وبلاگ

استراتژی جریمه‌ای از متداول‌ترین تکنیک‌های مورد استفاده برای سر و کار داشتن با جواب‌های غیرموجّه می‌باشد که در آن ابتدا محدودیت‌های مسأله در نظر گرفته نمی‌شوند پس برای هر تخلّف از محدودیت‌ها یک جریمه اختصاص داده می‌شود که این جریمه در تابع هدف قرار می‌گیرد.

مسأله اصلی چگونگی انتخاب یک مقدار مناسب برای مقدار جریمه می‌باشد تا در حل مسائل به ما کمک نماید.

نکته‌ای که در روش جریمه وجود دارد این است که یک جواب غیرموجّه به سادگی حذف نمی‌شود زیرا ممکن است در ژن‌های آن اطلاعات مفیدی وجود داشته باشد که با اندکی تغییر به جواب بهینه تبدیل شود.

• 1. مرور ادبیات کاربرد الگوریتم ژنتیک در مسایل مکان­ یابی

الگوریتم ژنتیک برای اولین بار روی مسایل مکان­ یابی – تخصیص توسط هسیج^[۶۴] و گودچایلد^[۶۵] در سال ۱۹۸۶ به کار برده شد. گنگ و همکارانش^[۶۶] در سال ۱۹۹۹ از یک ژنتیک برای تخصیص m ماشین به m محل استفاده کردند و مقایسه­ ای بین این الگوریتم و دیگر روش­های حل زمانبر انجام دادند. مورنو و همکارانش^[۶۷] در سال ۱۹۹۴ ژنتیک را برای مسایل p-median به کار بردند. کراتیکا و همکارانش^[۶۸] در سال ۲۰۰۱ یک ژنتیک برای یک مثال ساده مکان­ یابی کارخانه بکاربردند و بزکیا و همکارانش^[۶۹] یک ژنتیک کارا برای مسایل p-median توسعه دادند و ثابت کردند که الگوریتم نسبت به دیگر الگوریتم­های ارائه شده کارایی بیشتری دارد. جارامیلو و همکارانش^[۷۰] در سال ۲۰۰۲ مقایسه­ ای از عملکرد ژنتیک روی انواع مسایل مختلف مکان­ یابی داشتند. ایتوگ^[۷۱] و سایدام^[۷۲] یک ژنتیک ترکیبی را برای مسایل مکان­ یابی حداکثر پوشش مورد انتظار با بهره گرفتن از الگوریتم تقریبی هایپروکوب توسعه دادند. همچنین یک مقایسه بین ژنتیک به کار رفته روی مسایل جایابی حدکثر پوشش مورد انتظار و دیگر روش­ها و الگوریتم­ها انجام و نشان دادند که حداقل یکی از ژنتیک­های به کار برده شده در این مدل به یک جواب نزدیک به بهینه با زمان حل قابل قبول منجر می­ شود. توپوگلو و همکارانش^[۷۳] در سال ۲۰۰۷ یک ژنتیک جدید ارائه کردند و مقایسه­ ای بین ژنتیک ارائه شده و جستجوی ممنوع انجام دادند. شوندی و محلوجی در سال ۲۰۰۶ پس از ارائه مدل FQMCLP و با توجه به شباهت این مدل به مسئله P-median یک ژنتیک مانند ژنتیک ارائه شده توسط بزکایا برای مدل p-median، برای مدل­شان اراده دادند. شینگ و همکارانش^[۷۴] در سال ۲۰۰۷ یک ژنتیک برای مکان­ یابی- تخصیص ارائه کردند، آن­ها در این الگوریتم از تکنیک ساب گرادیان برای حل کاراتر آن استفاده کردند. یانگ و همکارانش در سال ۲۰۰۷ یک ژنتیک برای جایابی ایستگاه­های آتشنشانی که با بهره گرفتن از برنامه­ ریزی چندهدفه فازی بهینه می­شدند، ارائه کردند (شوندی و مردانه خامنه، ۱۳۹۰).

• 1. سابقه پژوهش­های دارای موضوعات مشابه

پژوهش حاضر به لحاظ بهره­ گیری از مدل و الگوریتمی جدید جهت اخذ تصمیم مکان­ یابی دارای سابقه­ مشابه نمی ­باشد اما از آنجایی که در پایان نامه­ موجود از تمامی مباحث مرتبط همچون مکان­ یابی، مسئله حداکثر پوشش و الگوریتم ژنتیک استفاده گردیده است، ‌می‌توان به گروهی از سوابق مرتبط با موارد فوق که بیشترین قرابت را با پژوهش حاضر داشته اند اشاره نمود. در رابطه با مکان­ یابی صنایع پژوهش­های داخلی و خارجی زیادی انجام گرفته است که غالب روش­های به کار گرفته شده در آن­ها مدل‌های تصمیم گیری چندمعیاره و مدل‌های ریاضی مکان­ یابی که عموماً به برنامه ریزی آرمانی و برنامه ریزی صفر و یک محدود می­گردد است. در سال‌های اخیر کارهای قابل قبولی در رابطه با به کارگیری مدل ریاضی حداکثر پوشش انجام گرفته است که البته بیشتر در قالب مقاله و بدون به کارگیری مورد مطالعاتی واقعی ارائه گردیده است. در اینجا به تعدادی از این پژوهش ها اشاره می­کنیم :

• 1. 1. علی حسینی (۱۳۷۹) در مطالعه­ ای با عنوان «به کارگیری الگوریتم ژنتیک برای حل مسئله پوشش مجموعه» با بهره گرفتن از یک مسئله آزمون که به صورت تصادفی تولید شده بود. بهینه ترین وضعیت الگوریتم را از نظر به کارگیری عملگر جهشی ، مکانیسم انتخاب و نرخ تقاطعی معرفی کرد. سپس الگوریتم پیشنهادی طراحی و بر روی تعدادی مسئله آزمون که آن­ها نیز به صورت تصادفی تولید شده بودند پیاده کرده و نتایج حاصله را با الگوریتم ابتکاری (Greedy Heuristic) هیراگو مقایسه کرد. الگوریتم پیشنهادی او دارای شرایط ذیل بود : الف – سیستم کدینگ : رشته دودویی ب – ایجاد جمعیت اولیه : تصادفی – بدون کروموزوم تکراری و غیر موجه پ – عملگر تقاطعی : دو نقطه برش با نرخ تقاطعی ۰/۹۵ ت – عملگر جهشی: یکنواخت با نرخ جهشی۰/۱ ج- تابع برازش : تابع هدف مسئله چ – برخورد با محدودیت ها : استراتژی ردی (علی­حسینی، ۱۳۷۹)
  1. 1. صادقی در سال ۱۳۸۷ در پژوهش خود با عنوان «جایابی بهینه مراکز توزیع در فرایند بازاریابی با بهره گرفتن از روش­های ریاضی» به ارائه الگو و مدلی جهت مکان یابی مراکز فروش و خدمات پس از فروش شرکت تالیا پرداخته است. او از تلفیق دو مدل TOPSIS و برنامه­ ریزی صفر و یک به ترتیب برای عوامل مشتری مدار – بازاریابی و محدودیت های مالی – جغرافیایی استفاده ‌کرده‌است (صادقی،۱۳۸۷)
  1. 1. صفاریان (۱۳۸۸) در مقاله­ای با عنوان «کاربرد الگوریتم ژنتیک برای حل مسئله پوشش حداکثر» یک الگوریتم ژنتیک مناسب برای حل مدل‌های Maximal Covering ارائه کرد. این الگوریتم را برروی ۷۵ مسئله متفاوت اجرا نموده و نتایج آن را با نتایج حاصل از دو الگوریتم لاگرانژ و گردی ادینگ برروی همان مسایل مقایسه کرد.. همچنین نتایج حاصل از این الگوریتم را با نتایج حاصل از نرم افزار لینگو مقایسه کرده و از نظر میزان دقت و کارایی مورد بررسی و مطالعه قرار داد (صفاریان، ۱۳۸۸).
  1. 1. سید حسینی و همکاران (۱۳۸۸) به حل مسئله مکان­ یابی پایانه ­های اتوبوس رانی درون شهری با بهره گرفتن از الگوریتم ژنتیک پرداختند. آن­ها برای حل مسئله یک الگوریتم ژنتیک پیشنهاد دادند. مهمترین مزیت الگوریتم ژنتیک پیشنهادی، رسیدن به جواب دقیق تر در زمان کمتر می‌باشد. برای تأیید کارایی روش خود، الگوریتم را برای شبکه های اتوبوسرانی مشهد و تهران اجرا و نتایج آن را با نتایج کوشش های پیشین مقایسه کردند (سید­حسینی و همکاران، ۱۳۸۸).
  1. 1. فرقانی و همکاران (۱۳۸۹) در مقاله­ای تحت عنوان «توسعه یک مدل دو هدفه برای مسئله حداکثر پوشش با محدودیت پارامترهای صف» مدل ارائه شده توسط کورآ و لورنا که به صورت یک مسئله حداکثر پوشش با محدودیت شاخص‌های صف است، توسعه دادند بگونه ای که علاوه بر تابع هدف حداکثر پوشش، هدف حداقل نمودن فواصل خدمت دهنده ها تا مشتریان نیز در نظر گرفته شود. سپس مدل توسعه داده شده خود را توسط الگوریتم ژنتیک و نرم افزارCPLEX حل کردند (فرقانی و همکاران، ۱۳۸۹).