الگوریتم NSGA II

هدف: پیدا کردن زیرمجموعه ای از مجموعه ویژگی ها، مسئله ای است که در زمینه های مختلفی مانند یادگیری ماشین و شناسایی آماری الگوها، کاربرد گسترده ای دارد. با توجه به اینکه افزایش تعداد ویژگی ها، هزینه محاسباتی سیستم را به طور تصاعدی افزایش می دهد، این پژوهش به دنبال طراحی و پیاده سازی سیستم هایی با کمترین تعداد ویژگی و کارایی قابل قبول است. روش: با توجه به لزوم جست وجوی کارآمد در فضای جواب، در این پژوهش برای انتخاب ویژگی در داده های چندکلاسه، از الگوریتم ژنتیک (GA) و الگوریتم ژنتیک با مرتب سازی نامغلوب (NSGA II) چندهدفه با هدف افزایش دقت طبقه بندی و کاهش تعداد ویژگی ها استفاده شده است. روش ارائه شده، بر مبنای دو روش طبقه بندی ماشین بردار پشتیبان (SVM) و K نزدیک ترین همسایه (KNN) روی 6 مجموعه داده اعتباری به اجرا درآمد و نتایج آن تجزیه و تحلیل شد. یافته ها: الگوریتم ژنتیک و الگوریتم ژنتیک با مرتب سازی نامغلوب چندهدفه برای افزایش دقت طبقه بندی و کاهش تعداد ویژگی ها در مسئله انتخاب ویژگی در داده های چندکلاسه کارکرد مناسبی دارند. نتایج به دست آمده، نشان دهنده بهبود در دقت طبقه بندی، هم زمان با کاهش چشمگیر در تعداد ویژگی ها در هر دو روش ماشین بردار پشتیبان و نزدیک ترین همسایه است. نتیجه گیری: با توجه به نتایج، رویکرد پیشنهادشده در این پژوهش برای مسئله انتخاب ویژگی ها کارایی بسیار خوبی دارد.

در این مقاله یک مدل ریاضی برای مسئله سیستم تولیدی همکارانه ساخت بر اساس سفارش با رعایت انصاف برای تخصیص بار های تولید طراحی شده است. اهداف اصلی مدل، کمینه سازی هزینه های کل تولید و حداکثر استفاده از منابع به منظور تخصیص عادلانه بار های تولید در شرایط عدم قطعیت است. برای کنترل پارامتر های غیرقطعی از روش برنامه ریزی فازی استفاده شده است. نتایج نشان می دهد با افزایش نرخ عدم قطعیت، هزینه های سیستم تولید افزایش می یابد. ازآنجاکه ظرفیت کارخانه ها ثابت است، با افزایش مقدار تقاضا، مقدار تولید افزایش و حداکثر استفاده از منابع هر کارخانه نیز افزایش می یابد؛ همچنین بر خلاف روند تغییرات هزینه سیستم، با افزایش تعداد کارخانه ها، حداکثر استفاده از منابع در دسترس کاهش یافته است. برای حل مسائل نمونه با اندازه بزرگ از الگوریتم NSGA II با یک کروموزوم مناسب برای جست وجوی فضای مسئله استفاده شده است. نتایج عددی از حل 15 مسئله نمونه، نشان از کارایی بالای الگوریتم NSGA II در حل مسئله سیستم تولیدی همکارانه در زمان بسیار کوتاه دارد.