نهج الخوارزمية الجينية لجدولة المقررات الجامعية: دراسة حالة في كلية تكنولوجيا المعلومات، جامعة سبها
الشريط الجانبي للمقالة
محتوى المقالة الرئيسي
الملخص
يُعدّ جدولة المقررات الدراسية الجامعية مسألة تحسين معقدة، وهي ضرورية لضمان كفاءة عمل المؤسسات التعليمية. غالبًا ما تكون الطرق اليدوية مُستهلكة للوقت، وعرضة للأخطاء، وتواجه صعوبة في التعامل مع التعقيد المتزايد للقيود والموارد، مما يؤدي إلى تضارب في المواعيد وعدم الكفاءة. تُقدّم هذه الورقة البحثية تطوير وتنفيذ نظام جداول دراسية آلي لكلية تكنولوجيا المعلومات بجامعة سبها، ليبيا، باستخدام الخوارزمية الجينية (GA). يهدف النظام إلى إنشاء جداول دراسية عملية ومُحسّنة من خلال مراعاة مختلف القيود الصارمة وغير الصارمة، بما في ذلك توافر المحاضرين، وسعة القاعات، ومتطلبات المقررات الدراسية، وتجنب التضارب بين الطلاب والمحاضرين في نفس الفترة الزمنية. طُوّر النظام باستخدام لغة بايثون مع إطار عمل Django وقاعدة بيانات SQLite. أُجريت التجارب باستخدام بيانات حقيقية من أعضاء هيئة التدريس. تُظهر النتائج أن النظام القائم على الخوارزمية الجينية نجح في إنشاء جداول دراسية خالية من التضارب (خالية من أي انتهاكات للقيود الصارمة) في وقت حسابي معقول (حوالي 193-257 ثانية) وعدد أجيال (حوالي 101-126 جيلًا). يُقدم هذا النهج الآلي تحسينًا ملحوظًا على العملية اليدوية السابقة لأعضاء هيئة التدريس، والتي كانت تتطلب غالبًا عدة أيام عمل، وتُسبب مع ذلك تضاربًا مستمرًا في المواعيد. يُحسّن هذا العمل بشكل كبير من الطرق اليدوية، ويُعالج التحديات الخاصة التي تواجه أعضاء هيئة التدريس.
تفاصيل المقالة
هذا العمل مرخص بموجب Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
المراجع
Wolters, C.A. and A.C.J.E.P.R. Brady, College students’ time management: A self-regulated learning perspective. 2021. 33(4): p. 1319-1351.
Mallari, C.B., et al., The university coursework timetabling problem: An optimization approach to synchronizing course calendars. 2023. 184: p. 109561.
Bashab, A., et al., Optimization Techniques in University Timetabling Problem: Constraints, Methodologies, Benchmarks, and Open Issues. 2023. 74(3).
Kudale, V., et al., A Computational Approach Towards Timetable Generation.
Siddiqui, S., N.J.J.o.F. Kureshi, and H. Education, A qualitative exploration of factors declining students’ academic performance in higher education institutions: a developing country’s perspective. 2025: p. 1-24.
Siew, E.S.K., et al., A survey of solution methodologies for exam timetabling problems. 2024. 12: p. 41479-41498.
Zhu, K., et al., A survey of computational intelligence in educational timetabling. 2021. 11(1): p. 40-47.
Lopes, M.A., A Metaheuristic Approach to Improving University Timetables Using Genetic Algorithms and Simulated Annealing. 2024, Universidade do Porto (Portugal).
Alhijawi, B. and A.J.E.I. Awajan, Genetic algorithms: Theory, genetic operators, solutions, and applications. 2024. 17(3): p. 1245-1256.
Sakal, J., Automated University Timetabling with Robustness. 2024, University of Exeter (United Kingdom).
Rezaeipanah, A., S.S. Matoori, and G.J.A.I. Ahmadi, A hybrid algorithm for the university course timetabling problem using the improved parallel genetic algorithm and local search. 2021. 51: p. 467-492.
Ağalday, F. and A. Nizam, Performance Improvement of Genetic Algorithm Based Exam Seating Solution by Parameter Optimization. 2022.
Tri Basuki, K., N. Edi Surya, and H.J.J.o.D.S. Izman, Optimization Algorithms: A Comparison Study for Scheduling Problem at UIN Raden Fatah's Sharia and Law Faculty. 2024. 2024(57): p. 1-19.
Sriyono, S., et al., Optimizing university finances: Implementation of performance-based budgeting at UPN “Veteran” Yogyakarta. 2024. 6(2): p. 197-210.
Chaeron, M., et al., Application of AHP and TOPSIS method: a case study in the Indonesian leather industry. 2023.
Taha, Z.Y., A.A. Abdullah, and T.A.J.a.p.a. Rashid, Optimizing Feature Selection with Genetic Algorithms: A Review of Methods and Applications. 2024.
Odeniran, Q., Comparative Analysis of Fullstack Development Technologies: Frontend, Backend and Database. 2023.
Zhang, C. and J. Yin. Research on security mechanism and forensics of SQLite database. in Advances in Artificial Intelligence and Security: 7th International Conference, ICAIS 2021, Dublin, Ireland, July 19-23, 2021, Proceedings, Part II 7. 2021. Springer.
Stefanova, R., Exploring the Latest Front-End Development Trends. 2024.
Van Horn II, B.M. and Q. Nguyen, Hands-on application development with PyCharm: Build applications like a Pro with the ultimate Python development tool. 2023: Packt Publishing Ltd.
Katoch, S., et al., A review on genetic algorithm: past, present, and future. 2021. 80: p. 8091-8126.
Ha, V.-P., et al., A variable-length chromosome genetic algorithm for time-based sensor network schedule optimization. 2021. 21(12): p. 3990.
Devi, M.U., et al. Automated timetable generation for academic institutions. in AIP Conference Proceedings. 2024. AIP Publishing.
Larsson, J., Work Schedule Optimization for Nurses: An Evaluation of Using Genetic Algorithms in Constraint-Based Scheduling. 2024.
Gen, M. and L. Lin, Genetic algorithms and their applications, in Springer handbook of engineering statistics. 2023, Springer. p. 635-674.
Bye, R.T., et al. A comparison of ga crossover and mutation methods for the traveling salesman problem. in Innovations in Computational Intelligence and Computer Vision: Proceedings of ICICV 2020. 2021. Springer.
Cilliers, M., Maintaining population diversity in evolutionary algorithms via epigenetics and speciation. 2022: University of Johannesburg (South Africa).
Zhou, D., J. Du, and S.J.I.A. Arai, Efficient elitist cooperative evolutionary algorithm for multi-objective reinforcement learning. 2023. 11: p. 43128-43139.
Lee, S., et al., Genetic algorithm based deep learning neural network structure and hyperparameter optimization. 2021. 11(2): p. 744.