چکیده:
الگوریتم ژنتیک در سال 1980 بر اساس نظریه تکاملی داروین برای حل مسائل بهینهسازی ابداع شد. در واقع الگوریتم ژنتیک بر اساس اصل " ادامه حیات بهترینها " و " تکثیر نوع برتر" پی ریزی شده است. عملگرهای اصلی الگوریتم ژنتیک شامل: کدگذاری، انتخاب، عملگر ادغام و عملگر جهش است. عملکرد الگوریتم ژنتیک در چند تکرار اول بسیار خوب است اما با ادامه روند و افزایش تعداد تکرارها با انبوهی از جوابها و نتایج زائد رو به رو میشویم که باعث افزایش تعداد تکرارها تا رسیدن به جواب بهینه میشود. روش بهینهسازی کلونی مورچگان بر گرفته از حرکت واقعی مورچگان در طبیعت برای یافتن غذا است که در پایان نامه دکترای مارکو دوریگو در سال 1992 تحت عنوان سیستم مورچگان برای اولین بار معرفی شد. الگوریتم معرفی شده توسط دوریگو بر اساس دو اصل پایهای 1- تزریق و تبخیر فرومون 2- گرایش احتمالی مورچگان به مسیر پر فرومون بنا شده است. الگوریتم بهینهسازی لانه مورچگان به علت عدم وجود فرومون در تکرارهای ابتدایی دارای یک سرعت همگرایی کند است. اما با ادامه روند جستجو و افزایش میزان غلظت فرومون ریخته شده عملکرد بسیار خوبی در مراحل پایانی دارد. الگوریتم ترکیبی با ترکیب دو الگوریتم ژنتیک و بهینهسازی کلونی مورچگان، از مزایای هر دو الگوریتم استفاده میکند. در الگوریتم ترکیبی ابتدا از چند تکرار الگوریتم ژنتیک استفاده میکنیم سپس کروموزوم به دست آمده از الگوریتم ژنتیک را به عنوان جواب ابتدایی الگوریتم مورچگان در نظر میگیریم و تکرارهای بعدی تا رسیدن به جواب بهینه را با الگوریتم مورچگان ادامه میدهیم. الگوریتم ترکیبی از نظر سرعت همگرایی و کارآیی، بهتر از الگوریتمهای ژنتیک و بهینهسازی لانه مورچگان عمل میکند.
The genetic algorithm was invented in 1980 based on Darwin's evolutionary theory to solve optimization problems. In fact, the genetic algorithm is based on the principle of "continuing the life of the best" and "proliferation of the superior type". The main operators of the genetic algorithm include: coding, selection, integration operator and mutation operator. The performance of the genetic algorithm is very good in the first few repetitions, but with the continuation of the trend and the increase in the number of repetitions, we will face a multitude of excessive results and results, which increases the number of repetitions to the optimal response. The method of optimizing the ant is derived from the actual motion of the ant in nature to find food, which was first introduced in Marco Dorigo's doctoral dissertation in 1992 as the ant system. The algorithm introduced by Dorigo is based on two basic principles: 1- Injection and evaporation of the pheromone 2- potential tendency of the ant into the pheromone. The algorithm optimization of the ant nest has a slow convergence rate due to the absence of pheromones in the early repetitions. But with the continuation of the search process and the increase in the concentration of the pumped porose, it works very well in the final stages. The combined algorithm with the combination of two genetic algorithms and the curry optimization of the ant uses the benefits of both algorithms. In the hybrid algorithm, we first use a few repetitions of genetic algorithm, then consider the chromosome from the genetic algorithm as the primary answer of the ant algorithm, and continue the subsequent repetitions until the optimal answer with the ant algorithm. The combination algorithm performs better in terms of convergence and efficiency, better than genetic algorithms and ant nest optimization.
خلاصه ماشینی:
ترکیب الگوریتم های ژنتیک و بهینه سازی لانه مورچگان برای حل مسأله انتخاب عرضه کننده فاطمه دارائی ١ کارشناسی ارشد علوم کامپیوتر، گرایش محاسبات علمی، دانشکده علوم پایه ، دانشگاه رازی، کرمانشاه ، ایران تاریخ دریافت : ١٤٠١/٠٢/٠٤ تاریخ پذیرش : ١٤٠١/٠٣/٢٨ Combining Genetic Algorithms And Motor Nest Optimization To Solve The Supplier's Selection Problem Fatemeh Daraei1 1Master's degree in Computer Science, Scientific Computing, Faculty of Basic Sciences , Razi University, Kermanshah, Iran Received: (24/05/2022) Accepted: (29/06/2022) چکیده Abstract: الگوریتم ژنتیک در سال ١٩٨٠ بر اساس نظریه تکاملی داروین برای حل The genetic algorithm was invented in 1980 based on مسائل بهینه سازی ابداع شد.
واژه های کلیدی: مسأله انتخاب تأمین کننده - مدیریت زنجیره Key words: Problem Selection- Supply Chain Management- Evolutionary Algorithm- Marticular تأمین - الگوریتم تکاملی- الگوریتم فرا ابتکاری- الگوریتم ژنتیک - Algorithm- Genetic Algorithm- Network Optimization Algorithm- Combined Algorithm.
جدول ٢ کدگذاری تأمین کنندگان {مراجعه شود به فایل جدول الحاقی} در تکرار اول ابتدا کروموزوم ٤ با مقدار تابع شایستگی ٥ به صورت دلخواه از فضای جستجو به عنوان جواب ابتدایی برای الگوریتم ژنتیک در نظر میگیریم و با استفاده از عملگرهای الگوریتم ژنتیک روی این کروموزوم ، کروموزوم های با مقدار تابع شایستگی بیشتر تولید میکنیم .
در تکرار ٤ کروموزوم ٣ را به عنوان جواب ابتدایی الگوریتم مورچگان در نظر میگیریم بنابراین میزان غلظت فرومون برای انتخاب تأمین کننده ٣ با استفاده از / / / روابط (٢٢) و (٢٣) افزایش مییابد و مقادیر و و تأمین کنندگان برای تهیه کالای ٣ در جدول ١٨ نشان داده شده است .