Dergiler / Uluslararası Ekonomi ve Yenilik Dergisi / 2022 / Cilt: 8 - Sayı: 1

Sezgisel Algoritmalar Yardımıyla Ders Programı Optimizasyonu

Course Scheduling Optimization with the Help of Heuristic Algorithms

Sayfa
1–18
Yayın Tarihi
2022-04-14
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Ayrıca kullanılan algoritmalar, çalışma zamanı ve çözüme yakınsama açısından değerlendirilerek performansları karşılaştırılmıştır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Günümüzde çoğu eğitim kurumunda hazırlanan ders programı her dönem için yeniden yapılmaktadır.
📊
Temel Bulgular & Veri:Bu işlemin her dönem tekrardan yapılması ve çoğu kurumda elle hazırlanıyor olması bu olayı zahmetli ve zaman alıcı bir iş haline getirmektedir.
💡
Sonuç & Katkı:Ayrıca kullanılan algoritmalar, çalışma zamanı ve çözüme yakınsama açısından değerlendirilerek performansları karşılaştırılmıştır.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Genetik Algoritma · Parçacık Sürü Optimizasyonu · Yapay Arı Kolonisi

Özet

Günümüzde çoğu eğitim kurumunda hazırlanan ders programı her dönem için yeniden yapılmaktadır. Bu işlemin her dönem tekrardan yapılması ve çoğu kurumda elle hazırlanıyor olması bu olayı zahmetli ve zaman alıcı bir iş haline getirmektedir. Bu çalışma için bir fakültenin gerçek verileri kullanılmış ve fakültenin bölümleri için uygun bir haftalık ders programı çizelgesi oluşturulmaya çalışılmıştır. Çalışmada problemin çözümü noktasında evrimsel hesaplama teknikleri olarak kabul edilen Genetik Algoritma, Parçacık Sürü Optimizasyonu ve Yapay Arı Kolonisi yöntemleri kullanılmış ve üç yöntem için de aynı veriler kullanılarak, mevcut yöntemlerin problemin çözümü üzerindeki performansları analiz edilmiştir. Çalışmada öğretim elemanı, öğrenci ve fakülte personelini memnun edecek şekilde bütün kısıtlar dikkate alınmıştır. Geliştirilen sistemde kullanılan yöntemlerin parametreleri üzerinde değişiklikler yapılarak algoritmalar optimize edilmiştir. Yapılan deneyler sonucunda elde edilen ders programları kontrol edilerek fakülte için uygun ders programları elde edildiği görülmüştür. Ayrıca kullanılan algoritmalar, çalışma zamanı ve çözüme yakınsama açısından değerlendirilerek performansları karşılaştırılmıştır.

Abstract

Nowadays, the curriculum prepared in most educational institutions is carried out for each term. The fact that this process is repeated every semester and that it is prepared manually in most institutions makes this event a laborious and time consuming task. The actual data of a faculty were used for this study and an appropriate weekly course schedule was prepared for the departments of the faculty. In the study, the methods of Genetic Algorithm, Particle Swarm Optimization and Artificial Bee Colony, which are accepted as evolutionary calculation techniques at the point of solution of the problem, were used and the performance of the existing methods on the solution of the problem was analyzed by using the same data for all three methods. In the study, all constraints were taken into consideration in a way that would satisfy the teaching staff, students and faculty staff. The algorithms are optimized by making changes on the parameters of the methods used in the developed system. It was observed that the curriculum obtained as a result of the experiments were controlled and appropriate curriculum for the faculty was obtained. In addition, the algorithms used were evaluated in terms of runtime and convergence, and their performance was compared.

🔖

Bu Makaleye Atıf Yap

YURTSAL, A., KAYNAR, O. (2022). Sezgisel Algoritmalar Yardımıyla Ders Programı Optimizasyonu. Uluslararası Ekonomi ve Yenilik Dergisi, Cilt: 8 - Sayı: 1, 1–18. https://ajindex.com/articles/417109

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (13)

  1. Abdullah, S. ve H. Turabieh, (2008). Generating University Course Timetable Using Genetic Algorithms and Local Search. In Convergence and Hybrid, Information Technology ICCIT'08 Third, 1, 254-2
  2. Abidin, D. (2013). “Curriculum Plan Optimization with Rule Based Genetic Algorithms”, Doktora Tezi, DEÜ, Fen Bilimleri Enstitüsü. Akay, B. ve Karaboga, D. (2012). Artificial Bee Colony Algorithm for Large-Scale Problems and Engineering Design Optimization, Journal of Intelligent Manufacturing, 23(4), 1001-1014.
  3. Akkan, C. ve Gülcü, A. (2018). A Bi-Criteria Hybrid Genetic Algorithm with Robustness Objective for the Course Timetabling Problem, Computers & Operations Research, 90, 22-32.
  4. Alzaqebah, M. ve Abdullah, (2011). S. Artificial Bee Colony Search Algorithm for Examination Timetabling Problems”, International Journal of Physical Sciences, 6(17), 4264-4272.
  5. Alzaqebah, M. ve Abdullah, S. (2011). Comparison on The Selection Strategies in the Artificial Bee Colony Algorithm for Examination Timetabling Problems, Int J Soft Comput Eng, 1(5), 158-163.
  6. Bolaji, A. L. A., Khader, A. T., Al-Betar, M. A. ve Awadallah, M. A. (2011). An Improved Artificial Bee Colony for Course Timetabling, in Bio-Inspired Computing: Theories and Applications (BIC-TA), 2011 Sixth International Conference, 9-14.
  7. Chen, R. M. ve Shih, H. F. (2013). Solving University Course Timetabling Problems Using Constriction Particle Swarm Optimization with Local Search, Algorithms, 6(2), 227-244.
  8. Çolak, R. (2015). Sezgisel Algoritmalarla Ders Programı Çizelgeleme Problemi Çözümü, Yüksek Lisans Tezi, Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Anabilim Dalı. Daban, F. ve Özdemir, E. (2004). Eğitimde Verimliliği Artıran Ders Programlarının Hazırlanması için Genetik Algoritma Kullanımı, Journal of Educational Sciences & Practices, 3(6), 245-257.
  9. Dener, M. ve Calp, M. H. (2019). Solving the Exam Scheduling Problems in Central Exams with Genetic Algorithms, Journal of Science and Technology, 4(1), 102-115.
  10. Eberhart, R. C. ve Shı, Y. (1998). Comparison Between Genetic Algorithms and Particle Swarm Optimization, In Evolutionary Programming VII, Porto, 611–616.
  11. Eberhart, R. C., Shı Y. ve Kennedy, J. (2001).
  12. Swarm Intelligence, Morgan Kaufmann, San Mateo, CA. Eberhart, R., Sımpson, P. ve Dobbıns, R. (1996).
  13. Computational Intelligent PC Tools, Academic Press Professional, US. Fang, H. L. (1994). Genetic Algorithms in Timetabling and Scheduling, Diss. University of Edinburgh. Ghaemı, S