تحقیق درمورد الگوریتم ژنتیک و انتخاب طبیعی

4-2-2-3 : سلولهای تولید انعطافپذیر
سلولهای تولید انعطافپذیر، سلولهایی میباشند که شامل چندین ماشین CNC، جابجایی تصادفی اتوماتیک قطعات از / به ایستگاههای پردازش و سیستم کنترل کامپیوتری مرکزی میباشند. این نوع سلولها ترکیبی از سیستم تولید سلولی و سیستم تولید انعطافپذیر بوده و بنابراین مزایای هر دو این سیستمها را دارا هستند. این نوع سلولها قادر به تولید با حجم و تنوع بالا هستند]52[ .
3-3: مزایای مدل پیشنهادی
تولید سلولی یکی از مهمترین کاربردهای تکنولوژی گروهی در محیط تولیدی امروزی است. در یک سلول تولیدی، قطعات (کارها) با زمان های راه اندازی وشرایط ابزار مشابه به عنوان خانواده قطعات در نظر گرفته می شوند. در یک محیط سلولی، نوعی از ماشینها ویا قطعات با یکدیگر درون خانواده قطعات گروهبندی میشوند. مسائل چیدمان سلولی عمدتاً به چینش ماشینها و ترتیبدهی خانواده قطعات مربوط میشوند به طوری که هر سلول تولیدی به تولید تعداد معینی از خانواده قطعات میپردازد. هنگامی که هر قطعه بر روی هر ماشین به همان ترتیب تخصصی یک سلول تولیدی پردازش شود، آنگاه این سلول، سلول تولیدی خط جریان نامیده میشود. این پایان نامه به بررسی مسئلهقیمتگذاری قطعات، تعیین میزان تولید از هر قطعه، تعیین ماشینهای موجود در هر سلول در هر دوره و همچنین چگونگی تخصیص قطعات درون سلولها بر اساس خانواده قطعات در جهت حداکثر کردن سود میپردازد. تا کنون در هیچ کدام از مدل های موجود تاثیر تعیین قیمت قطعات بر روی شکلدهی سلولها بررسی نشده است. از آنجایی که بدست آوردن حداکثر سود مهمترین هدف در تولید میباشد لذا تعیین مناسب ترین قیمت و بهترین حجم تولید جهت حداکثر کردن سود با اهمیت به نظر میرسد. تعیین قیمت مناسب با توجه به هزینههای مختلف تولید، حجم تولید مناسب را تعیین میکند و این تغییر در میزان تولید در هر دوره باعث تغییر در شکل سلولها میگردد. در این پایان نامه یک مدل ریاضی برای این مسئله در حالت پویا، ارائه شده است که در آن هدف بیشینه کردن سود و مدیریت درآمدها بوسیله تعیین قیمت و حجم تولید با در نظر گرفتن هزینه های حاصل از جابجایی مواد، جابجایی و نگهداری ماشینها و هزینه تولید وابسته به ماشین میباشد.
4-3:الگوریتم فراابتکاری ژنتیک:
الگوریتم ژنتیک یکی از مهم‌ترین الگوریتم‌های ابتکاری می‌باشد که از آن برای بهینه‌سازی توابع مختلف استفاده می‌شود. در این الگوریتم اطلاعات گذشته با توجه به موروثی ‌بودن الگوریتم استخراج شده و در روند جستجو مورد استفاده قرار می‌گیرد.
ابتدا توسط هالند]44[ یک مفهوم اولیه از الگوریتم ژنتیک ارائه شدو سپس گلدبرگ]38[ آن را توصیف کرد. الگوریتم‌های ژنتیک، تکنیک‌های جستجوی تصادفی هستند که بر اساس انتخاب طبیعی و نسل‌شناسی طبیعی کار می‌کنند.
این الگوریتم‌ها تفاوت‌هایی اساسی با روش‌های جستجو و بهینه‌سازی متداول دارند که گلدبرگ این تفاوت‌ها را به صورت ذیل خلاصه کرده است]38[
الگوریتم ژنتیک با مجموعه‌ای از جواب‌های کدگذاری شده کار می‌کند نه با خود آنها
الگوریتم ژنتیک در یک جمعیت از جواب‌ها و با مجموعه‌ای از آنها شروع به جستجو می‌کند نه با یک جواب.
الگوریتم ژنتیک از اطلاعات تابع برازش استفاده می‌کند، نه از مشتق‌ها و یا علوم کمکی دیگر.
الگوریتم ژنتیک از قواعد انتقال احتمالی استفاده می‌کند نه از قواعد قطعی.
الگوریتم ژنتیک با مجموعه‌ای از جواب‌های کدگذاری شده کار می‌کند نه با خود آنها.
الگوریتم ژنتیک در یک جمعیت از جواب‌ها و با مجموعه‌ای از آنها شروع به جستجو می‌کند نه با یک جواب.
الگوریتم ژنتیک از اطلاعات تابع برازش استفاده می‌کند، نه از مشتق‌ها و یا علوم کمکی دیگر.
الگوریتم ژنتیک از قواعد انتقال احتمالی استفاده می‌کند نه از قواعد قطعی.
مزایا و برتریهای الگوریتم ژنتیک
قابلیت‌های روش ژنتیک را می‌توان ماحصل امتیازات ویژه این روش دانست. برخی از امتیازات این روش به صورت زیر هستند ]36[:
1- امتیاز اول جستجوی چند جانبه و کار بر روی جمعیتی از متغیرها در آن واحد است. الگوریتم ژنتیک در یک جمعیت از جواب‌ها و با مجموعه‌ای از آنها شروع به جستجو می‌کند نه با یک جواب. بدین ترتیب به جای یافتن نقطه مناسب، محدوده‌های مناسب در فضای متغیرها شناسایی ‌شده و با انتخاب والدین متناسب با شایستگی آنها از تمامی فضای متغیرها یک جستجوی هوشمند و مؤثر برنامه‌ریزی می‌گردد که امکان یافتن نقطه بهینه کلی را افزایش می‌دهد. به عبارت دیگر الگوریتم ژنتیک تحت تاثیر جواب بهینه موضعی قرار نمی‌گیرد.
در اغلب روش‌های بهینه‌سازی، جستجو از یک نقطه شروع و با یک الگوریتم خاص به نقطه دیگر هدایت می‌شود. این روش ممکن است به پاسخ موضعی منجر گردد و از یافتن پاسخ بهینه کلی بازماند. در روش ژنتیک همواره مجموعه‌ای از جمعیت متغیرها در روند جستجو به کار می‌روند، بدین ترتیب همزمان با ایجاد شانس بیشتر برای متغیرهای شایسته‌تر برای بقا و تولید مثل، جستجوی سایر مناطق فضای متغیرها با شایستگی کمتر نیز، نادیده گرفته نمی‌شود، لذا احتمال یافتن نقطه بهینه کلی افزایش می‌یابد، این ویژگی بخصوص برای توابع با تغییرات ناگهانی و دارای چندین نقطه بهینه موضعی مناسب می‌باشد.
2- امتیاز دوم صرفا استفاده از مقدار تابع هدف برای جستجو است. بنابراین نیازی به اطلاعات جانبی دیگر مانند مشتق تابع ندارد. به همین دلیل به راحتی می‌توان از این روش در بهینه‌سازی توابع منفصل و یا توابع دارای تغییرات ناگهانی و چندین نقطه بهینه موضعی استفاده کرد.
3- امتیاز سوم استفاده از قواعد احتمالی به جای قواعد قطعی است. در بسیاری از روش‌های بهینه‌سازی، با استفاده از یک قانون معین از یک نقطه خاص در فضای جستجو به نقاط دیگر می‌رویم. این گونه روش‌های نقطه به نقطه از این جهت خطرناک هستند که در فضاهای جستجوی چند بهینه، احتمال قرار گرفتن در بهینه موضعی وجود دارد. در مقایسه با این روش‌ها، الگوریتم ژنتیک به طور همزمان با مجموعه‌ای از نقاط کار می‌کند و به طور موازی از ماکزیمم‌های مختلف فراتر رفته و بنابراین احتمال رسیدن به یک جواب اشتباه کاهش می‌یابد. البته استفاده الگوریتم ژنتیک از قواعد احتمالی به معنای یک جستجوی صرفا تصادفی نیست، بلکه این الگوریتم از انتخاب تصادفی به عنوان ابزاری برای هدایت عمل جستجو در مناطقی از فضا استفاده می‌کند.
این نوشته در علمی ارسال شده است. افزودن پیوند یکتا به علاقه‌مندی‌ها.