یکی از مسایل زمانبندی جریان کارگاهی جایگشتی است که در آن تعدادی کار و تعدادی ماشین داریم که باید این کارها روی ماشین ها انجام شوند. در این نوع زمانبندی ترتیب انجام کارها مهم نیست و برای همه ماشین ها یکی است. باید جایگشتی از انجام کارها را پیدا کنیم که تابع هدف خاصی را بهینه کنیم. کلا ‎n!‎ جایگشت داریم و باید جایگشتی از کارها را پیدا کنیم که زمان کل سرویس دهی و یا زمان جاری کل مینیمم شود. این مساله با هر دو تابع هدف ‎np‎- سخت است لذا آن را با روشهای هوش مصنوعی که کارآیی مناسبی برای حل مسایل np‎- سخت دارند حل می کنیم.‎ از میان روش های هوش مصنوعی، الگوریتم ژنتیک و الگوریتم پرندگان برای مقایسه کارآیی آنها روی این مسئله انتخاب شده اند.

همزمان با پیشرفت علم و تکنولوژی، انسان در پی رسیدن به تکنیک هایی است که همه ی کارها را به ماشین واگذار کند. علیرغم این پیشرفت، هنوز اعمالی هستند که انجام آن ها نیازمند هوش بشری و یا طبیعت است. از این رو بشر در پی تولید تکنیک هایی است تا ماشین ها این اعمال را بدون دخالت مستقیم بشر یا طبیعت انجام دهند. این ایده منجر به بوجود آمدن مفهومی به نام هوش مصنوعی گردیده است. هوش مصنوعی تقلیدی از مکانیزم هوش انسانی و یا قوانین حاکم بر عالم هستی و طبیعت است. سیستم ایمنی مصنوعی (ais) یکی از روش های جدید هوش محاسباتی است که از سیستم ایمنی بدن انسان الهام گرفته شده است و در حال حاضر مراحل تکامل خود را می گذراند. در این تحقیق با معرفی سیستم ایمنی طبیعی و مصنوعی و کاربرد آن در کلاس بندی، به معرفی الگوریتم پیشنهادی و مقایسه ی آن با معروفترین الگوریتم سیستم ایمنی مصنوعی برای کلاس بندی و همچنین مقایسه با عملکرد الگوریتم های شبکه های عصبی sfam و mlp در کلاس بندی پرداخته ایم. در مقایسه ی معروفترین سیستم ایمنی مطرح شده برای کلاس بندی (airs) با شبکه های عصبی sfam و mlp، نتایج نشان می دهد که airs با اینکه از دقت بالایی برخوردار است، اما نسبت به sfam ضعیف تر است و در عین حال در مقایسه با الگوریتم sfam بسیار کند عمل می کند. ما جهت رفع این مشکل با ساده سازی و اعمال تغییرات در airs و استفاده از ایده های sfam الگوریتم جدیدی تحت عنوان fairs معرفی کردیم که از لحاظ دقت قابل مقایسه با sfam است ولی با این که هنوز از لحاظ سرعت ضعیف تر از sfam می باشد، چندین برابر سریعتر از airs، معروفترین سیستم ایمنی مطرح شده برای کلاس بندی، عمل می کند و در عین حال دقت کلاس بندی را نیز بهبود می بخشد که نشان دهنده ی برتری الگوریتم مطرح شده نسبت به الگوریتم های ایمنی پیشین برای کلاس بندی می باشد.