دانلود پایان نامه
تابع هدف و قید این مسئله بهینه یابی از مقاله نعیم و همکاران [30] الگو برداری شده است.

2-18 انتخاب، اجرا و مقایسه ی مثال ها و شواهد
در فصل های پیشین ضرورت انجام این پژوهش بیان شده است، همچنین توضیحات کاملی درباره نحوه عملکرد الگوریتم ژنتیک و دلایل استفاده از آن در تحقیق حاضر ارائه گردید. همان گونه که در فصل سوم برای بیان مسئله و فرمول بندی آن گفته شده این پژوهش از مقاله نعیم وهمکاران[30] الگو گرفته و برای بهبود برنامه ی الگو شده، کوشش شده است.
در این فصل برای بیان و بررسی نتایج در مجموع 23 ترکیب مختلف از برنامه ژنتیک دودویی و ژنتیک اعداد صحیح و برای هر مجموعه پنج مرتبه برنامه ها اجرا شده است. ابتدا برای نحوه عملکرد برنامه و مقایسه با نتایج دیگر محققین، هر دو برنامه الگوریتم ژنتیک دودویی و الگوریتم ژنتیک حقیقی با مقادیر پارامترهای ژنتیک نعیم و همکاران[30] و سیف[8] اجرا شده و گراف های آنها برای مقایسه طیف هدف با طیف پاسخ بدست آمده، رسم شده است.
برخی از آیین نامه ها معیار مطلوب بودن طیف انتخاب شده را بالاتر قرار گرفتن از طیف هدف می دانند و در برخی دیگر معیار، تطبیق طیف پاسخ با درصد اختلاف مشخصی مد نظر می باشد[8]، در این تحقیق هدف به حداقل رساندن خطای بین طیف پاسخ و طیف هدف برای تطبیق طیفی می باشد.
2-19 برنامه های اجرا شده در مراحل مختلف و ارائه برنامه تکامل یافته
در این پژوهش ابتدا یک کد برای تابع هدف و قید پیشنهاد شده ی مرجع نوشته و در ابزار ژنتیک نرم افزار متلب اجرا شد، نتایج حاصل حداقل دارای سه زلزله تکراری و مقدار خطای زیاد بوده است. یکی از راه حل های پیشنهادی برای مسئله مذکور استفاده از تابع جزء صحیح می باشد که این تابع خود باعث ایجاد خطای گرد کردن زیادی در فرآیند بهینه سازی می شود. نگارنده علت این همگرایی زود رس را در عدم توانایی ابزار ژنتیک نرم افزار متلب در کارکردن با اعداد صحیح می داند.
از دیگر دلایلی که سبب ایجاد خطای زیاد در این مسئله می شود عدم توجه به این نکته می باشد که مسئله مورد مطالعه دارای دو مجموعه ی متفاوت از متغیرها(ضرایب مقیاس و شماره زلزله ها) است. از این رو نگارنده طرح مسئله را به صورت دو کروموزومی الزامی می داند در همین راستا سعی بر آن شده تا با ترکیب ژنتیک اعداد حقیقی، دودویی و جایگشتی الگوریتمی کارآمد برای کاهش خطای طرح ارائه شود.
در گام نخست با توجه به سرعت بالای الگوریتم ژنتیک اعداد طبیعی در مقایسه با اعداد دودویی مسئله به صورت ترکیبی از الگوریتم اعداد طبیعی برای ضرایب مقیاس و الگوریتم جایگشتی برای شماره زلزله ها طرح ریزی شد. این امر سبب کاهش چشم گیر میزان خطای طرح گردید لیکن با توجه به مقادیر تابع هدف این گونه استنباط گردید که الگوریتم ژنتیک اعداد حقیقی با همبری مقدار میانگین سبب کاهش قدرت جستجوی طرح و کاهش میزان دقت الگوریتم می شود.
در ادامه الگوریتم ژنتیک اعداد حقیقی با همبری جهت دار و ترکیبی جهت افزایش قدرت جستجوی الگوریتم پیشنهادی استفاده گردید که این امر سبب واگرایی الگوریتم و ارائه نقاط خارج از محدوده قابل قبول به عنوان نقطه بهینه شد. به منظور افزایش میزان دقت و کاهش خطای طرح ترکیب الگوریتم دودویی و جایگشتی مورد مطالعه قرار گرفت نتایج حاصله بیانگر کاهش چشم گیر خطای طرح بوده در حالی که در مدت زمان حصول نتیجه تغییر چندانی مشاهده نمی شود، این امر بیانگر این مطلب می باشد که ماهیت کروموزم بیان گر ضرایب مقیاس با الگوریتم دودویی همخوانی بیشتری دارد، در ادامه نتایج حاصل از هر دو الگوریتم پیشنهادی ارائه و مورد بررسی قرار گرفته است.
2-20 عملگرهای ژنتیک
همان طور که در فصل دو بیان شده است عملگرهای اساسی در هر الگوریتم ژنتیک عبارتند از انتخاب، همبری، جهش. در ادامه عملگرهایی که در این تحقیق مورد استفاده قرار گرفته اند بررسی خواهند شد.
2-20-1 انتخاب
با توجه به مقید بودن تابع هدف بکار رفته روش انتخاب مسابقه ای برگزیده شده است. علت این گزینش را می توان در عملکرد انتخاب مسابقه ای دانست. در این روش از بین دو فرد انتخابی فردی وارد حوضچه آمیزش می شود که دارای مقدار برازش بیشتری باشد به عبارت دیگر فردی به حوضچه آمیزش راه خواهد یافت: 1- مقدار تابع هدف آن کمتر باشد. 2- خطا(جریمه) ی کمتری داشته باشد. این امر سبب کاهش میزان خطای افراد راه یافته به حوضچه آمیزش و در نهایت کاهش خطای فرزندان می گردد که باعث افزایش سرعت و کارآیی الگوریتم می گردد.
2-20-2 همبری
با توجه به دو کروموزم(دو رگه) بودن طرح ارائه شده در هر دو الگوریتم ارائه شده به طور همزمان از دو شیوه همبری- 1- همبری میانگین وزنی و همبری جایگشتی. 2- همبری یکنواخت و همبری جایگشتی. – استفاده شده است.
2-20-3 جهش
همانطور که در بخش 4-3-2 توضیح داده شده است در این قسمت نیز در هر یک از الگوریتم ها از دو عملگر جهش به طور همزمان استفاده شده است.
2-21 گونه سازی
با توجه به این نکته که حفظ کارایی الگوریتم ژنتیک با میزان جستجو رابطه ی مستقیم دارد همواره سعی بر آن است تا با ارائه راه کارهایی قدرت جستجو در الگوریتم در کل طول فرآیند بهینه سازی در محدوده قابل قبول قرار گیرد. عملگر تسهیم شایستگی به عنوان یک روش کارآمد جهت حفظ قدرت جستجوی الگوریتم در طی فرآیند بهینه سازی می باشد.
نحوه ی عملکرد این عملگر بر مبنای تشابه ژنی و کاهش برازندگی کروموزوم ها با تعداد دی-ان-ای های مشابه می باشد. به عبارت دیگر این عملگر می کوشد تا از تمرکز ژن ها در یک محدوده ی خاص از دامنه طرح جلوگیری نماید، با توجه به ساختار کروموزوم مربوط به انتخاب شماره زلزله و از سوی دیگر محدودیت در تعداد رکوردهای زلزله ها انتظار می رود که کروموزوم بیانگر شماره رکوردها به علت کمبود تنوع ژنی دچار همگرایی زودرس و کاهش قدرت جستجوی الگوریتم و در نهایت موجب کاهش میزان کارایی الگوریتم می گردد.