حل مسأله زمان بندی دروس دانشگاهی با استفاده از الگوریتم دسته ماهی های مصنوعی با قابلیت اولویت های انعطاف پذیر

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

 حل مسأله زمان بندی دروس دانشگاهی با استفاده از الگوریتم دسته ماهی های مصنوعی با قابلیت اولویت های انعطاف پذیر دارای ۹ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد حل مسأله زمان بندی دروس دانشگاهی با استفاده از الگوریتم دسته ماهی های مصنوعی با قابلیت اولویت های انعطاف پذیر  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی حل مسأله زمان بندی دروس دانشگاهی با استفاده از الگوریتم دسته ماهی های مصنوعی با قابلیت اولویت های انعطاف پذیر،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن حل مسأله زمان بندی دروس دانشگاهی با استفاده از الگوریتم دسته ماهی های مصنوعی با قابلیت اولویت های انعطاف پذیر :

تعداد صفحات :۹

چکیده مقاله:

مسأله زمان بندی دروس به عنوان یکی از مسائل NP-Hard شناخته می شود. هدف این مسأله تخصیص یک سری منابع مانند اساتید، دروس و دانشجویان به یک سری بازه های زمانی ثابت و محدود به شرط ارضاء تعداد زیادی محدودیت بوده که در سال های اخیر مورد توجه محققین قرار گرفته است. برای حل این مسأله استفاده از روش های مختلف فرا ابتکاری به جای الگوریتم های کلاسیک کاربرد زیادی پیدا کرده است. یکی از محدودیت های این مسأله قابلیت در نظر گرفتن اولویت های مختلف برای عوامل مختلفی نظیر اساتید است. در این مقاله روشی برای حل مسأله زمان بندی دروس با قابلیت اولویت های انعطاف پذیر با استفاده از الگوریتم های دسته ماهی های مصنوعی ارائه شده است که در آن به اساتید و کلاس ها این امکان داده می شود که اولویت های خود برای تدریس در ساعات موردنظر هفته را در جدولی مخصوص به خود مشخص نمایند. به عبارت دیگر قابلیت اولویت های انعطاف پذیر باعث ایجاد تعاملی خوب بین اساتید و برنامه ی زمان بند می شود که این امر رضایت اساتید را در پی دارد. نتایج به دست آمده از آزمایش های صورت گرفته بر روی روش پیشنهادی حاکی از آن است که الگوریتم دسته ماهی های مصنوعی برنامه زمان بندی بهتری نسبت به الگوریتم های بهینه سازی ازدحام ذرات و ژنیتک ارائه می دهد.