هدف، یافتن واگذاری رویدادها به دوره ­های زمانی و کلاس­ها است. بنابر­این واگذاری رویداد­ها به دوره ­های زمانی مناسب با رنگ­آمیزی گراف­ها است و ترکیب خطی اعداد که باید تعداد تناقضات برای محدودیت­ها کمینه­سازی شوند.

در این مطالعه یک تولید­کننده همسایگی، هدف­های محرمانه واگذاری دوره ­های زمانی به رویداد­ها است. با کاهش تعداد چند محدودیت نرمی که در ارتباط با دوره ­های زمانی است واگذاری­ها مرتب شدند و همسایگانی که با توجه به محدودیت­های نرم جستجوی آن­ها راحت­تر است انتخاب می­شوند.

شیائو^[۶۴] در سال ۲۰۱۱ در مقاله خود با عنوان ” ترکیب بهینه­ سازی ازدحام ذرات برای برنامه­زمانی دروس دانشگاهی با تنظیمات قابل انعطاف” وجود یک الگوریتم، شامل برخی ویژگی­ها مثل طراحی نمایندگی یک ارزش مطلق موقعیت برای ذره، به مدرسان اجازه می­دهد که آن­ها در حال حاظر، سخنرانی بر اساس ترجیحات، انعطاف­پذیر در روز مورد نظر و مدت زمان آن­ها، حداکثر تعداد و مدت زمان آموزش رایگان و فرمت سخنرانی (زمان دوره متوالی و یا از هم جدا، دوره ­های زمانی مختلف) و به کارگیری فرایند تعمیر تمام جداول زمانی نشدنی که مکانیزم­ های جستجوهای محلی در این الگوریتم گنجانده شده و در یک دانشگاه معمولی در تایوان مورد آزمایش قرار گرفتند و نتایج تجربی نشان می­دهد که الگوریتم ترکیبی یک راه ­حل کارآمد با رضایت مطلوب برنامه­ ریزی دوره برای مدرسان و ترتیب برنامه­ ریزی کلاس بوده است.

میکائیل و جانتر^[۶۵] در سال ۲۰۱۱ در مقاله خود با عنوان “یک چیدمان زمانی با روش هیوریستیکی برای ساختار بندی جداول زمانی دبیرستان­ها ” رویکردی را برای جدول زمانی دبیرستان ارائه می­ کند، که برای گسترش و آزمون الگوریتم خود از الگوبرداری پروژه­ های واقعی و بین ­المللی موجود در جداول زمانی دبیرستان­ها استفاده ‌کرده‌است. در این رویکرد برای تخصیص جلسات تک­تکی در چیدمان تلاش نشده است. درعوض به صورت مکرر آخرین زمان­ها در تخصیص شبیه­سازی شده قرار ‌می‌گیرد و مجموعه ­ای از جلسات را می­سازند. رویداد­ها و یا منابع ترکیب می­شوند و پارامتر­های مناسب را برای محدودیت­ها می­یابند. نتایج آزمایشی به صورت رقابتی این رویکرد را تصدیق می­ کند.

سانجای و راجان^[۶۶] ۲۰۱۲ در مقاله خود با عنوان ” جدول زمان­بندی دروس دانشگاهی مبتنی بر محدودیت­های سخت با بهره گرفتن از الگوریتم­های ژنتیکی ” با توجه به به چالش کشیدن محدودیت­ها، طراحی مؤثر مدل زمان­بندی را انجام داده ­اند.

هدف از این مطالعه ایجاد یک مدل با بهره گرفتن از الگوریتم ژنتیک است که بتواند برنامه ­های قابل قبول و ممکن را با بهره گرفتن از اعمال ترکیب و جهش تولید نماید. طراحی تابع برازندگی با توجه به محدودیت­های سخت انجام شده است. شبیه­سازی بهترین نتایج را در کم­ترین زمان نمایش می­دهد.

رضایی و همکاران^[۶۷] در سال ۲۰۱۲ در مقاله خود با عنوان “روش ابتکاری جهت برنامه­ ریزی برنامه ­های آموزشی برای شرکت­های کوچک و متوسط” هر یک از برنامه ­های آموزشی را در یک زمان مناسب با توجه به نیازهای شرکت­های کوچک و متوسط و برخی از محدودیت­های منطقی دیگر اجرا کرده ­اند، که روش در جزئیات شرح داده شده و نتایج عددی در مقایسه با روش­های دیگر آمده­است.

آلدی و همکاران^[۶۸] در سال ۲۰۱۲ در مقاله خود با عنوان ” استفاده از روش آزادسازی ضریب لاگرانژ و تبرید شبیه­سازی شده برای حل مسئله جدول زمانی دروس دانشگاهی ” یک جواب به وسیله برنامه­ ریزی ریاضی، مبتنی بر آزادسازی ضریب لاگرانژ بیان ‌می‌کنند و سپس این جواب­ها به وسیله الگوریتم تبرید شبیه­سازی بهبود داده می­ شود. روش مطرح شده در دانشگاهی در اندونزی آزمون شد و نتایج خوب و کاربردی گزارش شد.

عبدالله و ترابیه^[۶۹] در سال ۲۰۱۲ در مقاله خود با عنوان “روش مبتنی بر چند همسایگی با روش جستجوی ممنوع و ممتیک برای مسائل جدول زمانی دروس دانشگاهی” از الگوریتم ترکیبی جستجوی ممنوع و ممتیک استفاده کرده ­اند که مجموعه ­ای از ساختارهای همسایگان را در طول فرایند جستجو با هدف بهبود رضایت بخش در کیفیت جواب­ها استفاده کرده­است. در این مطالعه تکرار ساختار همسایگی به صورت تصادفی تخمین زده شده است.

ابعاد لیست ممنوع برای کنترل بر همسایگان جواب­ها در طول فرایند بهینه­ سازی قبل از اعمال عملگرهای ترکیب و جهش که در انتخاب جواب­ها از سوی جمعیت تولید شده به کار گرفته می­ شود، به ابعاد مسئله بستگی ندارد.

این الگوریتم ساختار همسایگانی را که برای تولید جواب­های بهتر خوب نیستند را جریمه می­ کند. الگوریتم نوشته شده برای تخمین در مقابل آخرین روش­ها در ادبیات تحقیق، با توجه به مسئله الگو برداری استاندارد کاربرد خوبی دارد.

مهیبا و دورای^[۷۰] در سال ۲۰۱۲ در مقاله ای با عنوان “استفاده از الگوریتم جدید با بهره گرفتن از جستجوی پایگاه داده­ای در مسئله جدول زمانی دانشگاهی” از جستجوی محلی برای افزایش فرزندان (­جواب­ها­) و از جستجوی معین برای جواب­ها ساختار داده ­ها مشخص گردیده و استفاده شده است. جستجوی ممنوع نیز برای باقی ماندن جواب­های خوب استفاده شده است، مدل جدید ارائه شده برای حل مسئله جدول زمانی استفاده می­ شود.

قارونی و اکبر زاده^[۷۱] در سال ۲۰۱۲ در مقاله خود با عنوان ” حل جدول زمانی با بهره گرفتن از عملگر­های ارزیابی (جستجوی محلی) ” یک جواب طراحی کرده ­اند که هدف آن گسترش الگوریتم رقابتی و کاربردی کردن عملگرهای ارزیابی برای جداول زمانی است.

برای رسیدن ‌به این اهداف، الگوریتمی معرفی و آزمون شده که از مجموعه الگوبرداری بهره گرفته است. مقایسه آن با دیگر الگوریتم­ها نشان می­دهد، به نتایج خوبی دست یافته ولی نه در تمامی موقعیت­ها، به هر حال نقاط قوت و ضعفی داشته است، برای مطالعات بعدی باید مقایسات بیشتری ‌در مورد دیگر الگوریتم­های ارزیابی انجام شود.

تاتچای و همکاران^[۷۲] در سال ۲۰۱۳ در مقاله خود با عنوان ” الگوریتم مورچگان بر مبنای جداول زمانی ” از سیستم خوب­ترین- بدترین مورچگان (BWAS) و سیستم خوب­ترین-بدترین الگوریتم مورچگان (BWACS) و الگوریتم جستجوی محلی LS استفاده کرده­اندکه برای یافتن جواب­های بهینه گسترش یافته­اند. بهترین جستجوی محلی نشان می­دهد، هر دو BWAS و BWACS بالای ۷۴٫۵% جواب­های خوب را در بر­دارند ولی زمان اجرای آن ها طولانی­تر است.

۲-۴- خلاصه و جمع ­بندی