بابایی و حیدر­زاده در مقاله خود با عنوان ” مروری بررهیافت­های تحقیق درعملیات برروی مسئله­ جدول زمان­بندی دروس دانشگاهی ” با هدف دسته­بندی کردن رهیافت­های تحقیق درعملیات جهت حل مسئله جدول زمان­بندی دروس دانشگاهی درسه کلاس تکنیک مبتنی برتئوری رنگ­آمیزی گراف، متد برنامه­ ریزی خطی و برنامه­ ریزی عدد صحیح و تکنیک مبتنی برقید حل این مسئله را بررسی کرده­است.

شفیعی در سال ۱۳۹۱، در پایان نامه خود با عنوان ” حل مسئله جدول زمان­بندی دروس دانشگاه ” مبنای حل مسئله جدول زمان­بندی، روش رنگ­آمیزی گراف است که گامی جدید در بهبود فرایند آموزش توسط یکی از جدیدترین روش­های مورد بحث در دنیای فناوری­ها و نرم­افزارهای آموزشی ‌می‌باشد.گراف مذکور را با یک الگوریتم بهینه و با رعایت تمامی محدودیت­های قوی (شرایط ضروری جهت صحت و کارایی جداول زمان­بندی)، و محدودیت­های ضعیف (شرایط اضافی که باعث بهبود جداول زمان­بندی می­شوند)و اعمال نظرات و خواسته­ های دانشجویان و اساتید، رنگ­آمیزی کرده و آن را به یک جدول زمان­بندی بدون تداخل تبدیل می­ کند.

۲-۳-۳- مطالعات خارجی

آبرامسون^[۴۴] در سال ۱۹۹۱ در مقاله­ای با عنوان ” حل مسئله جدول­زمانی با بهره گرفتن از تبرید شبیه­سازی­شده ” به حل مسئله جدول زمانی اشاره دارد، این مسئله شامل چندین نوع برنامه­ ریزی است، نظیر کلاس دانشجویان، اساتید و اتاق­ها و از طرفی برنامه بازه ­های زمانی را شامل می­ شود. برای حل از روش مونت­کارلو که همان تبرید شبیه سازی شده گفته می­ شود جهت بهینه­ سازی استفاده شده­است. ابتدا خود مسئله تعریف شده، سپس روش تبرید­شبیه­سازی شده توضیح داده می­ شود. یک جدول­زمانی نمونه در این شرایط و محیط تهیه شده و نتایج آزمایشی گزارش گردیده­است. نتایج نشان می­دهد که این روش، جواب سریع­تری را نسبت به دیگر روش­ها ارائه کرده­است.

مسعود و بدری و همکاران در سال^[۴۵] ۱۹۹۶ در مقاله خود با عنوان “مدل دومرحله­ای چندهدفه برنامه زمان­بندی دروس دانشگاهی” یک روش بهینه­ سازی دومرحله­ای با در نظر گرفتن ترجیحات زمانی دوره ­های آموزشی و نیز ترجیحات اعضای هیئت علمی، در مرحله اول یک ماتریس که شامل اعضای علمی (ردیف) و دوره­ ها و عواملی نظیر اولویت­ها (ستون) بود را شکل داد. در مرحله دوم این روش را در دانشگاه امارات متحده عربی به کار گرفت و نتایج به همان خوبی ترجیحات را پوشش داده و یک خانه زمانی خاص را پشتیبانی می­کرد.

مسعود و بدری و همکاران^[۴۶] در سال ۱۹۹۷ نیز کار مشابهی نظیر کار قبلی خود انجام دادند با این تفاوت که ماتریس شکل گرفته شامل اولویت دوره­ ها در ردیف­ها (اولین اولویت در اولین خط، دومین اولویت در دومین خط و سومین اولویت در سومین خط) و با حروفی شامل خانه­های زمانی رضایت­بخش در ستون­ها (a برای اولین انتخاب، b برای دومین انتخاب و c برای سومین انتخاب)، که در بخش آمار دانشکده علوم اداری و اقتصاد دانشگاه امارات متحده عربی به کار گرفته شد و نتایج آن نیز به خوبی ترجیحات دوره آموزشی بود و اعضای هیئت علمی را در یک خانه زمانی خاص پشتیبانی می­کرد.

نات و آندرس^[۴۷] در سال ۱۹۹۸، در مقاله خود با عنوان “مسئله زمان­بندی دروس در شرکت آموزش فنی لافتانزا”برای برنامه دوره ­های شرکت آموزش فنی لافتانزا مسئله را فرموله کرده و یک برنامه ذهنی در طول اولویت­های متفاوت به خوبی الگوریتم­های جستجوی محلی برای تخمین خوب وزن­ها برای نقش­های مرکب وزین در نظر ‌گرفته‌اند؛ که با آزمایشات مختلف محاسباتی برای تخمین عملکرد الگوریتم­ها بهترین برنامه را تولید کرده که در واقع بهتر از جواب­های معمولی در شرکت آموزش فنی لافتانزا است.

آلبرتو کولورنی و همکاران^[۴۸] در سال ۱۹۹۸ در مقاله­ای با عنوان “یک الگوریتم ژنتیک برای پاسخ­گویی به مسئله جدول­زمانی” نتایج تحقیقاتی که موارد ممکن را به وسیله الگوریتم ژنتیک برای حل مسئله زمانی وجود دارد را پیشنهاد می­ کند. ابتدا مدلی شامل تعریفی از ساختارهای هیوریستیکی برای تابع هدف و تولید کردن عملگرهای ژنتیکی که بتوانند در ماتریس­های ارائه شده به کار گرفته شوند آورده شده، سپس گزارشی از خروجی­های اجرای سیستم برای تولید جدول­زمانی یک مدرسه که رضایت­بخش نیز بوده است آورده شده­است. بعد از آن مقایسه­ ای بین دو جفت الگوریتم صورت گرفته که نتایج نشان داده است که الگوریتم ژنتیک با جستجوی محلی و جستجوی ممنوع بهتر از تبرید شبیه­سازی شده و روش دستی کار ‌کرده‌است.

بورونیکو^[۴۹] در سال ۲۰۰۰ در مقاله خود با عنوان “مدل­سازی کمی و فناوری رانده برنامه­ ریزی دروس” یک مدل چند­هدفه سلسله­مراتبی به کمک مدیران دانشگاه کسب و کار با برنامه­ ریزی دوره ­های دپارتمان دروس کارشناسی ارائه ‌کرده‌است. مدل ریاضی در رابطه با یک مدل شبیه­سازی رویداد گسسته مورد استفاده قرار گرفته­است که مدلی است برای ثبت­نام پروژه­ های دانشجویان در دوره ­های زمانی. نتایج حاصل از مدل نشان می­دهد برنامه ­های دانشکده کسب و کار باید به اولویت­های مهمی نظیر حداقل کردن تعارضات درسی دانشجویان، محدود کردن استفاده از دانشکده کمکی و پیوستن به ترجیحات در انتساب اعضای هیئت علمی برای یک بخش توجه کند.

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:

1. 1. دامنه خاص نمایندگی کروموزوم و اعمال ژنتیکی

1. 1. تابع تخمین چند هدفه

1. 1. مقداردهی اولیه اکتشافی جمعیت

1. 1. تغییر زمان پویا

1. 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.