خلاصه :
این مقاله یک الگوریتم ژنتیکی سازگار (AGA) را همراه با تابع لیاقت دینامیکی، برای مسائل چند هدفه (MOPs) در محیط دینامیکی تشریح می کند. به منظور دیدن اجرای الگوریتم، این روش برای دو نوع از مسائل MOPs بکار گرفته شده است. اولا این روش برای پیدا کردن آرایش نیروهای نظامی برای شبیه سازی رزمی بکار گرفته شده است. این مقاله در مورد چهار تابع هدف بحث می کند که باید بهینه شوند و یک واسطه فازی را ارئه می دهد که طرح جامعی را از چهار تابع هدف می سازد. دومین واسطه فازی برای کنترل نرخ عملکردهای تقاطع (Crossover) و جهش (Mutation) بکار گرفته می شود که بر اساس خواص آماری لیاقت (Fitness) جامع می باشد.
علاوه بر مسئله آرایش نیروهای نظامی یک مثال ساده از بهینه سازی چند هدفه که توسط فرینا و همکارانش گشته نیز ارائه شده است و توسط این الگوریتم پیشنهادی حل شده است. نتایج بدست آمده در اینجا نشان می دهد که الگوریتم ژنتیکی افزایش یافته، نسبت به الگوریتم ژنتیکی معمولی، عملکرد بهتری در مورد همگرائی دارد.
کلمات کلیدی:
الگوریتم ژنتیکی سازگار یافته ، منطق فازی ، آرایش نیروهای نظامی ، شبیه سازی رزمی و بهینه سازی چند هدفه .
1- مقدمه
بدیهی است که حالتهای متعددی برای مسائل عملی بهینه سازی وجود دارد که در ابتدا، بهینه سازی چندین اندازه گیری اجرا (MOP) یا محک ، غیر قابل اجتناب است و این اندازه گیری ها ممکن است که با هم تداخل هم داشته باشند. مسائل مربوط به MOPsمی توانند استاتیکی یا دینامیکی باشند. مهمترین موضوع در حل این گونه از مسائل عبارت از مشخص کردن توابع هدف طراحی، برای اینکه خوبی (Goodness) یک حل مشخص بر آورد شود. در مسائل MOPs بجای یک حل بهینه ، یک مجموعه از حل های بهینه ( مجموعه بهینه پارتو )، بسته به وجود چند تابع هدف، رخ می دهد. بدون تنزل یکی از جوابها ، هیچ بهبودی برای هر یک از حلهای بهینه پارتو وجود ندارد. هیچ حل پارتو نمی تواند از حل دیگری بهتر باشد مگر اطلاعات بیشتری را در اختیار داشته باشیم . برای اینکه انتخاب نهایی بهتری داشته باشیم ، بهترین راه این است که تا جایی که ممکن است حلهای مختلف بهینه پارتو را بدست آوریم.
در بعضی از کاربردهای جهانی نظیر حمل ونقل باربا روباتها ، مشخص کردن مدل و طراحی کنترل کننده ها ، مسائل محیطی و نیازهای MOPs بصورت دینامیکی تغییر می کنند و برای اینگونه کاربردها ، بهینه سازی چند هدفه وابسته به زمان، نیاز است . در این گونه از مسائل ، توابع هدف مربوطه و قیود و پارامترهای مسئله یا همه اینها، ممکن است لحظه به لحظه تغییر کنند. این گونه از مسائل MOPs دینامیکی نامیده می شوند. در این حالتها ، بهینه سازی تابع باید در بازه های زمانی خیلی محدود شده انجام پذیرد.
الگوریتمهای ژنتیکی معمولا بهترین وسیله جستجو در فضاهای بزرگ در طی یک زمان قابل قبول می باشند و نیازی به تحدب، تقعر و یا پیوستگی توابع بهینه ندارند. این موضوع منجر به دامنه وسیعی از کاربردها برای این الگوریتم در مسائل بهینه سازی بزرگ درگستره های مختلف می گردد مانند تحلیل سریع تاکتیکهای جنگی برای دفاع و حلهای انعطاف پذیر برای مدیریت زنجیره ای. این انواع مسائل پیچیده معمولا شامل آشوبناکی ، اتفاقی و مسائل دینامیکی پیچیده غیر خطی می شوند. غیر ممکن است که این طیف از مسائل را بتوان با روش قدیمی الگوریتم ژنتیکی حل نمود. الگوریتمهای ژنتیکی، تحلیل مجموعه ها را بصورت موازی انجام می دهند و تشابه این حلها را توسط ترکیب آنها برجسته می کنند. این موضوع باید تذکر داده شود که از آن جا که این گونه الگوریتمها تعداد زیادی از حلها را در مجموعه های بهینه پارتو پیدا می کنند، برای حل مسائل چند هدفه بسیار خوب می باشند . به هر حال، در الگوریتم ژنتیکی ساده، پارامترهای ثابت، مستقیما اجرای الگوریتم را تحت تاثیر قرار می دهند. معمولا پارامترهای بدون آهنگ منجر به مسائل متعددی نظیر همگرایی زودرس می شوند. بنابراین تعدادی از تکنیک های سازگار یافته برای این گونه از پارامترها پیشنهاد شده است. همانند جهش احتمالاتی ، تقاطع احتمالاتی ، اندازه جمعیت [1] و ]2[ و عملکرد تقاطع ]3[.
یکی از مهمترین راهبردها برای مسائل بهینه سازی چند هدفه ، الگوریتم ژنتیکی چند هدفه (MOGA) می باشد. مطالعات زیادی در مورد MOGA در منابع موجود می باشد [5]، [6]، [7]، [9]، [10]، [11]، [12]، [13]، [14]، [15]، [16]، [17]، [18]، [19]، [20].
مخصوصا دب (Deb) [20] یک MOGA عالی را ارائه داده است . یک الگوریتم ژنتیکی با بر آورد برداری (VEGA) [9] نسبت به یک الگوریتم ژنتیکی ساده متفاوت می باشد چون در این روش جدید، از یک عملگرا انتخاب اصلاح شده استفاده می شود و در هر نسل، تعدادی از زیر جمعیتها توسط اجرای انتخاب خطی تولید می شوند. مهمترین نقص این روش آن است که قادر به تولید حلهای بهینه پارتو برای فضاهای جستجویی غیر محدب نمی باشد. در تکنیک مرتبه لغت نویسی (lexicographic ordering ) [14]، حلهای طراح مرتبه ها، بر اساس خواص مهم توابع می باشد. سپس حل بهینه توسط مینیم سازی توابع هدف بدست می آید که بر اساس مهم بودن آنها، از مهمترین آنها شروع می شود. مهمترین ضعف این روش این است که ممکن است منجر به بدست آوردن توابع هدف جانبدارانه شود و این موضوع ممکن است باعث بدست آمدن یک سری از توابع هدفی گردد که باعث ازدیاد توابع هدف و اتفاقی بودن آنها ، هنگام انجام فرایند بهینه سازی شود. الگوریتم ژنتیکی هاجِلا و لین (HLGA) از روش مجموع وزن دار برای انتصابها استفاده می کند. ضرایب وزنی در هر تابع هدف، درکروموزمها نهفته می باشد. واگرایی ترکیب وزنها توسط روش Phenotypic fitness sharing ارتقا داده می شود و الگوریتم ژنتیکی بصورت همزمان، حلها و ترکیب وزنی ها را تکامل می بخشد. این روش دارای مزیتهای بخصوصی است : این روش دارای کارایی کامپیوتری خوبی است، و حلهای غیر غالب ( غیر مشرف) را بصورت قوی تولید می کند. هر چند برای مشخص کردن وزنهای مناسب در این روش به راحتی نمی توان از بهینه سازی جعبه سیاه (black – box) استفاده نمود که هیچ دانسته ای را در مورد دامنه نیاز ندارند. الگوریتم ژنتیکی مرتب کردن غیر مشرف (NSGA)، [11] بر اساس کلاس بندی لایه ها برای افراد می باشد. قبل از اینکه مکانیزم انتخاب اجرا شود ، جمعیت بر اساس غیر مشرف بودن مرتب می شود بدین صورت که همه افراد در یک گروه دسته بندی می شوند. ( با یک تعداد لیاقت فرضی که متناسب با اندازه جمعیت است ). برای باقی ماندن واگرایی جمعیت، این کلاس افراد با مقدار لیاقت فرضی آنها شریک می شود . سپس این گروه از افراد کلاس بندی شده در نظر گرفته نمی شوند