a. farshbaf
-
یافتن بهترین ترکیب عوامل کنترلی برای بهینه سازی توامان چندین متغیر پاسخ که اکثرا با یکدیگر در تضادند، یکی از مهم ترین نیازهای مسائل صنعتی است. روش معمول برای حل این گونه مسائل استفاده از رگرسیون چندجمله یی برای شناسایی روابط بین عوامل کنترلی و متغیرهای پاسخ است، در حالی که شبکه ی عصبی مصنوعی در حالاتی که این روابط پیچیده باشد قابلیت مناسب تری از خود نشان می دهند. در این نوشتار، برخلاف حالت های به کار برده شده، متغیرهای پاسخ به عنوان ورودی و عوامل کنترلی به عنوان خروجی شبکه ی عصبی مصنوعی در نظر گرفته شده اند تا با ترکیب شبکه ی عصبی مصنوعی، تکنیک محدودیت جزئیپانویس (varepsilon-constraint) و الگوریتم ژنتیک بتوان ترکیبات غیرمسلط کارایی در مسئله ی چندپاسخه ارائه داد. قابلیت روش ارائه شده در قالب مثال عددی بیان شده است که نشان دهنده ی کارایی روش پیشنهادی نسبت به سایر رویکردهای موجود است.
کلید واژگان: مسئله ی چندپاسخه، جواب غیرمسلط، شبکه ی عصبی مصنوعی، محدودیت جزئی، الگوریتم ژنتیکSimultaneous optimization of multiple response problems is an important problem in manufacturing cases. Polynomial regression is a common method for finding the relationship between controllable factors and responses. Some researchers have showed that artificial neural networks have better performance when the relationships are far too complex. In the multiple response problems, determination of non-dominated solutions is more valuable than finding only one solution as an optimum treatment, while this solution is one of the obtained non-dominated solutions. Unlike other existing research into using neural networks for multiple response problems, in the proposed method, responses are assumed as inputs, and controllable factors are assumed as targets of the neural network. This kind of input and target definition for neural networks helps us to determine non-dominated solutions by employing a neural network, an epsilon constraint technique and a genetic algorithm. The proposed method includes three major steps: 1) modeling the relation between responses and controllable factors by employing a neural network, 2) finding non-dominated solutions using an epsilon constraint and a genetic algorithm, 3) sieving solutions obtained from the last step and determining strong non-dominated solutions. For showing the efficiency of the proposed method, non-dominated solutions for a numerical example from the literature are determined by using the proposed approach. Comparing the results shows that obtained non-dominated solutions obtained by the proposed method for the example, are often better than other research results for the same example.
Keywords: Multiple response optimization, non-dominated solutions, artificial neural networks, epsilon constraint, genetic algorithm
- در این صفحه نام مورد نظر در اسامی نویسندگان مقالات جستجو می‌شود. ممکن است نتایج شامل مطالب نویسندگان هم نام و حتی در رشته‌های مختلف باشد.
- همه مقالات ترجمه فارسی یا انگلیسی ندارند پس ممکن است مقالاتی باشند که نام نویسنده مورد نظر شما به صورت معادل فارسی یا انگلیسی آن درج شده باشد. در صفحه جستجوی پیشرفته می‌توانید همزمان نام فارسی و انگلیسی نویسنده را درج نمایید.
- در صورتی که می‌خواهید جستجو را با شرایط متفاوت تکرار کنید به صفحه جستجوی پیشرفته مطالب نشریات مراجعه کنید.
©2000-2025 magiran.com All Rights Reserved.