تصمیم‌گیری چندهدفه//پایان نامه بهینه‌ سازی زمان و الگوریتم ژنتیک

اصول تصمیم‌گیری چندهدفه

با توجه به غیر ممکن بودن رسیدن به مقادیر بهینه در تمامی توابع هدف به طور همزمان، مساله تصمیم گیری چند معیاره معمولاً به انتخاب یک گزینه از میان تعدادی راه حل کاندیدا منجر خواهد شد. در نهایت انتخاب نهایی، مصالحه و توازنی بین توابع هدف خواهد بود و دست آخر، ترجیح تصمیم گیرنده، مشخص کننده تک جواب نهایی از میان مجموعه جواب های کاندیدا می باشد.

بسیاری از مسائل تصمیم گیری شامل تعداد زیادی از متغیرهای تصمیم می باشند که عملاً مقایسه تمامی آنها و همه امکان های انتخاب، غیر ممکن می باشد. لذا با توجه به این نکته، مسائل بهینه‌سازی از این دست تبدیل به یک مساله جستجو با رویکرد انتخاب جواب بهینه بر اساس فرایند حذف جواب های نامطلوب خواهند شد. حل اینگونه مسائل تحت عنوان تصمیم گیری چند هدفه یا بهینه سازی چند هدفه شناخته می شود.

یک تقسیم بندی معمول برای حل اینگونه مسائل روشی است که در سال 1969 و بر اساس منظور نمودن نحوه اعمال اولویت های تصمیم گیرنده ارائه شده است. بر اساس این تقسیم بندی، چهار راهکار برای معرفی جواب نهایی در مسائل بهینه سازی چند هدفه وجود دارد:

1- عدم لحاظ کردن هر نوع برتری (صرفاً عمل جستجو انجام می‌گیرد)

2-لحاظ نمودن برتری (ارجحیت) تصمیم گیرنده قبل از فرآیند جستجو (تعیین ارجحیت قبل از جستجو)

3-منظور نمودن اطلاعات مربوط به برتری (ارجحیت) تصمیم گیرنده به شکل پویا (تعیین ارجحیت همزمان با جستجو)

4-منظور نمودن اطلاعات برتری (ارجحیت) تصمیم گیرنده بعد از اتمام فرایند جستجو

راهکار اول:

شامل روشهایی است که طی آن جستجو بدون درنظرگرفتن هرگونه اولویتی از جانب تصمیم گیرنده انجام می­شود.

راهکار دوم:

اهداف مختلف را براساس اولویت­های تصمیم گیرنده در قالب یک هدف پذیرفته و بهینه سازی را به صورت تک هدفه انجام می­دهد. این بدان معناست که خواسته­ها و رجحان­های تصمیم گیرنده در قالب اوزانی به توابع هدف نسبت داده می­شود. راهکار سوم شامل روشهایی می باشد که به تصمیم‌گیرنده این امکان را می دهد که به طور کاملا فعال، اولویت­های خود را در فرایند جستجو اثر دهد. در روش آخر، این امکان برای کاربر یا تصمیم گیرنده وجود دارد که بعد از اتمام فرایند جستجو، انتخاب را براساس اولویت­های خود انجام دهد. در این روش، پس از اتمام جستجو، مجموعه­ای شامل جوابهای قابل قبول تولید می شود و برای اعمال نظر در اختیار شخص تصمیم گیرنده قرار می­گیرد.

2-3- سابقه مطالعات صورت گرفته در زمینه الگوریتم­های تکاملی چندهدفه

Goldberg، پیشنهاد داد که می توان بهینه سازی چند هدفه را با استفاده از فرایند رتبه بندی پارتو مورد بررسی قرار داد. بدین معنا که با توجه به چیرگی اعضای پارتو، به هر عضو از جمعیت یک مقدار نسبی برازندگی نسبت دهیم. این فرایند که با نام مرتب سازی غیرپست[1] شناخته می­شود، سنگ بنای تمامی الگوریتمهای بهینه سازی تکاملی چند هدفه قرار گرفته است (شکل (1-2)).

خود Goldberg نظریه خود را به مرحله اجرا درنیاورد، اما مدت اندکی بعد، الگوریتم [2]NSGA بر پایه این تفکر معرفی و به طور قابل‌ملاحظه‌ای مورد پذیرش جامعه علمی قرار گرفت.

[1]. Non-dominated sorting

[2]. Non-dominated sorting Genetic Algorithm