دانلود مقاله مسائل بهینه سازی چند هدفه و انتخاب تأمین کنندگان

دانلود پایان نامه

در این پایان نامه برای مسأله طراحی شبکه زنجیره تأمین مورد نظر مدل ریاضی و همچنین از الگوریتم های فرا ابتکاری برای حل مدل ساخته شده استفاده خواهد شد. در ادامه به توضیح مختصری در مورد الگوریتم ژنتیک چند هدفه می پردازیم.


2-7. پیشینه الگوریتم ژنتیک چند هدفه (NSGA)
الگوریتمهای تکاملی متعددی برای یافتن پاسخهای نامغلوب مسائل چندهدفه توسعه داده شدهاند، که از جملهی آنها میتوان به الگوریتم ژنتیک با مرتبسازی نامغلوب اشاره کرد. در بهینهیابی چندهدفه، چند تابع هدف مختلف وجود دارند که تمایل به یافتن کمینه یا بیشینهی آنها بهطور همزمان وجود دارد. اغلب این توابع هدف در نقطهی مقابل یکدیگر قرار دارند، به طوری که بهبود یکی از آنها، با بدتر شدن دیگری مواجه میشود. بنابراین در اینگونه مسائل برخلاف مسائل تکهدفی که تنها یک نقطهی اکسترمم برای مسئله وجود دارد، مجموعهای از پاسخهای بهینه به عنوان جواب بهدست میآیند که به اصطلاح نقاط بهینهی پارتو یا منحنی پارتو خوانده میشوند.
روشهای بهینهیابی چندهدفهی مبتنی بر پارتو، در مقایسه با روشهای بهینهیابی تکهدفه، دارای مزایایی میباشند. اول اینکه، پاسخ بهینهی پارتو دربردارندهی مجموعهای از پاسخها میباشد که میتواند شامل پاسخهایی که دارای نقض قید میباشند نیز باشد، بنابراین یک پاسخ با نقض قید مجاز اگر ارزش تابع هدف بالایی داشته باشند، نیز میتواند در نظر گرفته شود. دوم اینکه، با تجزیهی مسئلهی اصلی به چندین مسئله، اهداف مختلف انعطاف پذیری بیشتری در جستوجوی فضای پاسخ خواهند داشت.
الگوریتم ژنتیک با مرتب سازی نامغلوب، یکی از مطرح ترین و پرکاربردترین الگوریتم های بهینه سازی در زمینه ی بهینه سازی چندهدفه می باشد. اسرینیباس و دِب در سال ۱۹۹۵ روش بهینه سازی (NSGA) را برای حل مسائل بهینه سازی چند هدفه معرفی نمودند. نکات برجسته ای که در مورد این روش بهینه سازی وجود دارند، عبارتند از:
جوابی که هیچ جواب دیگری، به طور قطع بهتر از آن نباشد، دارای امتیاز بیشتری است. جواب ها بر اساس این که چند جواب بهتر از آن ها وجود داشته باشند، رتبه بندی و مرتب می شوند.
شایستگی (برازندگی) برای جواب ها بر حسب رتبه آن ها و عدم غلبه سایر جواب ها، اختصاص می یابد.
از شیوه اشتراک برازندگی (Fitness Sharing) برای جواب های نزدیک استفاده می شود تا به این ترتیب پراکندگی جواب ها به نحو مطلوبی تنظیم شود و جواب های به طور یکنواخت در فضای جستجو پخش شوند.
با توجه به حساسیت نسبتا زیادی که نحوه عملکرد و کیفیت جواب های الگوریتم (NSGA) به پارامترهای اشتراک برازندگی و سایر پارامترها دارند، نسخه دوم این الگوریتم با نام (NSGA-II)
توسط دِب و همکارانش در سال ۲۰۰۰ معرفی گردید [54]. ویژگی های عمده این الگوریتم عبارتند از:
تعریف فاصله تراکمی (Crowding Distance) به عنوان ویژگی جایگزین برای شیوه هایی مانند اشتراک برازندگی
استفاده از عملگر انتخاب تورنومنت دو-دویی
ذخیره و آرشیو کردن جواب های نامغلوب که در مراحل قبلی الگوریتم به دست آمده اند (نخبه گرایی) 
در فصل بعد پس از ارائه مدل ریاضی مورد نظر، به طور کامل در مورد این الگوریتم و ویژگی های آن بحث خواهیم کرد.
2-8 . جمع بندی
در این فصل ابتدا مروری بر ادبیات و تحقیقات صورت گرفته در حوزه زنجیره تأمین و طراحی آن توسط محققین مختلف انجام گردید و سپس در مورد انواع روش های حل مدل های بهینه سازی و ویژگی های آن ها و به خصوص الگوریتم فراابتکاری به کار گرفته شده برای حل مدل مورد نظر، توضیحی به اختصار داده شد که در فصل بعدی به طور کامل در مورد آن بحث خواهیم کرد.
فصل سوم
مدل ریاضی پیشنهادی
و
روش حل
3-1. مقدمه
در این فصل ابتدا به ارائه مدل ریاضی برای مسأله شبکه زنجیره تأمین چند مرحله ای و چند محصولی مورد نظر می پردازیم. سپس به مفروضات و محدودیت های در نظر گرفته شده در این مدل پرداخته می شود. در ادامه نیز روش حل بر اساس الگوریتم ژنتیک مرتب شده نامغلوب ارائه می شود. از آنجایی که روش های حل دقیق برای مسائل بهینه سازی ترکیباتی قابلیت کاربرد عملی ندارند، هیورستیک های مختلفی در این زمینه توسعه داده می شود.
3-2. مهمترین تصمیمات اتخاذ شده در مدل ارائه شده
انتخاب تأمین کنندگان مواد اولیه