جوکوییم[۶۰] در سال ۲۰۰۸ در مقالهای با عنوان “سیستم اتوماتیک برنامه امتحانی با بهره گرفتن از الگوریتم ژنتیک ” روشی برای حل جدول زمانی برنامه امتحانی اتوماتیک ارائه می شود. بین چندین مدل ریاضی ارائه شده در نهایت برای یک مدل ماتریسی که به وسیله تابع سود تعریف شده، با بهره گرفتن از الگوریتم حل، توجیه می شود.
روش حل، یک روش متاهیوریستیکی است که شامل الگوریتم ژنتیک میباشد، این مدل در مؤسسه آموزشی دبیرستان انجام شده، نتایج به دستآمده در مثال واقعی و پیچیده بسیار رضایتبخش بوده و جدول زمانی برنامه امتحانی بسیار منظم شکل گرفته است.
تسای و لی[۶۱] در سال ۲۰۰۹ در مقاله خود با عنوان “مدلسازی دو مرحله ای با بهره گرفتن از الگوریتم ژنتیک برای مسئله برنامه زمانبندی پرستاران” با در نظر گرفتن الزامات، مقررات دولتی و ترجیحات شیفت پرسنل پرستاری، در مرحله اول کار پرستاران و زمان تعطیلات آن ها چیده میشوند و از الگوریتم ژنتیک برای حل و بهینه کردن زمانبندی و برای بررسی هر گونه تخطی از مقررات دولت، الزامات مدیریت بیمارستانی و زمانبندی منصفانه استفاده می شود و در مرحله دوم فهرستی از برنامه پرستاران مرتب شده است و الگوریتم ژنتیک برای حل برنامه بهینه به تصویب میرسد و نتایج نشان داده که این الگوریتم ابزار مؤثری برای حل مشکل برنامه زمانبندی پرستاران میباشد، علاوه بر این می تواند برای موارد مختلف که در بیمارستان با آن مواجه میشوند، به راحتی آن را اصلاح کنند.
ادموند و همکاران[۶۲] در سال ۲۰۱۰، در مقاله خود با عنوان “تجزیه و تحلیل، فرمولهسازی و استنباط برنامه جدولزمانی دانشگاه” فقط یک جز مشکل به صورت محاسباتی سخت تعریف کرده اند و در ابتدا به مجموعه ای از تابع هدف توجه شده، این تولید جواب ابتدایی است که همسایگان مناسب را در فضای حل مسئله به صورت کامل تعریف می کند. اغلب ممکن است متغیرهای موافق جز ابتدایی، در اولین مرحله شکل بگیرند و همسایگان بتوانند جوابهای مناسب را در آینده تضمین کنند. استفاده از برنامه ریزی عدد صحیح می تواند با کیفیت بالا، تولید جوابهای ذهنی را آسان کند. این مطالعه در یک برنامه جدول زمانی دانشگاه که در رقابت جدول زمانی بینالمللی[۶۳] سال ۲۰۰۷ آورده شده، استفاده شده است.
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.