مقدمه

در مسائل تصميم گيري به منظور رسيدن به اهداف مورد نظر مي توان مسئله را به صورت يك مدل رياضي تبديل نمود و از روش هاي بهينه سازي موجود بهره جست. تبديل يك مسئله تصميم گيري به يك مدل رياضي، مدل سازي ناميده مي شود. به طور كلي مدل سازي سيستم ها به دو منظور شبيه سازي و بهينه سازي انجام مي گيرد.
مدل هاي بهينه سازي كه مبتني بر الگوريتم هاي رياضي اي هستند كه قادر به تعيين بهترين و بهينه ترين راه حل براي مسائل مي باشند. و اين راه حل ها از دقت بالايي برخوردار بوده و باعث افزايش منافع مي شوند. اين مدل ها مي توانند خطي يا غير خطي باشند. در حاليكه مدل هاي شبيه سازي به پيش بيني عملكرد سيستم با توجه به مقادير متغيرهاي داده شده توسط كاربر محدود است، مدل هاي بهينه سازي به صورت خودكار به جستجوي يك گروه بهينه از بين مقادير متغيرهاي تصميم مي پردازند.
الگوريتم ژنتيك يكي از روشهاي جديد بهينه سازي است كه بيشتر براي بهينه سـازي مسـائل بسـيارپيچيده وغير خطي به كار مي رود. اساس اين روش بر مبناي فرايند تكامل است.
در واقع اساس اين روش بر پايه اصل “سير تكاملي جانداران در طبيعت”يا”انتخاب طبيعت”است.
در همه مسائل،الگوريتم ژنتيك به وسيله تابع هدف خود كه از نوع ماكزيمم است،نقطه بهينه را در مسئله ميابد.
الگوريتم هاي ژنتيك تفاوت بسيار زيادي با روش هاي بهينه سازي قديمي دارند. در اين الگوريتم بايد فضاي طراحي به فضاي ژنتيك تبديل شود. بنابراين الگوريتم هاي ژنتيك با يك سري متغيرهاي كدشده كار مي كنند. مزيت كار با متغيرهاي كدشده در اين است كه اصولاً كدها قابليت تبديل فضاي پيوسته به فضاي گسسته را دارند. يكي از تفاوت هاي اصلي اين روش با روش هاي قديمي بهينه سازي در اين است كه الگوريتم ژنتيك با جمعيت يا مجموعه اي از نقاط در يك لحظه خاص كار مي كند.
روش الگوريتم ژنتيك ضمن آن كه هزينه نسبتاً زيادي در مقايسه با ساير روش هاي بهينه سازي دارد، در پروژه هاي چند منظوره و پيچيده كاربرد داشته و نسبتاً سريع به جواب ميرسد.

برای دانلود رایگان قسمت های بیشتراز فایل به انتهای مطلب مراجعه کنید

فهرست مطالب

چكيده ………………………………………………………………………………………………………………………. 1

مقدمه ……………………………………………………………………………………………………………………….2

فصل اول : تعريف مسئله

مدل شرحي ساده از هويت يا فرآيندي پيچيده است . به عبارت ديگر مدل سازي به معناي استخراج روابط بين پديده هاي مرتبط با هم و ارايه يك سيستم پويا است، تا امكان پيشگويي تغييرات پديده يا پديده ها نسبت به زمان، مكان و غيره به وجود آيد. ساخت مدل بر پايه كشف روابط منطقي و شناخت و تفسير اين روابط امكان پذير مي گردد . در شرايط حاضر استفاده از مدل تقريبا در تمامي علوم، كاري متعارف مي باشد به طوري كه امروزه از شبيه سازي انفجارهاي اتمي گرفته تا علوم انساني، از مدل استفاده مي شود ( Le Ngo, 2007 Long). در علوم مهندسي با پيشرفت محا سبات عددي و ساخت كامپيوترهاي پرسرعت طي چند دهه اخير، زمينه لازم براي ساخت و ارايه مدل، بيش از پيش فراهم گرديده است . در علوم مختلف كشاورزي و از آن جمله آبياري و زهكشي نيز مدل سازي در حال توسعه مي باشد . استفاده از مدل ها ، زمينه لازم را براي پاسخ هاي سريع، دقيق و اقتصادي به بسياري از سوالات فراهم آورده است(Mitchell , 1999).
در مسائل تصميم گيري به منظور رسيدن به اهداف مورد نظر مي توان مسئله را به صورت يك مدل رياضي تبديل نمود و از روش هاي بهينه سازي موجود بهره جست. تبديل يك مسئله تصميم گيري به يك مدل رياضي، مدل سازي ناميده مي شود. به طور كلي مدل سازي سيستم ها به دو منظور شبيه سازي و بهينه سازي انجام مي گيرد(كارآموز ، 1385).
مدل ها را به شيوه هاي مختلفي مي توان طبقه بندي كرد. بطور كلي سـه نـوع مـدل توليـد كننـدهوجود دارد:
1-مدل هاي شبيه سازي كه مبتني بر قوانين بهره برداري از پيش تعيين شده هستند. اين مدل ها فقط مي توانند جواب هاي بهينه نزديك را تعيين كنند كه در برخي موارد اين جواب ها قابل قبول نيستند. شبيه سازي سيستم به ازاي مقادير جواب هاي امكان پذير ورودي مي تواند جهت بررسي مشخصات مدل و ميزان دستيابي به اهداف به ازاي مقادير مختلف متغيرهاي تصميم گيري مورداستفاده قرار گيرد.
2- مدل هاي بهينه سازي كه مبتني بر الگوريتم هاي رياضي اي هستند كه قادر به تعيين بهترين و بهينه ترين راه حل براي مسائل مي باشند. و اين راه حل ها از دقت بالايي برخوردار بوده و باعث افزايش منافع مي شوند. اين مدل ها مي توانند خطي يا غير خطي باشند. در حاليكه مدل هاي شبيه سازي به پيش بيني عملكرد سيستم با توجه به مقادير متغيرهاي داده شده توسط كاربر محدود است، مدل هاي بهينه سازي به صورت خودكار به جستجوي يك گروه بهينه از بين مقادير متغيرهاي تصميم مي پردازند.
بهينه سازي در واقع تعيين مقادير متغيرهاي تصميم است به صورتي كه معيار يا هدف موردنظر بهينه گردد(S.Jebaraj, 2004 ).
1-2-مقدمه اي بر مدل هاي بهينه سازي
به طور كلي، بهينه سازي عبارت است از جستجو براي يك سياست بهره برداري انعطاف پذير كه مقدار تابع هدف را مينيمم يا ماكزيمم مي كند. اين واژه داراي يك مفهوم رياضي است. به طور ساده مي توان گفت در شرايط بهينه ، سود خالص حاصل از عملكرد سيستم حداكثر خواهد بود به عبارت ديگر حالتي از عملكرد سيستم مورد جستجو قرار مي گيرد كه در آن محصول توليد شده حداكثر سود خالص را تضمين نمايد. به تعبير رياضي بهينه سازي سيستم به دنبال حداكثر نمودن يك تابع ضمني مانند U است كه در آن شرايط و محدوديت هايي مانند F وجود دارد(جواهري ، 1385).
تابع هدف هسته اصلي مدل هاي بهينه سازي را تشكيل مي دهد. اين تابع كه با توجه به قيود و محدوديت هاي سيستم به حداقل يا حداكثر رسانده مي شود، بايد در يك قالب رياضي مناسب و با متغيرهاي تصميم بيان شود. تابع هدف ممكن است يك تابع هزينه(جريمه) يا يك تابع
.(Rafael B. Macabiog, 2001)مطلوبيت(سود) باشد
هر مسئله مهندسي ممكن است داراي چندين جواب مختلف باشد كه بعضي از آنها ممكن و بعضيغيرممكن است. وظيفه طراحان پيدا كردن بهترين جواب ممكن از ميان جواب هاي مختلف است.
مجموعه جواب هاي ممكن فضاي طراحي را شكل مي دهند كه بايد در اين فضا به جستجوي بهترين جواب پرداخت(كارآموز، 1382).
مسئله طراحي و بهره برداري بهينه از ديدگاه منابع آب يك سد برقابي، يك مسئله بهينه سازي نسبتاً پيچيده به دليل وجود متغيرهاي تصميم طراحي و بهره برداري به شكل توام، توابع غيرخطي با فضاي غير محدب و قيود احتمالاتي است.
كاربرد روش هاي تحليل سيستمي مانند بهينه سازي و شبيه سازي در تعريف، تشخيص، ارزيابي و انتخاب طرح ها، مقررات و سرمايه گذاري در منابع آب كه هرچه نزديك تر به نيازها و اهداف طراحان، استفاده كنندگان و افراد ذينفع و درگير با طرح هاي مديريتي منابع آب قرار دارند، به طور قابل ملاحظه اي مفيد بوده و استفاده از ابزار و روش هاي تحليل سيستمي در طرح ريزي سيستم هاي منابع آب هر روزه افزايش مي يابد. روش كاربردي و مرسوم در طراحي سدهاي برقابي استفاده از مدل هاي شبيه سازي بر مبناي اعتمادپذيري با استفاده از قواعد بهره برداري معلوم است. علي رغم اينكه مدل هاي شبيه سازي در ارزيابي عملكرد مخازن برقابي در شرايط گوناگون، مدل هاي كارايي مي باشند؛ اين مدل ها در زمينه انتخاب و تعريف بهترين تركيب متغيرهاي تصميم و اهداف ابزار كاملي نيستند. در مدل هاي شبيه سازي براي انتخاب بهينه اجزاء مدل، ممكن است از يك روند مبتني بر سعي و خطا در طي چندين گام براي تعداد محدودي از پارامترهاي طراحي استفاده شود. در اين شرايط رسيدن به بهترين جواب عملاً ممكن نخواهد بود. از طرفي بهينه سازي طراحي و بهره برداري از مخازن برقابي با استفاده از روش هاي بهينه سازي كلاسيك نظير غيرخطي و غيرمحدب بودن مدل و نيز چگونگي احتساب قيود احتمالاتي مربوط به اعتمادپذيري نياز انرژي مواجه است. در اين زمينه استفاده از روش هاي بهينه سازي بر مبناي شبيه سازي از نوع الگوريتم هاي جستجوي هوشمند مي تواند مورد توجه قرار گيرد. اين روش ها در يك فرآيند جستجوي خودكار و تكاملي به جستجوي بهترين تركيب متغيرهاي طراحي و سياست بهره برداري يك مخزن برقابي با استفاده ازيك مدل شبيه سازي مي پردازد(كارآموز، 1385).

1- 1- تعريف مدل و مدلسازي……………………………………………………………………………………………… 3
1- 2- مقدمه اي بر مدل هاي بهينه سازي ………………………………………………………………………………. 4
1- 3- روش هاي بهينه سازي ……………………………………………………………………………………………… 6
1- 3- 1- برنامه ريزي خطي ………………………………………………………………………………………………… 10
1- 3- 2- برنامه ريزي غير خطي …………………………………………………………………………………………… 11

فصل دوم : مروري بر مطالعات گذشته

استفاده كرده اند
كارآموز و همكاران(1992)، قوانين ماهانه و سالانه بهره برداري از مخزن را با استفاده از مدل بهينه سازي قطعي توسعه دادند. ايشان از يك الگوريتم سه سيكلي شامل برنامه ريزي قطعي ديناميكي، تحليل رگرسيون و شبيه سازي استفاده كردند(زهرائي 1385).
. فهمي و همكاران(1994)از مدل الگوريتم ژنتيك در يك سيستم مخزن استفاده نمودند و اظهار داشتند كه مدل الگوريتم ژنتيك پتانسيل كاربرد در سيستم رودخانه-مخزن بزرگ را دارد(زهرائي 1385).
آقاي لانگ لي.ان.گو و هنريك مدسن (2007) موفق شدند براي تعيين سياست هاي بهره برداري از مخزن هائوبين در ويتنام، يك مدل تلفيقي بهينه سازي و شبيه سازي توسعه دادند(زهرائي 1385).

2 -2- افرادي كه از مدل الگوريتم ژنتيك در بهينه سازي بهره برداري از سيستم چند مخزنه استفاده كرده اند
واردلاو و شريف(1999) تحقيقي در جهت استفاده از الگوريتم ژنتيك در بهينه سازي بهره برداري از سيستم چند مخزنه انجام دادند و به اين نتيجه رسيدند كه نمايش اعداد از نوع واقعي، انتخاب اعضاء به روش تورنومنت، ادغام و جهش يكنواخت جواب هاي رضايتبخشي را ارائه خواهد داد(زهرائي
.(1385

2 -3- افرادي كه از مدل الگوريتم ژنتيك براي بهينه سازي قوانين بهره برداري از مخازن چند منظوره استفاده كرده اند
ژوران علي احمد و آروپ كومار سارما(2005)از الگوريتم ژنتيك جهت پيدا كردن عملكرد بهينه يك مخزن چند منظوره استفاده كردند و نتايج به دست آمده با نتايج حاصل از روش ديناميكي احتمالي مقايسه شد.مقايسه نتايج حاصل نشان داد كه الگوريتم ژنتيك جهت پيدا كردن عملكرد بهينه مخازن چند منظوره عملكرد بهتري داشته ونتايج قابل اطميناني را ارئه مي دهد.
2-4- افرادي كه از مدل الگوريتم ژنتيك براي بهينه سازي منحنـي فرمـان درسيستم چند مخزنه و مخازن چند منظوره استفاده كرده اند
چن(2003) موفق شد با تلفيق الگوريتم ژنتيك داراي كدگذاري حقيقي با يك مدل شبيه سازي، منحني هاي فرمان بهره برداري10 روزه از يك سيستم مخزن مهم در تايوان را بهينه سازي كند.
نتايج نشان داد كه اين روش مي تواند با موفقيت براي بهينه سازي منحني هاي فرمان به كار رود و همچنين، نوع تابع هدف و مدل شبيه سازي به كار گرفته شده هيچگونه محدوديتي براي اين روش ايجاد نمي كند(زهرائي 1385).
چانگ و همكاران (2004)، كارايي و تاثير دو رهيافت از نمايش كروموزوم هاي الگوريتم ژنتيك(نمايش اعداد به صورت واقعي و در مبناي دودويي) به منظور تدوين منحني فرمان بهره برداري از مخزن چندمنظورهShih-Men در تايوان را مورد بررسي قرار دادند. نتايج نشان داده كه روش الگوريتم ژنتيك، يك روش قدرتمند، موثر و مناسب در تدوين منحني فرمان مي باشد(زهرائي 1385).
2 -5- افرادي كه از مدل الگوريتم ژنتيك براي بهينه سازي سيستم آبهاي زير زميني استفاده كرده اند
يون شوماخر (2001)از ابگوريتم ژنتيك كد گذاري شده با مقادير واقعي (RGA)و با دو عملگر گسترش يافته جديدكه عبارت بودند از تركيب مستقيم وجايگزيني محافظت شده براي يك سيستم آبهاي زير زميني استفاده كردند.آنها نتيجه گرفتند كه كد گذاري با مقادير واقعي نسبت به كدگذاري باينري بهتر است.
2-6- افرادي كه از مدل الگوريتم ژنتيك براي بهينه سازي توليد نيروي برقابي استفاده كرده اند
ايست و هال(1994)از مدل الگوريتم ژنتيك براي حل يك مسئله چهارمخزني با هدف حداكثر نمودن سود توليد برق و تامين آب آبياري و اعمال محدوديت هاي ذخيره و خروجي ، استفاده نمودند.
تحقيق آنان نشان داده است كه پتانسيل قابل توجهي از مدل الگوريتم ژنتيك در بهينه سازي سيستم مخازن وجود دارد و مزيت اين رهيافت را نسبت به مدل برنامه ريزي پويا در تامين نيازها به خوبي اثبات نمودند(زهرائي 1385).
چانگ ژيان ايا هوانگ كوانگ و وانگ يي مين(2005)از الگوريتم ژنتيك براي بهينه سازي مقدار رها سازي آب در 12 بازه زماني ماهانه استفاده كردند.ماكزيمم كردن مفدار توليد نيروي برقابي هدف مورد نظر آنها بود،مقايسه نتايج بدست آمده از الگوريتم ژنتيك با ساير روشها نشانگر برتري الگوريتم ژنتيك بود.

2- 1-افرادي كه از مدل الگوريتم ژنتيك در مديريت و بهره برداري از مخزن استفاده كرده اند ………………………… ١٢
2- 2- افرادي كه از مدل الگوريتم ژنتيك در بهينه سازي بهره برداري از سيستم چند مخزنه استفاده كرده اند …….. ١٢
2- 3- افرادي كه از مدل الگوريتم ژنتيك براي بهينه سازي قوانين بهره برداري از مخازن چند منظوره استفاده كرده اند … ١٣
2- 4- افرادي كه از مدل الگوريتم ژنتيك براي بهينه سازي منحني فرمان در سيستم چند مخزنه و مخازن چند منظوره استفاده كرده اند .. ١٣

2- 5- افرادي كه از مدل الگوريتم ژنتيك براي بهينه سازي قوانين بهره برداري از سيستم آبهاي زيرزميني استفاده كرده اند …. ١٤
2- 6- افرادي كه از مدل الگوريتم ژنتيك براي بهينه سازي قوانين بهره برداري توليد نيروي برقابي استفاده كرده اند …. ١٤

برای دانلود رایگان قسمت های بیشتراز فایل به انتهای مطلب مراجعه کنید

فصل سوم : الگوريتم ژنتيك

مقدمه :
تكنيك جستجويي در علم رايانه براي يافتن راهحل تقريبي براي بهينه سازي و مسائل جستجو است. الگوريتم ژنتيك نوع خاصي از الگوريتمهاي تكامل است كه از تكنيكهاي زيستشناسي مانند وراثت و جهش استفاده ميكند.
الگوريتمهاي ژنتيك معمولاً به عنوان يك شبيه ساز كامپيوتر كه در آن جمعيت يك نمونهٔ انتزاعي (كروموزوم ها) از نامزدهاي راه حل يك مسأله بهينه سازي به راه حل بهتري منجر شود، پياده سازي مي شوند.همانطور كه قبلا گفتيم، به طور سنتي راه حل ها به شكل رشته هايي از 0 و 1 بودند، اما امروزه به گونه هاي ديگري هم پياده سازي شده اند. فرضيه با جمعيتي كاملاً تصادفي منحصر بفرد آغاز ميشود و در نسل ها ادامه مييابد. در هر نسل گنجايش تمام جمعيت ارزيابي ميشود، چندين فرد منحصر در فرايندي تصادفي از نسل جاري انتخاب ميشوند (بر اساس شايستگي ها) و براي شكل دادن نسل جديد، اصلاح ميشوند (كسر يا دوباره تركيب ميشوند) و در تكرار بعدي الگوريتم به نسل جاري تبديل
ميشود.
3-1- معرفي الگوريتم ژنتيك
الگوريتم ژنتيك يكي از روشهاي جديد بهينه سازي است كه بيشتر براي بهينه سازي مسائل بسيار پيچيده وغير خطي به كار مي رود.اساس اين روش بر مبناي فرايند تكامل است. جان هلند در دانشگاه ميشيگان امريكا با تحقيقات خود در اوايل دهه 70 ميلادي بناي اين روش را گذاشت و در سال 1975 به طور رسمي با انتشار كتابي ان را به جهان معرفي كرد.قبل از وي در قانون بقاي داروين اصول اوليه و فرضيه هاي الگوريتم ژنتيك مشخص شده بود.در واقع اساس اين روش بر پايه اصل “سير تكاملي جانداران در طبيعت”يا”انتخاب طبيعت”است
در جوامع موجودات زنده و از جمله جوامع انساني، بقاي هر عضو جامعه در گرو رقابت با ساير اعضا است. هر عضوي كه توان رقابت در جامعه اي زنده را نداشته باشد به قهر طبيعت بايد زودتر از ساير اعضا از بين برود.
با از بين رفتن اعضاي ضعيف، جامعه موجودات زنده همواره در حال پالايش و گزينش افراد قوي تر است. از طرفي شرط بقاء موجودات زنده، توليد مثل و توليد نسل هاي آينده است. از آنجا كه در جوامع زنده همواره شانس بقاء براي موجودات قوي تر (برحسب صفت مورد جستجو) فراهم است، لذا ازدواج و توليد مثل نسل هاي آينده براساس به گزيني و تكامل ژنتيك موجودات بنا نهاده شده است.
در جوامع انساني عوامل بقاء را ميتوان تابع شرايطي نظير رقابت هاي اقتصادي، اجتماعي ، جنگ و فقر و
…. به شمار آورد. عموماً معيار انتخاب قوي ترها در جوامع انساني پيچيده است و لذا در اين گونه جوامع، انتخاب قويتر ها براساس معيارهاي خاص گزينشي آن جامعه صورت مي پذيرد.
بعضي از صفات يا معيارها در جامعه منحصر به فرد و بعضي متعلق به گروهي از افراد جامعه است. در اين شرايط معيار به گزيني ممكن است يك نفر يا گروه از جامعه را به عنوان جامعه برگزيده انتخاب كند.
. ربات هاي بسيار قدرتمندي ساخته شده اند كه براي پيدا كردن نقاط بهينه در مسئله ،از اين روش بهره مي گيرند.شيوه هاي طبيعي براي يافتن هدف مسئله،روش هاي جستجوي بسيار سازگاري دارند كه مبتني بر قوانين ژنتيكي و طبيعي است.الگوريتم ژنتيك در يك لحظه نقاط بسياري را براي رسيدن به جواب بهينه كنترل و جستجو ميكند.
در همه مسائل،الگوريتم نتيك به وسيله تابع هدف خود كه از نوع ماكزيمم است،نقطه بهينه را در مسئله ميابد.
اگر مسئله اي كه با آن مواجه شده ايم از نوع مينيمم سازي باشد و يافتن كمترين مقدار در مسئله لازم باشد،اين روش ابتدا به كمك روشهاي خاصي مسئله را به صورت ماكزيمم در مي آورد و سپس به دنبال نقاط بهينه در مسئله ميگردد.بدون اينكه در جواب بهينه مسئله تاثيري بگذارد.در حل مسائل به روش الگوريتم ژنتيك، اگر صورت مسئله و كليه متغيرهاي آن به درستي تعريف وتعيين شده باشند، فرايند رسيدن به جواب بسيار اسان خواهد بود،ولي اگر مسئله به صورت صريح و روشن متغيرهاي خود را در اختيار ما قرار ندهد يك فرايند حل بسيار مشكل و طولاني براي حل آن ايجاد مي شود و تا زماني كه خصوصيات مسئله براي ما روشن نشده باشد،دريك فضاي حل مجازي و متغير حركت خواهيم كرد و در نتيجه با يك فرايند طولاني و پر هزينه روبه رو هستيم. به طور كلي ايده اصلي الگوريتم ژنتيك انتخاب بهترين مسيرها و ادغام انها به بهترين نحو تا رسيدن به نقطه بهينه است.

3- 1- معرفي الگوريتم ژنتيك ……………………………………………………………………………………………….. 15
3- 2- تفاوت الگوريتم ژنتيك با روش هاي قديمي بهينه سازي …………………………………………………………. ١٧
3- 3- ويژگي هاي الگوريتم ژنتيك …………………………………………………………………………………………… ١٨
3- 4- مزاياي الگوريتم ژنتيك …………………………………………………………………………………………………. ١٩
3- 5- اصطلاح شناسي الگوريتم ژنتيك …………………………………………………………………………………….. ٢٠

3- 6- ساختار كلي روند محاسبات در الگوريتم ژنتي………………………………………………………………………. 21
3- 7- روش هاي كدگذاري در الگوريتم ژنتيك ……………………………………………………………………………….. ٢٢
3- 7-1- روش كدگذاري باينري ……………………………………………………………………………………………….. ٢٣
3- 7-2- روش كدگذاري گري ……………………………………………………………………………………………….. ٢٤
3- 7-3- روش كدگذاري واقعي …………………………………………………………………………………………………. ٢٤
3- 8- ارزيابي و انتخاب نسل نمونه …………………………………………………………………………………………… ٢٤
3- 8-1- روش هاي نمونه برداري تصادفي ……………………………………………………………………………………. ٢٦
3- 8-4- روش نمونه برداري مختلط …………………………………………………………………………………………… ٢٨
3- 9- توليد نسل بعد ………………………………………………………………………………………………………….. ٢٨
3- 9-1- عملگر ادغام ………………………………………………………………………………………………………….. ٢٩
3- 9-2- عملگرجهش …………………………………………………………………………………………………………. ٣٠
3- 10- شرط توقف الگوريتم ………………………………………………………………………………………………….. ٣١
منابع فارسي …………………………………………………………………………………………………………………..33
منابع لاتين ……………………………………………………………………………………………………………………..34
چكيده لاتين …………………………………………………………………………………………………………………… ٣٦

فهرست اشكال

شكل(2-1) طبقه بندي كلي روش هاي بهينه سازي ……………………………………………………………………. 9

شكل (2- 2) طبقه بندي روش هاي نوين بهينه سازي …………………………………………………………………..10

Abstract:
Optimization in general, is the search for a feasible operational policy that maximizes or minimizes the value of the objective function or optimization criteria.
Optimization Models Are models based on mathematical algorithms that can find the optimal or best solution to the problems. The solution is with high accuracy and can result in increase of the revenues. These models can be linear or non-linear.
Genetic algorithms were formally introduced in the United States in the 1970s by John Holland at University of Michigan. The continuing price/performance improvements of computational systems has made them attractive for some types of optimization. In particular, genetic algorithms work very well on mixed (continuous and discrete), combinatorial problems. They are less susceptible to getting ‘stuck’ at local optima than gradient search methods. But they tend to be computationally expensive.
This presentation outlines some of the basics of genetic algorithms. The three most important aspects of using genetic algorithms are: (1) definition of the objective function, (2) definition and implementation of the genetic representation, and (3) definition and implementation of the genetic operators. Once these three have been defined, the generic genetic algorithm should work fairly well.
The genetic algorithm creates a population of genomes then applies crossover and mutation to the individuals in the population to generate new individuals. It uses various selection criteria so that it picks the best individuals for mating (and subsequent crossover).



مقطع : کارشناسی ارشد

قیمت 25 هزار تومان

خرید فایل pdf به همراه فایلword

قیمت:35هزار تومان