دانلود پایان نامه

شود. اگر مسئله مورد نظر از نوع تک هدفه باشد، انتظار بر این است که تمام اعضای جمعیت در الگوریتم های تکاملی به یک پاسخ بهینه، همگرا شوند. اما در مسائل چند هدفه جمعیت نهائی می تواند شامل چندین پاسخ بهینه باشد.
اولین کاربرد ثبت شده ی بهینه سازی توابع چند هدفه با بهره گرفتن از الگوریتم های تکاملی توسط شافر (1985 ) ارائه شده است. در این تحقیق الگوریتم ژنتیک بردار ارزیابی(VEGA) با اعمال یک مکانیزم اصلاح شده ی انتخاب در الگوریتم ژنتیک تک هدفه، برای مسائل چند هدفه بکار گرفته می شود. در این روش، در هر نسل، J زیر مجموعه تولید می شود که در آن، J تعداد اهداف می باشد. جمعیت jام بر اساس روش استاندارد برای انتخاب و ارزشگذاری هدف jام بدست می آید. سپس این J زیر مجموعه با هم ترکیب شده و یک جمعیت کلی را می سازند. پس از آن عملگرهای جهش و آمیزش بر این مجموعه اعمال می گردند. جواب تولید شده توسط این الگوریتم به عنوان جواب نهائی در نظر گرفته خواهد شد.
گلدبرگ (1988 ) در یک مبحث کوتاه، استفاده از مفهوم چیرگی و رتبه بندی پارتو در الگوریتم های تکاملی چند هدفه را پیشنهاد کرد. برای تعیین چیرگی ، دو پاسخ با یکدیگر مقایسه می شوند. به عنوان یک قانونکلی، مشرو برارضای دو شرط به صورت همزمان، پاسخ(1)X بر(2)X چیره خواهد شد هرگاه: (1) پاسخ (1)X در هیچ یک از اهداف مسئله، از نظر برازندگی بدتر از (2)X نباشد و (2) پاسخ (1)X حداقل در یکی از اهداف مسئله، دارای برازندگی بهتر از (2)X باشد. نحوه ی رتبه بندی پارتو به دو روش در شکل (4-2) نمایش داده شده است.


برای دانلود متن کامل پایان نامه ، مقاله ، تحقیق ، پروژه ، پروپوزال ،سمینار مقطع کارشناسی ، ارشد و دکتری در موضوعات مختلف با فرمت ورد می توانید به سایت  77u.ir  مراجعه نمایید
رشته مدیریت همه موضوعات و گرایش ها : صنعتی ، دولتی ، MBA ، مالی ، بازاریابی (تبلیغات – برند – مصرف کننده -مشتری ،نظام کیفیت فراگیر ، بازرگانی بین الملل ، صادرات و واردات ، اجرایی ، کارآفرینی ، بیمه ، تحول ، فناوری اطلاعات ، مدیریت دانش ،استراتژیک ، سیستم های اطلاعاتی ، مدیریت منابع انسانی و افزایش بهره وری کارکنان سازمان

در این سایت مجموعه بسیار بزرگی از مقالات و پایان نامه ها با منابع و ماخذ کامل درج شده که قسمتی از آنها به صورت رایگان و بقیه برای فروش و دانلود درج شده اند

شکل 4-2-رهیافت مختلف رتبه بندی پارتو

در شکل(4-2-الف)، به اعضای جمعیت حاضر، برازندگی نسبی بر اساس روش Goldberg نسبت داده شده است. مقدار برازندگی 1، به جواب های غیر مغلوب جمعیت اختصاص داده شده و سپس، این جواب ها از درون جمعیت حذف می شوند. در ادامه، مقدار برازندگی 2، به جواب های غیرمغلوب باقیمانده در مجموعه حاضر تعلق می گیرد و آن ها نیز از جمعیت کنار می روند. این روند به تمام اعضای جمعیت، مقدار برازندگی مناسبی نسبت داده می شود ادامه می یابد. در شکل (4-2-ب)، از روش متفاوتی برای انتساب برازندگی به اعضای جمعیت استفاده می شود. بر این اساس، اگر هیچ جوابی وجود نداشته باشد که بر پاسخ مورد نظر چیره شود، مقدار برازندگی 1 برای آن پاسخ در نظر گرفته می شود. به همین صورت، اگر یک جواب بر آن چیره شود مقدار 2 و در صورتی که دو جواب غالب وجود داشته باشد، مقدار برازندگی 3 به پاسخ مورد نظر نسبت داده می شود. این فرآیند نیز تا جائی که تمامی جواب ها دارای برازندگی شوند ادامه می یابد.
بر پایه این تفکر، کاربردهای متنوعی از MOEA ها توسط شماری از محققین در سرتاسر دنیا توسعه داده شده است که از آن جمله می توان به الگوریتم ژنتیک مبتنی بر مرتب سازی غیرمغلوب (NSGA) توسط اسرینیواس و همکاران (1994 ) و الگوریتم ژنتیک چند هدفه (MOGA) توسط فلمینگ (1995 ) اشاره کرد. در الگوریتم NSGA از رتبه بندی پارتو به روش Goldberg و در MOGA از روش شمارش تعداد اعضای غالب استفاده شده است.
در دهه های اخیر الگوریتم های متعددی در این زمینه ارائه شده اند. جدول (2-2) برخی از مهمترین ویژگیهای مربوط به شناخته شده ترین الگوریتم های تکاملی چند هدفه را با یکدیگر مقایسه می کند. در بسیاری از این الگوریتم ها، رتبه بندی بر اساس مفهوم چیرگی به نوعی مورد استفاده قرار گرفته است. در عین حال، در مواردی به منظور حفظ پراکندگی در فضای هدف، نخبه گرائی و یا فرم های دیگری از نسبت دادن برازندگی بر مبنای فضا و موقعیت جواب نیز مورد استفاده قرار گرفته است.

جدول 3-2- مقایسه ویژگیهای برخی از مشهورترین الگوریتم های چند هدفه (2006Konak,)
الگوریتم تعیین برازندگی مکانیزم پراکندگی نخبه گرائی جمعیت خارجی مزایا معایب
VEGA ارزیابی هر زیر جمعیت بر پایه اهداف متفاوت خیر خیر خیر پیاده سازی اولیه MOGA تمایل همگرائی به کرانه های هر هدف
MOGA رتبه بندی پارتو تقسیم برازندگی با niche خیر خیر بسط ساده الگوریتم ژنتیک تم هدفه همگرائی کند مطابق با پارامتر niche
NPGA فاقد تعیین برازندگی، انتخاب به روش مسابقه ای محاسبه بر اساس niche در روش انتخاب مسابقه ای خیر خیر روند بسیار ساده در انتخاب مسابقه ای نیاز به پارامتر اضافی در انتخاب مسابقه ای
RWGA میانگین وزنی اهداف نرمال شده تعیین اوزان به صورت تصادفی بله بله اجرای موثر و آسان مشکل در فضای تابع هدف غیر محدب
PESA فاقد تعیین برازندگی بر پایه چگالی اعضا نخبه گرا بله سادگی در اجرا و محاسبات کارامد نیاز به اطلاعات اولیه در مورد فضای هدف
PAES در چیرگی فرزند بر والد، استفاده از چیرگی پارتو به منظور جایگزینی مقایسه چگالی متعلق به فرزند و والد بله بله جهش تصادفی، سادگی اجرا و محاسبات کارامد روش غیروابسته به جمعیت و عملکرد وابسته به اندازه هدف
NSGA رده بندی بر پایه مرتب سازی غیرمغلوب تقسیم برازندگی با niche خیر خیر همگرائی سریع مشکلات مربوط به پارامتر اندازه niche
NSGA-II رده بندی بر پایه مرتب سازی غیرمغلوب تقسیم برازندگی با niche خیر خیر همگرائی سریع مشکلات مربوط به پارامتر اندازه niche
SPEA رده بندی بر اساس جواب های غیر مغلوب خارجی خوشه بندی بر اساس جمعیت خارجی بله بله فاقد پارامتر به منظور خوشه بندی الگوریتم پیچیده به منظور خوشه بندی
SPEA-II توانائی نقاط غالب چگالی بر پایه k-امین همسایگی نزدیک بله بله حصول اطمینان از نقاط کرانه ای محاسبات پر هزینه برای برازندگی و چگالی
RDGA تبدیل به مسئله دو هدفه با رتبه و چگالی به عنوان اهداف چگالی بر پایه اعضا در منطقه ممنوعه بله بله بروزرسانی دینامیکی اعضا دشواری اجرا در مقایسه با سایر روشها
DMOEA رتبه بندی بر پایه عضو چگالی بر پایه عضو سازگار بله
(ضمنی) خیر بروزرسانی چگالی اعضا با تکنیک های موثر و رویکرد سازگارانه دشواری اجرا در مقایسه با سایر روشها

مطلب مشابه :  خرید پایان نامه :اصل حاکمیت اراده

الگوریتم های تکاملی چند هدفه نخبه گرا
در سال 94-1993 مفهوم نخبه گرائی به منظور توسعه الگوریتم های MOGA، NSGA و NPGA مورد بررسی قرار گرفت (2006Konak,).
نخبه گرائی را می توان به معنای حفظ و نگهداری اعضای خوب جمعیت و انتقال مستقیم آن ها از نسلی به نسل دیگر تعریف نمود.
در مسائل بهینه سازی تک هدفه، اعمال نخبه گرائی از طریق روش های مختلفی صورت می پذیرد. در ساده ترین روش، فرزندان حاصل از عملگرهای آمیزش و جهش با والدین خود مقایسه شده و از میان چهارمروموزوم موجود، دو عضو که بالاترین برازندگی را دارا هستند برای انتقال به نسل بعد انتخاب می شوند. بدین ترتیب، والدین هم فرصت رقابت با فرزندان به نسل بعد انتخاب می شوند. بدین ترتیب، والدین هم فرصت رقابت با فرزندان برای انتقال به نسل بعد را خواهند داشت. با پیروی از این مفهوم و در حالت عمومی، نخبه گرائی را می توان با انتخاب اعضای نسل بعد، از مجموعه ای متشکل از تلفیق جمعیت والد و فرزند اعمال کرد.
در بعضی الگوریتم های MOGA نخبه گرا، از حفظ جواب های غیرمغلوب به عنوان استراتژی نخبه گرائی بهره گرفته می شود. این عمل با ایجاد یک جمعیت خارجی ممکن می گردد. در سال 1998 P
arks&Miller الگوریتمی را پیشنهاد کردند که از یک جمعیت خارجی برای حفظ پاسخ های غیر مغلوب استفاده می کرد. در این الگوریتم، جمعیت مورد نظر محدود بوده و یک راه حل جدید تنها در صورتی می تواند وارد آن شود که به طور قانع کننده ای با جواب های موجود متفاوت باشد.
در همین سال (1998)، تحقیقات Zitzler & Thiele منجر به ارائه الگوریتم SPGA گردید. این الگوریتم از دو جهت جمعیت مجزا در روند بهینه سازی بهره می گیرید: (1) جمعیت خارجی (آرشیو) که محدود بوده و جهت ذخیره ی جواب های غیر مغلوب که در گذشته حاصل شده اند مورد استفاده قرار می گیرد. و(2) جمعیت داخلی که در الگوریتم ژنتیک بکار می رود و با تکرار نسل ها به سمت کامل حرکت می کند. با بدست آمدن یک جواب غیرمغلوب جدید در جمعیت داخلی، جواب هائی از جمعیت خارجی که جواب غیرمغلوب جدید بر آن ها چیره می شود از آن جمعیت حذف شده و جواب جدید وارد آن می گردد. همچنین، تعدادی از جواب ها نیز به صورت دسته ای و به منظور حصول اطمینان از محدود بودن جمعیت خارجی از آرشیو خارج می شوند.

 
 
در الگوریتم SPGA، جمعیت داخلی جدید با انتخاب از درون مجموعه ای که حاصل ترکیب دو جمعیت داخلی و خارجی قبلی است تعیین می شود. لذا جمعیت خارجی در تعامل با جمعیت خارجی خواهد بود. بدین ترتیب که، به هر عضو از جمعیت خارجی و بر اساس تعداد جواب هائی از جمعیت داخلی که جواب مذکور می تواند بر آنها چیره شود، یک توانائی نسبت داده می شود. سپس به هر کدام از اعضای مجموعه داخلی یک عدد تقریبی برازندگی بر اساس مجموع توانائی های جواب های خارجی چیره شوند بر آن، نسبت داده می شود.
تاکنون موارد متعددی از الگوریتم های MOEA با پایبندی به اصول اولیه این روش ولی با تغییرات کوچکی در نحوه نسبت دادن مقادیر برازندگی، نحوه انتخاب از جمعیت و روش های مختلف در راستای حفظ پراکندگی پیشنهاد گردیده است. از آن جمله به الگوریتم های PAES،PESA اشاره نمود که هدف اصلی آن ها، ایجاد تغییراتی در ساختار این الگوریتم ها در جهت حفظ پراکندگی و محدود کردن فضای هدف می باشد.

مطلب مشابه :  پایان نامه با کلید واژه هایبرنامه چهارم توسعه، تحلیل داده، ثبت اسناد

الگوریتم ژنتیک نخبه گرا بر پایه مرتب سازی غیر مغلوب (NSGA-ll)
الگوریتم NSGA-ll توسط Deb و همکارانش در سال 2002 ارائه شد. در این الگوریتم علاوه بر راهبرد حفظ جواب های نخبه، از یک مکانیزم مجزا و برخورداری از پارامترهای مشترک کمتر، این الگوریتم تا حدود زیادی مشکلات مربوط به الگوریتم های تکاملی چند هدفه که بر مبنای مرتب سازی غیر مغلوب قرار دارند را مرتفع کرده است.
در الگوریتم NSGA-ll، ابتدا جمعیت فرزندان (Qt) با اعمالعملگرهای آمیزش و جهش بر روی اعضای جمعیت والدین(Pt) ایجاد می گردد. در این مرحله، بجای آنکه جبهه ی غیر مغلوب متعلق به Qt تعیین گردد، هر دو جمعیت والدین و فرزندان با یکدیگر ترکیب شده و جمعیت مختلط (Rt) را با اندازه 2N تشکیل می دهد. سپس، روند مرتب سازی غیرمغلوب برای طبقه بندی کلیه اعضای متعلق به جمعیت Rt بکارگرفته می شود. اگرچه این فرایند نیاز به محاسبات بیشتری در مقایسه با اعمال مرتب سازی غیرمغلوب بر جمعیت Qt دارد، اما نتیجه ی آن، اجرای یک بررسی سراسری و جامع مابین جواب های والد و فرزند می باشد. روش پیشنهاد شده توسط Goldberg (شکل 4-2-الف) برای تعیین جبهه پارتو و انتساب مقدار برازندگی به هر یک از اعضا مورد استفاده قرار می گیرد.
انتخاب اعضای نسل بعد از میان مجموعه Rt
به محض اتمام عملیات مرتب سازی غیرمغلوب، اعضای جمعیت نسل جدید با انتقال جواب های موجود در جبهه های غیرمغلوب، یک به یک تعیین می شوند. عملیات انتقال از بهترین جبهه ی غیر مغلوب F1 (اولین جبهه ی غیر مغلوب) آغاز شده و به ترتیب، نوبت به اعضای جبهه ی دوم(F2)، سوم(F3) و… می رسد. از آنجا که تعداد اعضای Rt برابر 2N می باشد، ممکن است در روند انتخاب N عضو برای نسل جدید، تمامی جبهه های بدست آمده در مرحله ی مرتب سازی، مورد استفاده قرار نگیرند. هنگامی که نوبت به آخرین جبهه مجاز می رسند، ممکن است تعداد اعضای موجود از تعداد ظرفیت خالی در نسل جدید بیشتر باشد. در الگوریتم NSGA-ll در عوض انتخاب تصادفی اعضا در این حالت، جواب های واقع در نواحی غیرشلوغ دارای ارجحیت در روند انتخاب هستند.
با گذشت چند نسل و به دلیل تکامل جواب ها، تعداد اعضای بهترین جبهه ی غیر مغلوب می تواند به N نزدیک و یا حتی بیشتر گردد. در نتیجه، انتخاب اعضای نسل بعد از میان جواب های موجود در مناطق غیر شلوغ، پراکندگی اعضا در مجموعه ی جدید را تضمین می نماید. برای تعیین تراکم جوابهای موجود در اطراف یک عضو مشخص (It) در جمعیت، از میانگین فاصله دو عضو در همسایگی (It) با توجه به هر یک از اهداف استفاده می شود. این فاصله، فاصله تراکم نامگذاری شده است.

شکل 5-2-محاسبه فاصله تراکم در یک مسئله دو هدفه

در شکل(5-2) چگونگی تعیین نقاط همسایگی ، مشخص شده است. با اندکی تامل می توان دریافت که برای هر پاسخ i، لزومی ندارد که نقاط همسایگی i-1 و i+1 در کلیه اهداف مورد نظر برای مسئله، نقاط یکسانی باشند؛ این موضوع، بیشتر در مسائلی با M≥3 صادق می باشد. لازم به ذکر است که فاصله تراکم برای پاسخ های کرانه ای برابر ∞ در نظر گرفته می شود تا حداکثر شانس ممکن در نتخاب اعضای نسل بعد را دارا باشند. بدین ترتیب، بعد از محاسبه فاصله تراکم برای جواب های موجود در آخرین جبهه پارتوی مجاز و مرتب سازی آنها از بیشترین تا کمترین مقدار، جواب ها یک به یک و بر طبق لیست در ظرفیت های خالص اعضای نسل بعد قرار داده شده است تا تعداد اعضا، معادل N گردد. این روند به صورت شماتیک در شکل (6-2) نمایش داده شده است.

شکل 6-2-منطق به کاررفته در الگوریتم NSGA-II برای انتخاب اعضای نسل بعد

انتخاب اعضا برای اجرای عملگردهای ژنتیکی
الگوریتم NSGA-II، با هدف افزایش احتمال اعضای خوب در جمعیت والدین (Pt) برای اعمال عملگرهای ژنتیکی نظیر آمیزش و جهش، از عملگر انتخاب مسابقه ای بر مبنای تراکم به منظور انتخاب هر یک از پاسخ های دخیل در این عملگرها بهره می برد. این عملگرد( ) دو پاسخ را که به ص

 

دیدگاهتان را بنویسید