سامانه پژوهشی – یک مدل ریاضی برای ارتباط زنجیره تأمین یکپارچه و کیفیت محصول- قسمت …

معایب

۱

از پیش مشخص بودن تعداد تکرارها

امکان توقف پیش از رسیدن به جواب بهینه

۲

امکان سنجش عملکرد در تعددهای مختلف

تجربی بودن بخاطر ندانستن تعداد تکرار مناسب

تعداد مشخصی تثبیت:
اگر در تعداد مشخصی تکرار، در مقدرا بهینه حاصل شده، هیچ تغییر رخ ندهد، الگوریتم از ادامه بازمیایستد. فرض کنید بین تکرار  X+10 هیچ تغییری در بهترین مقدار رخ ندهد و الگوریتم متوقف شود. در این وضعیت، شرط F*1= F*2= F*3= …= F*10 توقف تثبیت ۱۰ تکراری رخ داده است.
عدم تفاوت محسوس در کل جمعیت یا یک معیار خاص:
در این حالت با استفاده از مفهوم واریانس بین معیارها، شرط توقف تعیین میشود. فرض نمایید شرط توقف به صورت  باشد؛ در این شرایط، اگر میزان واریانس بهترین توابع هدف در کل کمتر از ۰٫۰۱ باشد، توقف رخ خواهد داد. همچنین میتوان چنین شرطی را برای کل جمعیت در نظر گرفت، به عنوان مثال اگر واریانس میانگین در مراحل مختلف به کمتر از ۰٫۱ رسید، توقف برقرار شود.
۴-۴ شرحی بر نحوه طراحی MOPSO
MOPSO تعمیمی از PSO میباشد، که با تغییرات کوچکی در PSO ایجاد میشود. این الگوریتم توسط Carlos a.Coello Coello اختراع شده.
پیچیدگی محاسباتی MOPSO از NSGA-II بسیار کمتر است. MOPSO شبیه به NSGA-II میباشد. با این تفاوت که در MOPSO به جای تقاطع و جهش از عملگرهای PSO استفاده میشود.
به عبارت دیگر از مفهوم هوش ازدحامی استفاده میشود.
به همان شکلی که در NSGA-II محدودیتها را در قالب کروموزوم تعریف کردیم، در اینجا هرکدام از آن کروموزومها را به شکل یک ذره در نظر میگیریم. یعنی هر کروموزوم بیانگر یک ذره است که در هر بار تکرار سعی میکند خود را از موقعیت فعلی به موقعیت جدید برساند.
هر ذره با توجه به محدودیتها یک مسیر را برای حرکت انتخاب میکند. منشأ حرکات هر ذره، سه مورد است:
 
رفتاری که ذرات قبلا از خود نشان میدادند(موقعیت فعلی).
بهترین مکانی که آن ذره تاکنون یافته است.
بهترین مکانی که توسط کل اعضای جمعیت تا آن لحظه مشخص شده است به عنوان راهنما[۵۶].
یک آرشیو داریم که تمام جوابهایی که تاکنون یافتهایم را در آن ذخیره میکنیم. هر عضو، یک عضو از آرشیو را به شکل تصادفی(چرخه رولت) به عنوان بهترین مکانی که تاکنون توسط کل اعضا پیدا شده است، انتخاب میکند و به سمت آن حرکت میکند.
هرجواب جدیدی هم که وارد این آرشیو میشود، از نظر نامغلوب بودن چک میشود. اگر جواب جدید نسبت به هرکدام از اعضای قبلی بهتر باشد، عضو قدیمی جمعیت حذف میشود و جواب جدید به جمعیت اضافه میشود. اما اگر عضو جدید از اعضای جمعیت قبلی بهتر نباشد، این عضو حذف میشود.
برای انتخاب راهنما، فضای مربوط به نقاط پارتو را به شکل جدول خانهبندی شده، مشخص میکنیم. هرکدام از جوابها در یک خانه قرار میگیرند. خانهای که تراکم کمتری داشته باشد در اولویت است.
نهایتا یک خانه را به شکل تصادفی انتخاب میکنیم. سپس یک عضو از آن خانه را به شکل تصادفی به عنوان راهنما انتخاب میکنیم. احتمال انتخاب هر خانه، متناسب با عکس تعداد اعضای موجود در آن خانه است.
پس از مدتی یکسری اعضا به جمعیت اضافه میشوند. یعنی مرتبا از جوابهای نامغلوب به آرشیو اضافه میکنیم. این امکان وجود دارد که اندازه آرشیو سرریز شود و از حدی که برای آن تعیین کردیم بیشتر شود.
در این حالت خانههایی در اولویت هستند که جمعیت بیشتری دارند(چون میخواهیم یک عده را از جمعیت حذف کنیم). یک خانه را انتخاب میکنیم. در این صورت احتمال انتخاب یک خانه با تعداد اعضای آن خانه رابطه مستقیم دارد.
سپس یک عضو از آن خانه به تصادف حذف میشود، که به آن مکانیزم کنترل آرشیو میگویند.
۴- ۵ اجرای الگوریتمها

برای دانلود متن کامل این فایل به سایت torsa.ir مراجعه نمایید.