Σήμερα η ερευνητική κοινότητα δείχνει μεγάλο ενδιαφέρον για το σχεδιασμό και ανάπτυξη ευφυών αλγορίθμων/μεθόδων, που βασίζονται στις τεχνολογίες της Υπολογιστικής Νοημοσύνης.

Οι αλγόριθμοι/μέθοδοι αυτοί/αυτές έχουν αξιολογηθεί τόσο με τεχνητά δεδομένα όσο και με δεδομένα από προβλήματα του πραγματικού κόσμου, όπως αναγνώριση συστήματος, πρόβλεψη οικονομικών χρονοσειρών, μοντελοποίηση και πρόβλεψη βιομαγνητικών σημάτων, εξαγωγή πληροφορίας από σειρές δεδομένων ή από το διαδίκτυο, διάγνωση ασθενειών, ηλεκτρονική μάθηση/διδασκαλία.

Αντικείμενο της διπλωματικής εργασίας είναι η ανάπτυξη σύγχρονων μεθόδων και αλγορίθμων Υπολογιστικής Νοημοσύνης Cat Swarm Optimization (CSO) και η εφαρμογή τους σε προβλήματα εύρεσης βέλτιστου ωρολογίου προγράμματος μαθημάτων για τμήματα πανεπιστημιακών και πολυτεχνικών σχολών, με σκοπό την ανάλυσή τους και την εξαγωγή χρήσιμων αποτελεσμάτων / συμπερασμάτων.

Πιο συγκεκριμένα αντικείμενο της παρούσης είναι να επιλυθεί αποτελεσματικά το πρόβλημα εύρεσης βέλτιστου ωρολογίου προγράμματος μαθημάτων για τμήματα πανεπιστημιακών και πολυτεχνικών σχολών με βάση το πρόγραμμα σπουδών των τμημάτων (Curriculum based Course Timetabling).

Στο πλαίσιο αυτό έχει μελετηθεί ο αλγόριθμος Cat Swarm Optimization (CSO) και παραλλαγές του έχουν εφαρμοστεί σε δοκιμαστικά δεδομένα ή δεδομένα που προέρχονται από διάφορες αξιόπιστες βιβλιοθήκες όπως του International Timetabling Competition (ITC) 2019.

Η αξιολόγηση των αλγορίθμων που αναπτύχθηκαν έγινε με σύγκριση των αποτελεσμάτων τους με αποτελέσματα άλλων αλγορίθμων που εφαρμόζονται στα ίδια πειραματικά δεδομένα.

Nowadays the research community shows great interest in the design and development of intelligent methods and algorithms based on Computational Intelligence technologies.

These algorithms/methods have been evaluated on both artificial data and data from real-world problems, such as system identification and modeling, economic time series forecasting, bio-magnetic signal modeling and prediction, information extraction from data series or the internet, disease diagnosis, e-learning/teaching.

The subject of this thesis is the development of modern Computational Intelligence methods and algorithms, based on Cat Swarm Optimization (CSO) algorithm, and their application to problems of finding an optimal course timetable for departments of university and polytechnic schools, with the aim of analyzing these algorithms and deriving useful results / conclusions.

More specifically, the subject of this thesis is to effectively solve the problem of computing an optimal course timetable for departments of university and polytechnic schools based on the curriculum of the departments (Curriculum based Course Timetabling).

In this context, the Cat Swarm Optimization (CSO) algorithm has been studied and variations of it have been applied to experimental data or data from various reliable libraries such as the International Timetabling Competition (ITC) 2019.

The evaluation of the developed algorithms was done by comparing their results with results of other algorithms applied to the same experimental data.