جستجوی مقالات فارسی – 
طراحی بهینه پارتوئی مکانیزم شش میله ای برای تولید مسیر با استفاده از  …

جستجوی مقالات فارسی – طراحی بهینه پارتوئی مکانیزم شش میله ای برای تولید مسیر با استفاده از …

شکل۳-۲:جبهه پارتو مجموعه ای از جواب ها در فضای دو هدفه.

اولین بار اقتصاددان Wilfred Pareto بهینهسازی مسائل چند هدفه را در مسائل اقتصادی بکار برد و نظریه نقاط بهینه پارتو را پایهگذاری کرد. جوابهای حاصل از بهینهسازی چند هدفه اغلب بصورت یک مجموعه جواب هستند که هیچ برتری نسبت به هم ندارند و به آنها مجموعه جوابهای غیر برتر میگویند. در جبهه پارتو، با بهبود یک تابع هدف، وضعیت تابع هدف بعدی برتر میشود و بلعکس.
۳-۳ روش های بهینه سازی تک هدفه
۳-۳-۱ الگوریتم ژنتیک[۴۶]
۳-۳-۱-۱ مقدمه
الگوریتم ژنتیک الهامی از علم ژنتیک و نظریه تکامل داروین است و بر اساس برترینها یا انتخاب طبیعی استوار است. الگوریتم ژنتیک را میتوان یک روش جستجوی کلی نامید که از قوانین تکامل بیولوژیک طبیعی تقلید میکند. الگوریتم ژنتیک بر روی جوابهای مسئله به امید بدست آوردن جوابهای بهتر، قانون بقای بهترین اعمال میکند]۳۰و۳۱٫[
۳-۳-۱-۲ تاریخچه
حساب تکاملی، برای اولین بار در سال ۱۹۶۰ توسط آقای ریچنبرگ ارائه شد که زمینه تحقیق وی در مورد استراتژی
تکامل بود. بعدها نظریه او توسط محققان زیادی مورد بررسی قرار گرفت تا اینکه الگوریتم ژنتیک توسط جان هالند[۴۷] در سال ۱۹۷۵ در دانشگاه میشیگان ارائه شد. در سال ۱۹۹۲ نیز جان کوزا[۴۸] از الگوریتم ژنتیک برای حل و بهینهسازی مسائل مهندسی پیشرفته استفاده کرد و توانست برای اولین بار روند الگوریتم ژنتیک را به زبان کامپیوتر درآورد]۳۰و۳۱[.
۳-۳-۱-۳ ساختار الگوریتم ژنتیک
به طور کلی، الگوریتم ژنتیک از اجزاء زیر تشکیل میشود]۳۰و۳۱[:
کروموزوم[۴۹]: هر کروموزوم نشان دهنده یک نقطه در فضای جستجو و یک راه حل ممکن برای مسئله مورد نظر است. خود کروکوزومها از تعداد ثابتی ژن (متغیر) تشکیل میشوند.
جمعیت[۵۰]: مجموعهای از کروموزوم ها یک جمعیت را تشکیل میدهند. با تاثیر عملگرهای ژنتیکی بر روی هر جمعیت، جمعیت جدیدی با همان تعداد کروموزوم تشکیل میشود.
تابع برازندگی[۵۱]: به منظور حل هر مسئله از الگوریتم ژنتیک ابتدا باید یک تابع برازندگی برای آن مسئله در نظر گرفته شود. این تابع نشان دهنده شایستگی یا توانایی فردی آن کروموزوم است.
عمگرهای الگوریتم ژنتیک: در طی مرحله تولید مثل[۵۲] از عملگرهای ژنتیکی استفاده میشود. با تاثیر این عملگرها بر روی یک جمعیت، نسل بعدی آن جمعیت، تولید میشود. عملگرهای انتخاب[۵۳]، ترکیب و جهش معمولا بیشترین کاربرد را در الگوریتم ژنتیک دارند.
۳-۳-۱-۴ عملگرهای ژنتیکی
عمگرهایی که در الگوریتم ژنتیک به کار می روند به شرح زیر می باشند]۳۰[:
۳-۳-۱-۴-۱ عملگرد انتخاب
این عملگر از بین کروموزومهای موجود در یک جمعیت تعدادی کروموزوم را برای تولید مثل انتخاب میکند. کروموزوم های برازنده تر شانس بیشتری دارند تا برای تولید مثل انتخاب شوند. از جمله روشهای انتخاب میتوان به روش چرخ گردان[۵۴] و به روش انتخاب رقابتی[۵۵] نام برد.
۳-۳-۱-۴-۲ عملگر ترکیبی[۵۶]
در جریان عمل ترکیب به صورت اتفاقی بخشهایی از کروموزومها با یکدیگر ترکیب میشوند. این موضوع باعث میشود که فرزندان، ترکیبی از خصوصیات والدین خود را به همراه داشته باشند و دقیقا مشابه یکی از والدین نباشند. هدف تولید فرزند جدید میباشد و به این امید که خصوصیات خوب دو موجود در فرزندشان جمع شده و یک موجود بهتری را تولید کند. نحوه بکارگیری عملگر ترکیب در این پایان نامه به این صورت است که ابتدا بوسیله شیوه چرخ رولت[۵۷] احتمال انتخاب والدهای با خصوصیات بهتر را بیشتر میکنیم. سپس با انتخاب دو به دو از جمعیت اولیه به تعداد ncross، که در ابتدای برنامه از پیش تعیین میشود، والدین را مشخص میکنیم. در ادامه ژنهای والدین به دو بخش تقسیم میشوند یا به اصطلاح کروموزوم برش داده میشود که نقطه برش به صورت تصادفی تعیین میشود. برای فرزند اول، بخش اول از والد اول و بخش دوم از والد دوم انتخاب میشود. برای فرزند دوم نیز بخش اول از والد دوم و بخش دوم از والد اول گرفته میشود. روند دقیق برنامه عملگر ترکیب در شکل ۳-۳ آورده شده است.

این مطلب را هم بخوانید :  متن کامل - ارتباط سنجی سطح معنویت محیط کار با فرسودگی شغلی و رضایت شغلی در معلمان ...

برای دانلود متن کامل این پایان نامه به سایت  pipaf.ir  مراجعه نمایید.

شکل۳-۳:عملگر ترکیب در الگوریتم ژنتیک