Curriculum plan optimization with rule based genetic algorithms

Abstract

Şirketlerde, şirket içi eğitim sürecinin optimum sürede ve çalışanların iş temposunu etkilemeden gerçekleştirilmesi için kesin ve hassas bir planlama yapılması gerekmektedir. Bu sebeple bir eğitim planı hazırlanması işlemini bir zaman çizelgeleme problemi olarak ele almak uygun olur. Zaman çizelgeleri elle hazırlandığı zaman karmaşık ve çok zaman alan bir probleme dönüşebilmektedir. Bu çalışmada, kural tabanlı genetik algoritma (GA) kullanılarak eğitim planı hazırlama problemine etkin bir çözüm ortaya konmaktadır. GA?nın uygunluk fonksiyonunun çözüm elde etmek için kullandığı veriler, eğitim programındaki bölümlerin birbirlerine gore ön koşul durumlarını içeren bir kurallar kümesinden oluşmaktadır. Çalışmanın literature katkısı birbirine sıkı kurallarla bağlı modülleri olan bir eğitim materyalinin veri kümesini başarılı bir şekilde işleyebilmesidir. Eğitim materyalinin bölümleri olan modüller etkin bir biçimde sıralanabilmekte ve bu işlem esnasında da sıralama işlemi için kullanılacak en uygun parametre kombinasyonunu tespit etmek üzere parametre uyumlaması yapılmaktadır. Testler iki farklı modül sayısı için gerçekleştirilmiştir. Sonuçlar bir uzman önerisi ile parametrik olmayan Spearman sıra korelasyon testi kullanılarak karşılaştırılmış ve uzman önerisine en yakın sonuç tespit edilmiştir. Buna göre, elde edilen sonuçlar uzman önerisi ile karşılaştırıldığında, küçük boyutlu modül dizilimleri için yüzde 98,53, büyük boyutlu modül dizilimleri için ise yüzde 97,06 oranında güvenilir bulunmuştur. Aynı özelliklere sahip ve iki farklı büyüklükte bir kontrol veri grubu ile testler tekrarlanmış ve aynı parametre kombinasyonları ile en başarılı dizilim sonuçlarının alınabildiği doğrulanmıştır. In corporations, accurate planning should be applied to manage the in service training task within an optimum time period and without hindering the working tempo of the employees. For this reason, it is better to consider the curriculum planning task as a timetabling problem. However, when the timetables are prepared manually, it may turn out to be a complicated and time consuming problem. In this study, an effective solution to the curriculum planning problem by using a rule ? based genetic algorithm is put forward. The data, which is used by the fitness function of the GA to obtain the results, is the prerequisite rule set of the modules of the training program. The contribution to the literature is handling the structure of its data set successfully, despite tightly related rules among the modules. The modules of a training material were ranked effectively and while performing the ranking process, parameter tuning for GA was done to determine the best parameter combination of GA. The tests were done for two different amounts of modules. The results were then compared with the suggestion of an expert trainer by using Spearman rank correlation test, which is nonparametric, and the best parameter combination of the GA giving the most similar result to that of the expert?s was determined. According to the tests, the results gathered were considered to be 98.53 percent reliable for the smaller size of module ranges (chromosomes) and 97.06 percent reliable for the larger size of module ranges when compared with the corresponding suggested module range. Same tests were repeated with a control data set, having the same characteristics with the first one and two different sizes, and the results verified that same parameter combinations give the same successful module ranges in the same reliability percentages.