مقاله دانشگاهی – یک مدل ریاضی برای ارتباط زنجیره تأمین یکپارچه و کیفیت محصول- قسمت ۲۸

برای اطمینان از عملکرد الگوریتمها لازم است تا به بررسی نتایج حاصل از کدنویسیها پرداخته شود؛ همچنین برای تمرکز بر روی تنوع مثالها از سه نوع اندازه مختلف که عبارتند از سایز کوچک (  )، سایز متوسط (  ) و سایز بزرگ (  ) هر کدام به تعداد ۳ مثال آورده شده است. در این صورت میتوان در جداول زیر انواع مختلف حالات بررسی شده برای هر یک از ۹ مثال عددی زیر راملاحظه نمود:
برای بررسی مدل ارائه شده از نرمافزار متلب خواسته شده است تا به صورت تصادفی به ایجاد ۹ نمونه مختلف اقدام نماید که سه نمونه اول از سایز کوچک انتخاب شدهاند، سه نمونه دوم از سایز متوسط و در نهایت سه نمونه آخر از سایز بزرگ برگزیده شدهاند. مقدار متغیرها با دستور rand و نیز randi در نرمافزار متلب پیادهسازی شدهاند و لذا حتی در برخی از نمونههای یک سایز مقدار پارامترها به میزان زیادی با یکدیگر تفاوت دارد که سبب ایجاد تفاوت عمده در میزان جوابهای نهایی هر یک شده است؛ به عنوان مثال در سایز اول که دارای سه نمونه است بهترین نمونه اول مقدار بهینه پارتوی ۲۶ دارد، مقدار مورد نظر برای نمونه دوم ۲۱۶ بدست آمده و برای نمونه سوم در این سایز، مقدار ۱۴۶۱ بدست آمده است. همچنین از آنجایی که برای مقایسه ساده بین توابع هدف بجای آنکه مقدار تک تک توابع هدف گزارش شوند از مقدار بهینه پارتو(ارزش شاپلی) که مرکز تفکر روش محدودیت اپسیلون نیز هست استفاده شده است تا مفهوم هسته بازی را در تئوری بازیها تداعی نماید. ارزش شاپلی یکی از مفاهیم بنیادی تئوری بازیهاست. علت استفاده از این مقدار بجای چندین تابع هدف، ضرورت مقایسه صحیح و معقول است؛ به عبارت بهتر اگر در روش فراابتکاری ژنتیک یا دسته پرندگان، دو تابع هدف مساله بخواهند با یکدیگر به صورت صریح مقایسه شوند، مشکلات عدیدهای ایجاد مینماید به عنوان مثال اگر توابع هدف در دو جواب برابر با (۱۰و۲۰) و (۱۱و۱۹) باشند، آنگاه جواب دومی در تابع اول خود یک واحد بهتر است و در تابع دوم خود یک واحد بدتر است، حال سوالی که مطرح میشود این است که کدامین جواب بهتر است؟. برای پاسخ به این سوال روشهای مختلفی در ادبیات این حوزه وجود دارد که معیارهای مختلفی را به نمایش میگذارند از جمله معیار نزدیکی جوابها، کیفیت جوابها و ….
در هر یک از مثالهای زیر، هر یک از نمونههای مورد آزمایش در ۵ بار آزمایش مجزا مورد بررسی قرار گرفتهاند که هر آزمایش با ۱۰۰ جمعیت و در ۱۰۰ تکرار صورت گرفته است. در هر آزمایش، مقادیر بهترین جمعیت (کروموزوم یا پرنده)، بدترین جمعیت و نیز میانگین جوابها بدست آمده است و نمودارهای ذیل هر یک گویای روند آن هستند. . در هر آزمایش همانطور که از اغلب نمودارها مشخص است، روند های نوسانی بین تمامی آزمایشهای یک نمونه این را به مخاطب القا مینماید که الگوریتمهای فراابتکاری مورد نظر به خوبی توانستهاند از مفهوم تصادفی بودن جمعیت استفاده نمایند و روندهای مختلفی را به ظهور رسانند این امر از این جهت مهم است که نشان دهد الگوریتمها با تصادفی بودن خود و عدم تبعیت از یک رخداد واحد در جمعیت خویش، قابلیت جستجوی مناسب فضای جواب را داشتهاند.
به علت تولید تصادفی پارامترهای مدل، گاهی برتری با الگوریتم ژنتیک چندهدفه در برخی نمونهها بوده است و گاهی حرکت دسته پرندهگان چندهدفه توانسته است این گوی سبقت را برباید.
۴-۵-۱ نتایج سایز کوچک
مطابق جدول زیر برای نمونه اول، بهترین مقادیر بدست آمده از روشهای فراابتکاری با مقادیر بدست آمده از روش محدودیت-Ԑ برابر است.اما برای نمونههای دوم و سوم بهترین مقادیر MOPSO بیشتر از NSGA-II به مقدار روش محدودیت- Ԑمشابه میباشد.
جدول(۴-۵) اندازه کوچک:

NSGA-II MOPSO e-c
Run Worth Average best worth Average Best best
Size1 sample 1 ۱ ۳۴ ۲۷٫۴۵ ۲۶
دانلود کامل پایان نامه در سایت pifo.ir موجود است.