۴-۴-۳ زمانبندی با الگوریتم TLBOنخبه­گرایانه
در سومین مرحله الگوریتم، بهینه­سازی مبتنی بر آموزش-یادگیری را روی پاسخ­های مراحل قبل اعمال می­کنیم. ابتدا لیست­های شدنی که از مرحله زمانبندی اولیه بدست آمده است را براساس makespan بدست آمده برای آن­ها، بصورت صعودی مرتب می­کنیم. در مثال قبل هر سه لیست، دارای makespan=16 هستند. آنها را به همین صورت در نظر می­گیریم. در الگوریتم TLBO تعدادی یادگیرنده داریم. هر لیست فعالیت شدنی نقش یک یادگیرنده را دارد. هر یادگیرنده (فراگیر)، در تعدادی موضوع درسی، رتبه­ها یا نمراتی را کسب کرده­است. این نمرات در آرایه­ای مانند mark قرار می­گیرد. در اینجا، آرایه mark را، شماره فعالیت­ها یا اعداد تصادفی متناظر فعالیت­ها در نظر می­گیریم. پس بطور خلاصه، آرایه نمرات یادگیرندگان همان لیست فعالیت شدنی است. همچنین، هر یادگیرنده دارای نتیجه­ای است که با متغیری مانند result مشخص ­می­ شود. این نتیجه مقدار تابع هدف برای هر یادگیرنده است. در این مسئله، makespan بدست آمده در مرحله زمانبندی اولیه را بعنوان result در نظر می­گیریم. با این تطابق، الگوریتم TLBO مقداردهی اولیه می­ شود. چون n یادگیرنده داریم، بنابراین از ترکیب آرایه نمرات مربوط به همه این n یادگیرنده­ها، ماتریسی مثل Population بدست می ­آید. این ماتریس در زیر نشان داده شده­است. هر سطر ماتریس یک زمانبندی­شدنی است. A_i,j عدد متناظر با فعالیت j ام در لیست فعالیت شدنی i ام است و همچنین از دید الگوریتم، معادل رتبه موضوع j ام از یادگیرنده i ام است در این ماتریس result(1) ≤ result(2) ≤ …≤ result(n) است. سطر i ماتریس را با A_i مشخص می­کنیم. یعنی A _i,1 A _i,2 … A _i,m] [= A_i. سطر اول یعنی A₁ بهترین نتیجه را دارد، به همین دلیل این سطر را بعنوان آموزش­دهنده (معلم) در نظر می­گیریم (Teacher= A₁) .چون از رویکرد نخبه­گرایانه الگوریتم TLBO یعنی ETLBO استفاده می­کنیم، یک یا چند سطر اول ماتریس را بعنوان نخبه در نظر می­گیریم. در هربار تکرار الگوریتم، بدترین پاسخ­ها با بهترین پاسخ­های مرحله قبل تعویض می­شوند. سپس وارد فاز معلم می­شویم.