الگوریتم ژنتیک مرتب سازی نامغلوب

در نسل جدید نبردها و جنگ های شهری، کاربرد تجهیزات و تسلیحات با قابلیت اطمینان بالا ضمن در نظر گرفتن متغیرهایی مانند هزینه، حجم و وزن کل؛ از عوامل اصلی موفقیت و پیروزی محسوب می شود. این تحقیق تلاش دارد مدلی ریاضی برای بهینه سازی طراحی تجهیزات و تسلیحات نظامی ارائه دهد که اهداف آن افزایش قابلیت اطمینان و کاهش هزینه بوده و محدودیت هایی مانند حجم و وزن کل را نیز لحاظ کرده باشد. یکی از رویکردهای نوین در بهبود قابلیت اطمینان سیستم ها بهره گیری از قطعات مازاد (تخصیص افزونگی) است؛ اما در تحقیقات گذشته با هدف ساده سازی و امکان پذیری محاسبات ریاضی، مفروضاتی مانند عدم امکان تعمیر قطعات، نرخ خرابی ثابت و ساده (مانند تابع توزیع نمائی) و یا تک هدفه بودن، به مدل مسئله تحمیل می گردید. حال آنکه تحقیق حاضر ضمن حذف مفروضات پیش گفته به دلیل امکان تعمیر قطعات مختلف تجهیزات نظامی، نرخ خرابی و تعمیر متفاوت اجزاء و همچنین وجود اهداف مختلف؛ سعی در طراحی مدلی کاربردی متناسب با شرایط محیط عملیاتی نموده است. پژوهش حاضر از منظر هدف در گروه تحقیقات توسعه ای و از منظر روش در گروه تحقیقات آزمایشی قرار دارد. ضمن آنکه با توجه به گزاره های تحقیق و به دلیل آنکه مسئله تخصیص افزونگی در گروه مسائل سخت (NP-Hard) قرار دارد، برای حل مدل از یک تکنیک فراابتکاری بهینه سازی چندهدفه (الگوریتم ژنتیک مرتب سازی نامغلوب 2- NSGAII) و به منظور امکان بررسی نرخ خرابی و تعمیر مختلف از تکنیک شبیه سازی استفاده شده است. در انتهای تحقیق نیز با کمک یک نمونه مطالعاتی نظامی و داده های واقعی به تشریح کامل مدل و روش حل پیشنهادی پرداخته شده است.

در این پژوهش، یک مدل دو هدفه مسأله برنامه ریزی تولید- توزیع یکپارچه در یک زنجیره تامین چند سطحی ارائه شده است. زنجیره تامین پیشنهادی شامل تامین کنندگان، تولیدکنندگان، مراکز توزیع و مناطق مشتری است. تصمیمات برای چندین ماده اولیه و محصول و در دوره های زمانی مختلف گرفته شده است. اهداف مسأله علاوه بر کمینه کردن کل هزینه های زنجیره شامل هزینه های حمل و تامین مواد اولیه، آماده سازی و تولید محصولات، نگهداری موجودی مواد اولیه و محصولات در کارخانه ها و مراکز توزیع، حمل و خرید محصولات برای توزیع کنندگان و مشتریان و هزینه کمبود به صورت پس افت، سطح خدمت به مشتریان را با به حداقل رساندن زمان انتقال محصولات از سطوح بالایی زنجیره به دست مشتریان افزایش می دهد. به منظور حل مدل از دو الگوریتم چند هدفه مبتنی بر رویکرد پارتو به نام های الگوریتم ژنتیک مرتب سازی نامغلوب (NSGA-II) و الگوریتم ژنتیک رتبه بندی نامغلوب (NRGA) استفاده شده است. از آنجایی که خروجی این الگوریتم ها به شدت وابسته به پارامترهای ورودی خود هستند، لذا از یک روش تاگوچی به منظور تنظیم پارامتر الگوریتم ها استفاده شده است. در نهایت به منظور اثبات عملکرد مناسب روش های حل ارائه شده در مدل پیشنهادی، این روش ها بر روی مسائل آزمایشی تولید شده با ابعاد مختلف مورد تجزیه و تحلیل قرار گرفته است.

در این پژوهش، یک نیروگاه سیکل ترکیبی با ظرفیت اسمی 500 مگاوات شامل دو واحد گازی و یک واحد بخار مورد توجه بوده که به کمک نرم افزار متلب مدل سازی ترمودینامیکی شده و نتایج حاصل از مدلسازی با اطلاعات طراحی سیستم کنترل شده است. در ادامه، با لحاظ کردن متغیرهای تصمیم گیری، توابع هدف بهینه شده است. در این بهینه سازیِ چند هدفه که توسط الگوریتم ژنتیکِ مرتب سازی غیر مغلوب انجام شده است، سه تابع هدف راندمان اگزرژی، انتشار گاز دی اکسیدکربن و هزینه برق تولیدی متشکل از هزینه سوخت تزریق شده به محفظه احتراق، هزینه تخریب اگزرژی، هزینه سرمایه گذاری و هزینه آلایندگی های زیست محیطی بررسی شده است. نتایج نشان می دهد که راندمان نیروگاه سیکل ترکیبی به پارامترهای طراحی از قبیل دمای ورودی به توربین گاز، نسبت تراکم کمپرسور و دمای نقطه پینچ وابسته بوده و هرگونه تغییر در این پارامترها منجر به تغییر قابل ملاحظه در توابع هدف می شود به گونه ای که راندمان این نیروگاه پس از بهینه سازی به مقدار 12/8 درصد افزایش و نرخ حرارت متناظر با آن از مقدار kj/kwh 7233 به مقدار kj/kwh 7023 کاهش خواهد یافت. همچنین تخریب اگزرژی کل سیستم 23/7 درصد کاهش را نشان می دهد.

هدف: هدف این پژوهش، مقایسه عملکرد دو الگوریتم از الگوریتم های بهینه سازی تکاملی چندهدفه، شامل الگوریتم ژنتیک مرتب سازی نامغلوب (NSGAII) و الگوریتم تکاملی قدرت پارتو بهبودیافته (SPEA2) در دو رویکرد میانگین واریانس و میانگین نیمه واریانس برای انتخاب پرتفولیوی بهینه سهام در بورس اوراق بهادار تهران است. روش: این پژوهش با استفاده از داده های 241سهم در یک بازه زمانی 174 ماهه (از مهر 1385 تا پایان اسفند 1399) در بورس اوراق بهادار تهران صورت گرفته است. پس از طراحی الگوریتم های مدنظر و انتخاب پرتفولیوی بهینه بر اساس آن ها، با استفاده از نسبت شارپ و آزمون مقایسه میانگین ها، عملکرد این پرتفولیوها در مقاطع زمانی سه ماهه ارزیابی و مقایسه شدند. یافته ها: با انجام آزمون فرضیه، روی نسبت شارپ پرتفولیوهای تشکیل شده طبق الگوریتم های پژوهش، مشخص شد که الگوریتم SPEA2 نسبت به الگوریتم NSGAII عملکرد بهتری دارد. با انجام آزمون برگشت (بک تست) با داده های واقعی سه ماهه منتهی به پایان سال 1400 این یافته تأیید شد. همچنین نتایج حاصل از آزمون مقاومت، برتری الگوریتم SPEA2 به عنوان الگوریتم برتر در این پژوهش را نسبت به مدل سنتی مارکوویتز تأیید کرد. نتیجه گیری: نتایج این پژوهش نشان می دهد که الگوریتم SPEA2 نسبت به الگوریتم NSGAII در هر دو رویکرد میانگین واریانس و میانگین نیمه واریانس برای انتخاب پرتفولیوی بهینه عملکرد بهتری است.