الگوریتم جستجوی پرندگان-پایان نامه شبکه زنجیره تأمین

الگوریتم جستجوی پرندگان (PSO)

روش بهینه سازی جستجوی پرندگان (PSO)[1] بر مبنای الگوی رفتار جمعی حیوانات کار می­کند. این الگوریتم برای اولین بار در سال 1995 توسط کندی و ابرهارت معرفی شد. هر پاسخ شدنی در این الگوریتم به مثابه یک عضو از جامعه پرندگان (حیوانات) است که اطلاعات محدودی مانند سرعت نزدیکترین همسایه اش و وضعیت خود دارد و مجموعه این اعضا رفتار مشخصی را در شرایط مختلف مانند، هنگامیکه یک خطر آنها را تهدید می­کند از خود بروز می­دهد. به طور مثال، هنگام حمله یک کوسه به دسته­ای از ماهی­ها می­توان مشاهده کرد که آنها به دو دسته تقسیم می­شوند و پس از رفع خطر به حالت اولیه باز می­گردند.

به طور خلاصه هر کدام از افراد، اطلاعات محلی که شامل جایابی نزدیکترین همسایه اش است و توسط او قابل دسترسی است را برای تصمیم گیری در مورد مکان خودش بکار می­برد.

در این الگوریتم هر ذره  توسط پارامتر وضعیتش که با  و یک بردار ، که بردار سرعت آن است، نشان داده می شود. در هر گام حرکت ذره به کمک معادله زیر :

تبیین می­شود. هسته اصلی روش شامل روشی است که طبق آن vi بعد از هر گام انتخاب می­شود. به روز رسانی موقعیت ذرات بستگی به جهت حرکت، سرعت، بهترین پاسخ بدست آمده در مرحله قبل و مناسب ترین موقعیت میان همسایگان دارد.

2-6. مروری بر الگوریتم حل

   هدف اصلی روش‌های هوشمند به کار گرفته شده در هوش مصنوعی، یافتن پاسخ بهینه مسائل مهندسی است. بعنوان مثال اینکه چگونه یک موتور را طراحی کنیم تا بهترین بازدهی را داشته باشد یا چگونه بازوهای یک ربات را متحرک کنیم تا کوتاه‌ترین مسیر را تا مقصد طی کند (دقت کنید که در صورت وجود مانع یافتن کوتاه‌ترین مسیر دیگر به سادگی کشیدن یک خط راست بین مبدأ و مقصد نیست) همگی مسائل بهینه‌سازی هستند.

روش‌ها و الگوریتم‌های بهینه‌سازی به دو دسته الگوریتم های دقیق و الگوریتم‌های تقریبی تقسیم‌بندی می‌شوند. الگوریتم‌های دقیق قادر به یافتن جواب بهینه به صورت دقیق هستند اما در مورد مسائل بهینه سازی سخت کارایی ندارند و زمان حل آنها در این مسائل به صورت نمایی افزایش می‌یابد. الگوریتم‌های تقریبی قادر به یافتن جواب‌های خوب (نزدیک به بهینه) در زمان حل کوتاه برای مسائل بهینه‌سازی سخت هستند. الگوریتم‌های تقریبی نیز به سه دسته الگوریتم‌های ابتکاری (heuristic) و فراابتکاری (meta-heuristic) و فوق ابتکاری (hyper heuristic) بخش بندی می شوند. دو مشکل اصلی الگوریتم‌های ابتکاری، قرار گرفتن آنها در بهینه‌های محلی،          و ناتوانی آنها برای کاربرد در مسائل گوناگون است. الگوریتم‌های فراابتکاری برای حل این مشکلات الگوریتم‌های ابتکاری ارائه شده‌اند. در واقع الگوریتم‌های فراابتکاری، یکی از انواع الگوریتم‌های بهینه‌سازی تقریبی هستند که دارای راهکارهای برون رفت از بهینه محلی می‌باشند و قابل کاربرد در طیف گسترده ای از مسائل هستند.

[1] Particle Swarm Optimization

لینک جزییات بیشتر و دانلود این پایان نامه:

توسعه یک مدل بهینه سازی چند هدفه برای طراحی شبکه زنجیره تأمین در شرایط عدم قطعیت با در نظر گرفتن سطوح کیفی