الگوريتم جستجوي پرندگان-پایان نامه شبکه زنجیره تأمین

92
ژانویه 19, 2019 0 Comment

الگوريتم جستجوي پرندگان (PSO)

روش بهينه سازي جستجوي پرندگان (PSO)[1] بر مبناي الگوي رفتار جمعي حيوانات کار مي­کند. اين الگوريتم براي اولين بار در سال 1995 توسط کندي و ابرهارت معرفي شد. هر پاسخ شدني در اين الگوريتم به مثابه يک عضو از جامعه پرندگان (حيوانات) است که اطلاعات محدودي مانند سرعت نزديکترين همسايه اش و وضعيت خود دارد و مجموعه اين اعضا رفتار مشخصي را در شرايط مختلف مانند، هنگاميکه يک خطر آنها را تهديد مي­کند از خود بروز مي­دهد. به طور مثال، هنگام حمله يک کوسه به دسته­اي از ماهي­ها مي­توان مشاهده کرد که آنها به دو دسته تقسيم مي­شوند و پس از رفع خطر به حالت اوليه باز مي­گردند.

به طور خلاصه هر کدام از افراد، اطلاعات محلي که شامل جايابي نزديکترين همسايه اش است و توسط او قابل دسترسي است را براي تصميم گيري در مورد مکان خودش بکار مي­برد.

در اين الگوريتم هر ذره  توسط پارامتر وضعيتش که با  و يک بردار ، که بردار سرعت آن است، نشان داده مي شود. در هر گام حرکت ذره به کمک معادله زیر :

تبيين مي­شود. هسته اصلي روش شامل روشي است که طبق آن vi بعد از هر گام انتخاب مي­شود. به روز رساني موقعيت ذرات بستگي به جهت حرکت، سرعت، بهترين پاسخ بدست آمده در مرحله قبل و مناسب ترين موقعيت ميان همسايگان دارد.

2-6. مروری بر الگوریتم حل

   هدف اصلی روش‌های هوشمند به کار گرفته شده در هوش مصنوعی، یافتن پاسخ بهینه مسائل مهندسی است. بعنوان مثال اینکه چگونه یک موتور را طراحی کنیم تا بهترین بازدهی را داشته باشد یا چگونه بازوهای یک ربات را متحرک کنیم تا کوتاه‌ترین مسیر را تا مقصد طی کند (دقت کنید که در صورت وجود مانع یافتن کوتاه‌ترین مسیر دیگر به سادگی کشیدن یک خط راست بین مبدأ و مقصد نیست) همگی مسائل بهینه‌سازی هستند.

روش‌ها و الگوریتم‌های بهینه‌سازی به دو دسته الگوریتم های دقیق و الگوریتم‌های تقریبی تقسیم‌بندی می‌شوند. الگوریتم‌های دقیق قادر به یافتن جواب بهینه به صورت دقیق هستند اما در مورد مسائل بهینه سازی سخت کارایی ندارند و زمان حل آنها در این مسائل به صورت نمایی افزایش می‌یابد. الگوریتم‌های تقریبی قادر به یافتن جواب‌های خوب (نزدیک به بهینه) در زمان حل کوتاه برای مسائل بهینه‌سازی سخت هستند. الگوریتم‌های تقریبی نیز به سه دسته الگوریتم‌های ابتکاری (heuristic) و فراابتکاری (meta-heuristic) و فوق ابتکاری (hyper heuristic) بخش بندی می شوند. دو مشکل اصلی الگوریتم‌های ابتکاری، قرار گرفتن آنها در بهینه‌های محلی،          و ناتوانی آنها برای کاربرد در مسائل گوناگون است. الگوریتم‌های فراابتکاری برای حل این مشکلات الگوریتم‌های ابتکاری ارائه شده‌اند. در واقع الگوریتم‌های فراابتکاری، یکی از انواع الگوریتم‌های بهینه‌سازی تقریبی هستند که دارای راهکارهای برون رفت از بهینه محلی می‌باشند و قابل کاربرد در طیف گسترده ای از مسائل هستند.

[1] Particle Swarm Optimization

لینک جزییات بیشتر و دانلود این پایان نامه:

توسعه یک مدل بهینه سازی چند هدفه برای طراحی شبکه زنجیره تأمین در شرایط عدم قطعیت با در نظر گرفتن سطوح کیفی