ارش ربانی - دانشجوی کارشناسی ارشد مهندسی صنایع؛ دانشگاه علم و صنعت ایران
رسول نورالسناء - استاد دانشکده مهندسی صنایع؛ دانشگاه علم و صنعت ایران

بسیاری از آزمایشات طراحی شده نیازمند بهینه سازی همزمان چند پاسخ می باشند. یک رویکرد معمول، استفاده از تابع مطلوبیت همراه با یک الگوریتم بهینه سازی، برای یافتن مقادیری از فاکتورهای کنترل که بیشترین مطلوبیت را ایجاد می کنند، می باشد. هنگامی که ابعاد مسئله با بیشتر شدن تعداد فاکتورها، متغیرهای پاسخ،محدوده متغیرهای پاسخ و درصد غیر خطی بودن هر کدام از پاسخ‌ها، بزرگ تر می شود، الگوریتم های بهینه سازی مرسوم، ممکن است قادر به یافتن نقطه بهینه کلی نباشند. برای این موارد رویکرد دیگر، استفاده از روشهای جستجوی فرا ابتکاری مانند الگوریتم ژنتیک، شبیه سازی تبرید، روش جستجوی ممنوع و ... می باشد. از بین الگوریتم های فرابتکاری، الگوریتم ژنتیک،کاربرد وسیعی در بهینه سازی مسائل چند پاسخی دارد. بکارگیری این الگوریتم به تنهایی برای حل مسائل پیچیده مستلزم صرف زمان نسبتاً طولانی است. ترکیب الگوریتم ژنتیک و یک الگوریتم جستجوی محلی سریع، عملکرد این الگوریتم را در رسیدن به جوابهای بهتر در زمان کوتاهتر به طرز چشمگیری بهبود خواهد داد. در این تحقیق یک متدولوژی جدید برای بهینه سازی مسائل چند پاسخی ارائه شده است که از تابع مطلوبیت و یک الگوریتم ممتیک(ترکیب ژنتیک و یک جستجوگر محلی) برای بهینه سازی مسائل چند پاسخی، استفاده می کند. پس از معرفی مدل و الگوریتم جدید مورد استفاده برای حل مدل، چندین مثال عددی توسط الگوریتم معرفی شده حل و عملکرد آن با روش های موجود، مقایسه شده است. نتایج بررسی نشان می دهند که روش ترکیبی پیشنهادی برای مسائل با پیچیدگی بالا، نسبت به الگوریتم های بهینه سازی موجود به جوابهای بسیار بهتری در زمان یکسان خواهد رسید

مسائل چند پاسخی، تابع مطلوبیت، الگوریتم ژنتیک، جستجوی محلی، الگوریتم ممتیک، روش هوک و جیو