مسئله عمومی در این روش یافتن کوتاه­ترین مسیر بین دو رأس در یک گراف است. در ابتدا هر یال یک مقدار تصادفی به عنوان فرومون اولیه دریافت می­ کند  و در طول اجرای الگوریتم غلظت­ فرومون[۲] برخی از مسیرها (احتمال پذیرش مسیر) افزایش می­یابد به طوری­که مسیرهای بهینه انتخاب شود.

• شبکه های عصبی[۳]

تحقیقات در این زمینه نشان داده است که مغز، اطلاعات را همانند الگو‌ها  ذخیره می‌کند. فرآیند ذخیره‌سازی اطلاعات به‌صورت الگو و تجزیه و تحلیل آن الگو‌، اساس روش نوین محاسباتی را تشکیل می‌دهند. این حوزه از دانش محاسباتی به هیچ وجه از روش‌های برنامه‌نویسی سنتی استفاده نمی‌کند و به‌جای آن از شبکه‌های بزرگی که به‌صورت موازی آرایش شده‌اند و تعلیم یافته‌اند، بهره می‌جوید.

• الگوریتم جهش قورباغه[۴]

در این الگوریتم یک جمعیت شامل دسته­ای قورباغه می­باشد. این جمعیت (جواب) به زیرمجموعه­هایی تقسیم می­شود. هر یک از زیر مجموعه­ها به جستجوی محلی می ­پردازد. این فرآیند و عمل جستجوی محلی تا زمانی ادامه می­یابد که شرط همگرایی برآورده شود.

• الگوریتم زنبور عسل[۵]

در این الگوریتم با دریافت دامنه تغییرات هر یک از متغیرها و تحلیل حالت بی­شمار تلفیق دامنه­ها با یکدیگر، حالت بهینه را بدست می­آورد.

• الگوریتم اجتماع پرندگان[۶]

در طراحی روش­های فراابتکاری، دو معیارمتناقض شامل کاوش در فضای جواب و تبعیت از بهترین راه­حل­های پیدا شده باید درنظر گرفته شود. این روش­ها را می­توان برای مسائل ساده با ابعاد بزرگ یا با محدودیت­های زمان واقعی (مسائلی که نیاز به حل در همان زمان دارند) و یک مسئله سخت(Np-hard)، مسائل با توابع هدف یا محدودیت­های پیچیده، مدل­های غیر­تحلیلی مسائل بهینه­سازی و یا در شرایط غیرقطعی کاربرد دارد (فتاحی، ۱۳۹۰).

• الگوریتم ممتیک

الگوریتم ممتیک گونه­ای از الگوریتم­های تکاملی است که در آن جستجو­های ابتکاری محلی با الگوریتم ژنتیک ترکیب می­شوند تا در زمان کمتر نتایج بهتری به دست آید ( کاتالیو و جیم، ۲۰۰۵ ).

الگوریتم­های ژنتیک برای شناسایی بخش وسیعی از فضای جستجو ایجاد می­شوند، در حالی که جستجوی محلی می ­تواند حوزه نزدیک به هر پاسخ یافته شده توسط الگوریتم ژنتیک را (که به آن همسایگی گفته می­شود) برای یافتن پاسخ­های بهتر مورد جستجو قرار دهد. این که برای پیاده­سازی یک الگوریتم ممتیک و در بخش ژنتیک آن از چه عملگرهایی و یا برای جستجوی محلی از کدام روش استفاده شود، نتایج اجرای بسیار متفاوتی خواهد داشت (جولا و خاتون­ناصری، ۲۰۰۷).

• رنگ­آمیزی گراف

هر گراف شامل چندین راس یا گره است که با یک سری یال به یکدیگر متصل هستند. به دو راسی که با یک یال به یکدیگر متصل شده ­اند راس مجاور یا همسایه گفته می­شود. مساله رنگ­آمیزی گراف( GCP)، به این صورت است که با داشتن گراف G، حداقل تعداد رنگ­های لازم برای رنگ آمیزی رئوس گراف را می­یابد طوری که هیچ دو راس مجاوری همرنگ نباشند. حداقل تعداد رنگ­های لازم برای این کار، عدد رنگی گراف نامیده می­شود.

برای تبدیل مسئله جدول زمان­بندی می­توان تدریس­ها را به عنوان گره در گراف در نظر گرفت و در صورتیکه دو تدریس  از نظر هم­زمانی با یکدیگر غیرمجاز  باشند  بین آن دو گره یک یال رسم کرد. برای رنگ­آمیزی گراف تشکیل شده، دوره­های زمانی به عنوان رنگ در نظر گرفته می­شود و به گره­ها (تدریس­ها)، هر کدام یک رنگ (زمان) الصاق می­شود، به طوری که هیچ دو گره مجاوری دارای رنگ (بازه زمانی) مشابهی نباشند. رنگ­های در نظر گرفته شده برای هر گره بایستی طوری باشد که محدودیت­های سخت را ارضا کند.

[۱] -Ant Colony Algorithm(ACO)

[۲] - Pheromones

[۳] -Neural Network

[۴] -Shuffied Frog Leaping(SFL)

[۵] -Haney Bees Mating Optimization(HBMO)

[۶] -Particle Swarm Optimization(PSO)