دسته بندي علمی – پژوهشی : 
تسطیح منابع نامحدود پروژه با در نظر گرفتن منابع متعدد و اهداف چندگانه-  …

دسته بندي علمی – پژوهشی : تسطیح منابع نامحدود پروژه با در نظر گرفتن منابع متعدد و اهداف چندگانه- …

Q جبهه بعدی پارتو می باشد. Fi=Q
محاسبه پارامتر کنترلی به نام فاصله جمعیت [۱۸۹]
این پارامتر برای هر عضو در هر گروه محاسبه می شود و بیان گر اندازه ای از نزدیکی نمونه مورد نظر به دیگر اعضای جمعیت آن دسته و گروه می باشد.
مقدار بزرگ این پارامتر منجر به واگرایی و گستره بهتری در مجموعه اعضای جمعیت خواهد شد. لذا هر نقطه ای که مقدار ازدحامی بیشتری داشته باشد، به این معنی است که محدوده بیشتری را پوشش میدهد و حذف آن منجر به از دست رفتن تنوع جواب در محدوده وسیعی از پاسخ ها میشود لذا نقاطی که از مجموعه جواب با رتبه ۳ که دارای فاصله ازدحامی کمتر هستند، به میزانی که جمعیت اولیه ثابت بماند باید حذف شود. همچنین نقاط ابتدایی و انتهایی مربوط به این مجموعه نقاط مهمی هستند که باید حتما در بین جوابها وجود داشته باشند و حذف نشوند. فرمول زیر برای هر مسئله با چندین تابع هدف نیز قابل تعمیم است.
شکل ۵-۳- مفهوم فاصله ازدحامی برای نقطه i
(۳-۳۲)
(۳-۳۴)
(۳-۳۳)
در فرمول بالا مقادیر مربوط به   در شکل مشخص است و  نسبت به ناحیه مربوط به قلمرو نقطه i به کل ناحیه از تابع هدف  نسبت به ناحیه مربوط به قلمرو همین نقطه به کل ناحیه از تابع هدف  می باشد و  که مجموع این دو نسبت است، شاخصی از قلمرو کلی مربوط به این نقطه را بیان می کند که فاصله ازدحامی نامیده میشود.
انتخاب[۱۹۰] اعضای نسل بعد
بعد از تعیین سطوح مختلف جبهه پارتو، اعضای نسل بعد (دارای N عضو) از طریق قوانین موجود در الگوریتم NSGA-IIو از بین اعضای جمعیت مختلط(دارای ۲N عضو)، انتخاب می شوند. عملیات انتقال از بهترین جبهه غیر مغلوبFآغاز می شود. هنگامی که نوبت آخرین جبهه مجاز می رسد، ممکن است تعداد اعضای موجود از تعداد ظرفیت خالی در نسل جدید بیشتر باشد. در این مدل جواب های موجود در نواحی غیر شلوغ دارای ارجحیت در روند انتخاب هستند.
به طور کلی مبنای انتخاب و گزینش اعضای جمعیت در روش NSGA-II بر اساس دو پارامتر رتبه مغلوب نشدن و فاصله ازدحام می باشد.
استفاده از عملگر انتخابی tournament جهت انتخاب عضو برتر برای حوضچه تولید مثل دو عضو به طور تصادفی از مجموعه p و q انتخاب و برمبنای زیر مقایسه نمایید:
الف) مقایسه رتبه و مرتبه دسته هر کدام از این دو عضو و انتخاب عضو با رتبه کمتر
ب) در صورتیکه هر دو عضو از یک مرتبه برخوردار باشند، معیار فاصله ازدحام آنها مقایسه می شود.
 
جمع بندی
در این فصل، جزئیات مدلی چند هدفه ارائه گردید که ضمن تبعیت از قیود مسئله (روابط پیش نیازی….)، اهدافی شامل (۱) مدت زمان تکمیل پروژه، (۲) میزان هزینه ی کل پروژه که شامل هزینه تاخیر و هزینه استفاده از منابع را کمینه سازی می کند بدین ترتیب نقاط مختلفی در جبهه پارتوی دو بعدی حاصل شده از اجرای مدل، ارائه خواهند شد که هر یک از آنها متعلق به شبکه زمانبندی متفاوتی هستند. با انتخاب هر یک از پاسخ های غیرمغلوب، یک برنامه زمانبندی منحصر به فرد در اختیار خواهیم داشت که اجرای پروژه را بر طبق زمان ها و مد های تعیین شده برای هر یک از فعالیت، ضروری می سازد. با توجه به پیچیدگیهایی که مختص به نوع مسئله ی مورد مطالعه می باشد، روشهایی اصلاح شده برای تولید جمعیت اولیه و کد گذاری و کد برداری مدل ابداع و در مدل پیشنهادی استفاده شد.
مشاهده شده است مدل ارائه شده دارای تفاوتی با مدل های قبل می باشد بدین صورت که حالتهای چند منبع، فعالیتهای چند مد و نامحدود بودن منابع را در یک زمان باهم در نظر گرفته است.
در این فصل به معرفی الگوریتم ژنتیک NSGA-II پرداخته شد. این الگوریتم با اضافه شدن دو عملگر ضروری به الگوریتم ژنتیک تک هدفه معمولی، به یک الگوریتم چند هدفه تبدیل شده است که بجای یافتن بهترین جواب، دسته ای از بهترین جوابها را می دهد که با نام پارتو فرانت شناخته می شوند. این دو عملگر عبارتند از:
عملگری که یک معیار برتری (رتبه) براساس مرتب سازی نامغلوب به اعضای جمعیت اختصاص می دهد.
عملگری که تنوع جواب را در میان جوابهای با رتبه برابر حفظ نگه میدارد.
به طور کلی گامهای الگوریتم ژنتیک NSGA-II بصورت زیر می باشد.
تولید جمعیت اولیه
انجام عملیات چندهدفه(مرتب سازی نامغلوب، محاسبه ازدحامی، مرتب کردن جوابها)
– اعمال روش مرتب سازی نامغلوب
– محاسبه پارامتر کنترلی بنام فاصله جمعیت (Crowding Distance)
– مرتب کردن جوابها از زیاد به کم بر اساس Crowding Distance و براساس جبهه از کم به زیاد
شروع حلقه اصلی
تولید فرزندان به روش جهش و تقاطع
تجمیع نسل قبل و نسل جدید
انجام عملیات چندهدفه(مرتب سازی نامغلوب، محاسبه ازدحامی، مرتب کردن جوابها)
انتخاب بهترین ها
انجام عملیات چندهدفه(مرتب سازی نامغلوب، محاسبه ازدحامی، مرتب کردن جوابها)
برگشتن به ابتدای حلقه اصلی تا برقراری شرط توقف
در فصل بعد مدل ارائه شده در این فصل را با استفاده از دو روش دقیق و الگوریتم ژنتیک حل و با یکدیگر مقایسه خواهیم کرد.

این مطلب را هم بخوانید :
تأثیر رفتار شهروندی سازمانی در ارتقاء هوش سازمانی مطالعه موردی کارکنان شرکت نفت قم- قسمت ...

فصل چهارم

اجرای مدل و تجزیه و تحلیل

 
مقدمه
در این فصل هدف حل یک مساله دشوار توسط و تولید مرزکارا روش دقیق با استفاده از (LINGO) و حل همان مساله وتولید مرز کارا توسط GA و مقایسه این دو روش با یکدیگر می باشد.لازم به ذکر است با توجه به اینکه مسئله مذکور بر زمانبندی و تسطیح پروژه با منابع نامحدود تمرکز دارد لذا پیچیدگی و الگوریتم مورد نظر برای حل یکی از مسائل و مشکلات موجود می باشد. ما در این پژوهش یک الگوریتم عمومی که برای تمامی مسائل ارائه شده بصورت مدل ریاضی در این پژوهش مطابقت دارد و به کار می رودارائه خواهیم کرد.
مسئله مذکور دو هدفه و غیر خطی می باشد و ماهیت مسئله بدین صورت است که هر فعالیت دارای چند منبع بوده و در چند حالت امکان اجرا وجود دارد و نشاندهنده این است که مسئله NP-hard بوده و هر قدر پارامترهای مذکور بزرگتر باشند حل مسئله دشوارتر و زمانبرتر خواهد بود. ما در این پژوهش یک روش حل دقیق و یک روش فراابتکاری ارائه داده ایم.در ابتدا با استفاده از روش حل دقیق و حل مثالهایی با حجم کوچک کارایی مدل نشان داده شده و سپس با استفاده از روش فراابتکاری مسأله را با پارامترهای بزرگتر جهت نشان دادن اینکه مسئله در حجم بالا قابلیت زیادی داشته و کارا می باشد حل کرده ایم.
 
اعتبار سنجی مدل و حل با استفاده از الگوریتم دقیق ε-constraint
در این قسمت با توجه به برنامه نوشته شده در لینگو و اتصال آن به اکسل، در ابتدا مسئله مورد نظر از فایل اکسل با توابع OLE در داخل لینگو فراخوانی می شود و سپس تمام داده های مثال هایی که حل می کنیم به عنوان نتیجه در فایل اکسل مجددا ذخیره می شود. در این رابطه کد لینگو نوشته شده به نوعی است که تمامی مثال ها با تمامی اعداد در آن قابل حل می باشند.در ذیل به شرح عمومی فایل اکسل ذکر شده می پردازیم.

برای دانلود متن کامل پایان نامه به سایت zusa.ir مراجعه نمایید.
برچسب گذاری شده با: , , , , ,