منابع پایان نامه با موضوع فازی، بهینه، سازی

وزن های در نظر گرفته شده برای روش وزنی کلاسیک
ردیف
1
1
2
0.1
0.9
3
0.2
0.8
4
0.3
0.7
5
0.4
0.6
6
0.5
0.5
7
0.6
0.4
8
0.7
0.3
9
0.8
0.2
10
0.9
0.1
11
1
روش مجموع وزنی نرمالایز شده توابع هدف
در این روش در ابتدا مقادیر بیشینه و کمینه هر یک از دو تابع هدف را به صورت تکی و توسط الگوریتم شبیه سازی تبرید محاسبه می کنیم.مقادیر بیشینه دو تابع هدف را با و و م.مقادیر کمینه دو تابع هدف را با و نشان می دهیم. با توجه به اینکه مقادیر به دست آمده بیشینه و کمینه لزوما جواب بهینه نمی باشند درصد خطایی تحت عنوان به تابع برازندگی اضافه می کنیم. با اضافه کردن به تابع برازندگی حدود بالا و پایین را بازتر می کنیم تا بدین ترتیب احتمال بروز خطا را کاهش دهیم. این ضریب خطا با توجه به سایز مسئله افزایش می یابد. برای این ضریب یک تابع خطی تعریف می کنیم که با توجه به تعداد کارها و تعداد ماشین ها در هر مرحله تعیین می شود. این ضرایب در جدول (6-3) نمایش داده شده است. در این تحقیق وزن ها مطابق جدول (6-2) برای 11 بار اجرای الگوریتم در نظر گرفته شده است. دلیل اینکه وزن ها به این صورت تولید می شوند این است که به صورت کلی وزن دهی به روش کلاسیک با توجه به این که این اعداد در مقدار توابع هدف ضرب می شوند مناسب نیست چراکه تخصیص ضریب صفر به یکی از دو توابع هدف و تخصیص ضریب یک به ضریب دیگر یک مشکل اساسی دارد. مشکل این روش این است که ممکن است چندین نقطه با مساوی بودن در یک تابع هدف داشته باشیم. در روش کلاسیک فرقی میان نقطه های موجود نیست ولی در روش پیشنهادی این مشکل را برطرف نمودیم. تابع برازندگی پیشنهاد شده را به صورت زیر تعریف می کنیم.
وز
وزن های در نظر گرفته شده برای روش مجموع وزنی نرمالایز شده
تعداد اعداد تولید شده
2
2
1
3
3
ضرایب در نظر گرفته شده برای مسئله
تعداد کارها
تعداد ماشین ها
در مرحله اول
تعداد ماشین ها
در مرحله دوم
 
1
8
2
2
0.020
2
8
3
2
0.025
3
8
3
4
0.030
4
10
2
2
0.035
5
10
3
2
0.041
6
10
3
4
0.046
7
14
2
2
0.051
8
14
3
2
0.056
9
14
3
4
0.061
10
16
2
2
0.066
11
16
3
2
0.071
12
16
3
4
0.077
13
20
2
2
0.082
14
20
3
2
0.087
15
20
3
4
0.092
16
24
2
2
0.097
17
24
3
2
0.102
18
24
3
4
0.107
19
72
8
10
0.113
20
72
10
10
0.118
21
72
12
10
0.123
22
80
8
10
0.128
23
80
10
10
0.133
24
80
12
10
0.138
25
88
8
10
0.143
26
88
10
10
0.149
27
88
12
10
0.154
28
108
8
10
0.159
29
108
10
10
0.164
30
108
12
10
0.169
31
120
8
10
0.174
32
120
10
10
0.179
33
120
12
10
0.185
34
132
8
10
0.190
35
132
10
10
0.195
36
132
12
10
0.200
روش فازی
مقدمه
یکی از روش های بهینه سازی ریاضی برای بدست آوردن حلهای مناسب ، بهینه سازی چندهدفهی فازی است. یکی از مهم ترین دلایل استفاده از این روش برای مقایسه، سادگی در اجرای آن نسبت به دیگر روش های بهینه سازی ریاضی چندهدفه میباشد.
تئوری مجموعه های فازی اولین بار توسط زاده94 ]72[ ارائه شد که به معنای مدیریت عدم قطعیت ناشی از عدم صراحت میباشد نه تصادفی بودن.
مسائل بهینه سازی فازی همچنین در ادبیات چند هدفه مشاهده میگردد ]73[. به عنوان مثال منطق فازی توسط نویسندگان مختلف در حل مسائل بهینهسازی چند هدفه استفاده شده است ]75-74[.
زیمرمان95 ]76[ اولین بار مفهوم تئوری فازی را با توابع عضویت مناسب جهت حل مسائل برنامهریزی خطی چند هدفه به کار برد. او نشان داد که جوابهای به دست آمده به وسیله برنامه ریزی خطی فازی کارا میباشند.
مفاهیم پایه ای مجموعه های فازی
برخی تعاریف مقدماتی اعداد و مجموعههای فازی به صورت زیر میباشند :
تعریف 1: یک مجموعه فازی به وسیله تابع عضویت در یک جامعه مستقل X نمایش داده میشود که به هر جزء در X یک مقدار واقعی در فاصله [0, 1] تخصیص میدهد.
تعریف 2: یک عدد فازی مثلثی به صورت در شکل (6-2) نشان داده شده است ]77[.
نمایش عدد فازی مثلثی
تابع عضویت به صورت زیر تعریف میگردد:

مطلب مشابه :  پایان نامه درمورد s-1)، cm-2)، (cm، (kg

دیدگاهتان را بنویسید