموله کرده اند که به ترجیحات اساتید و همچنین توزیع درسها در هفته توجه فراوانی شده است. این فرمول شامل تعداد زیادی از متغیرها است که با برش افزایش پیدا کردهاست، سپس با الگوریتم تولید و برش ستون برای پاسخگویی به متعادلسازی استفاده گردیدهاست.
پرومتت و همکاران[۵۸] در سال ۲۰۰۸، در مقاله خود با عنوان ” ابزار بهینه سازی جدول زمانی برای برنامه ریزی زمانی دروس دانشگاهی ” ابزار بهینه سازی جدولزمانی را توضیح میدهد که در یک جدول زمانی دروس دانشگاهی توسعه داده شده است.
الگوریتم ژنتیک و شبیهسازی تبریدتدریجی و جستجوی تصادفی در این ابزار به کار گرفته شدهاند. الگوریتمی که شامل فرایند تعمیر است تمامی جدولهای اصلاح شده را تامین می کند، این الگوریتم برخورد و تلاقی اتاقهای مناسب و بزرگ برای برگزاری کلاسها را در دوره های متناسب با محدودیت نرم تخمین میزند. محدودیتهایی نظیر کمینه کردن جا به جایی دانشجویان، اجتناب از تداخل دانشجویان، رضایت و ترجیحات اساتید برای زمان کلاسها. این الگوریتم توسط دو مجموعه از جوابها و داده های جداول زمانی از یک دانشگاه تست شدهاست. هر دو روش الگوریتم ژنتیک و تبرید تدریجی یک جدول زمانی بسیار خوب زمانی تولید کرده اند اما نتایج نشان دادهاست استفاده از تبرید تدریجی به مراتب بهتر از الگوریتم ژنتیک است ولی الگوریتم ژنتیک، ۵۴% سریعتر از تبرید تدریجی کار کردهاست.