GAها، سلول، کدگزاری، پروسه، اجباری، کرد.

برقو زدن نرم” باشد و رشته می تواند به 4 سلول ماشینکاری تجزیه می گردد. که به نام های “Drill f1, Enlarge f2, thick ream f3, extractive ream f4” هستند. f1,f2,f3,f4 نمایانگر شماره سریال سلولها می باشند. اگر n سلول در یک قسمت وجود داشته باشد آنگاه جمع Sاز سلول ها اینگونه خواهد بود. S={f1,f2,…,fn}
و fnنمایانگر nامین سلول است. هر ترکیب توالی در سلول های ماشین در S نمایانگر یک مسیر پشت سر هم خواهد بود. در کل این توالی تصادفی است و از عملیات گرمایی و دیگر راهکارهای جانبی در آن استفاده گردیده است. توالی فرایند های پشت سر هم را می توان پروسه ای در نظر گرفت که یک سریال از ri بر مجموعه ای از S یک به یک اعمال می شود . مجموعه محدودیتها به شکل زیر می باشند:
R={r1,r2,r3,…,rm,…}
و rm M امین محدودیت می باشد. آخرین پروسه ی مسیر که Rرا تایید می کند به عنوان مناسبترین مسیر اعمال می شود . هدف از توالی فرایند های پشت سر هم یافتن بهترین توالی از فرایند های پشت سر هم است. طبق تجارب تکنولوژیکی در توالی پشت سر هم فرایند ها ، محدودیتهای تئوریکی کاملا تأببد نمی گردند. بنابراین اگرآخرین توالی بتواند محدودیتهای اجباری و دیگر محدودیتهای اضافه شده را تأیید کند ، مسیر توالی منطقی به نظر می رسد. بر طبق این شرایط، مجموعه محدودیتها در توالی فرایند ها به دو گروه تقسیم می شوند : مجموعه اجباری محدودیتهاRb) ) و مجموعه اضافی محدودیتهاRh) )، توصیف ریاضی گونه توالی فرایند ها اینگونه است: فرض کنید که مجموعه ای از M={f1,f2,f3,..,fn} وجود دارد که از n سلول ماشین تشکیل یافته است. تمام توالی های ممکنM مجموعه S را ساخته اند. مجموعه اجباری محدودیتها در ماشینکاریRb) ) می باشد. و توالی π={fπ1,fπ2,…,fπn} یک نوع توالی است که مجموعه اجباری محدودیتها را ارضا می کند. یعنی می توان گفت:
Rb: s π (2-1)
بنابر این توالی مسیرکلی ، پروسه ای بهینه ساز در کل فضای ممکن است . اما تفاوتی اساسی بین این نوع بهینه سازی و دیگر بهینه سازی های عددی و رقمی وجود دارد. مهمترین تفاوت این است که هدف بهینه سازی ایجاد یک توالی است نه یک ارزش یا مقدارvalue البته شباهتی نیز بین بهینه سازی توالی فرایند ها و TSP وجود دارد. در حین تعیین توالی فرایند های پشت سر هم ، توالی طول محدود اعمال می گردد و مشکلی که باید رفع گردد تعیین ترتیب عناصر های موجود در رشته است. GA نوعی استراتژی جستجوگری است که برای محاسبات متساوی مناسب است و بیشتر در مسائلی راه گشا است که تغییرات کوچک باعث رفتارهای غیر خطی درفضای راه حل می گردد. GA ها قابلیت جستجوی فضاهای راه حل را با فراهم کردن یک ارزش محاسباتی دقیق دارند. زیرا از قوانین انتقال احتمالی بجای قوانین حتمی و قطعی استفاده می کنند. نصب آنها آسان است و در مشکلات غیر قابل حلی چون مشکلات NP-hard کاربرد فراوانی دارند. روشهای سنتی بهینه کننده به منظور رفع مشکلات NP-hard به سرعت با افزایش اندازه مسئله ، بزرگ می گردند. بنابر این در ارتقا روشهای اکتشافی تاکید بسیار زیادی شده است. این روشها ادعایی برای رسیدن به حد مطلوب ندارند. ولی باعث نزدیک شدن به زمان محاسباتی مناسب ترین راه حل ها می شوند و یا باعث محدود کردن فضای جستجوگر و رها کردن بعضی قسمت ها می شوند. اگر چه GAها خود پروسه های اکتشافی هستند ، آنها از نواحی مختلف فضای جستجوگر به طور همزمان نمونه تهیه کرده و نواحی مورد دلخواه را مورد بهره برداری وتقسیم بندی قرار می دهند.ثابت شده است که مساله فروشنده دوره گرد که همان مساله بهینه سازی ترکیبی و یا تکمیل Compelet-NP است را نمیتوان با استفاده از الگوریتم های حتمی در یک زمان مورد تایید حل کرد ، زیرا دارای مینیمم های محلی بیشماری است. در برخی از روش های بهینه سازی قدیمی ، روش هایی چون ، روش جستجوی حریصانه و برنامه نویسی پویا در حل این مسئله به کار برده شده است. البته انها یا بسیار وقت گیر بودند و یا پیدا کردن یک راه حل برای انها بسیار مشکل بود. GAهادر حل مسائل متغیر و پیچیده بهینه سازی بسیار مناسب می باشند . ویژگی اصلی GAها جستجوی یک نتیجه مناسب در کل فضای ممکن بر اساس کدگزاری، انتخاب ، تغییر و انتقال وجهش است. از GAها همچنین می توان در مسائل بهینه سازی غیر عددی نیز استفاده کرد. و بخاطر همین ویژگی است که از GAها در توالی سازی فرایند ها استفاده می گردد. در حین انجام عمل توالی سازی ، از رشته های متفاوتی برای عمل کنترل برای GAها در روند جستجو به منظور هدایت کل عمل بهینه سازی باید استفاده کرد. در مسئله TSP فاصله را می توان به شکل عمل کردی مناسب استفاده کرد. اما در مورد توالی سازی نمی توان از ان بهره برد. بنابر این زمانی که از GAها برای حل مسائل توالی سازی استفاده می شود، دشوارترین مرحله ایجاد استراتژی کدگزاری، اپراتورهای ژنتیک و عملکرد مناسب آن است.

مطلب مرتبط با این موضوع :  مکاتبات، اطلاعاتی، فنآوری، پرونده، ارتباطات، اسناد، پاراف، نامه.امکان، مراودات، اتوماسیون، مدیران، پردازش،

2-1-2- استراتژی کد گزاری
Holand فرض کرد که اگر طرح های بیشتری در یک فرد وجود داشته باشد ، آن وقت است که این طرح ها بایستی توسط GAها در یک زمان بررسی شده و در این حال قابلیت GAها نیز بهتر خواهد شد. وی ثابت کرد که در زمان استفاده از رشته دوتایی برای کدگزاری مقدار طرحها در فرد بیشتر می شود. بنابر این وی استفاده از رشته دو تایی را برای توضیح فرد پیشنهاد می کند. اما اگر فقط روش حل در نظر بگیریم، نمی توان از حداکثر قابلیت GA استفاده کرد .
شباهتی بین بهینه سازی مسیرفرایندهای پشت سرهم و TSPوجود دارد، بهمین خاطر از استراتژی کدگزاری و بازنمایی مسیر TSP می توان بعنوان مرجع استفاده کرد .در این قسمت از تحقیق از اعداد طبیعی در استراتژی کدگزاری و روش بازنمایی مسیر برای کدگزاری مسیر استفاده گردیده است. عدد عنصر موجود در رشته رقم متوالی سلول ماشین است.
با ایجاد هر گونه تغییر در نظم ارقام توالی مسیرهای معنی داری شکل میگیرد. فرض کنید بعد از روش انتخاب و جداکردن رشته های اپراتور تعداد n سلول در یک بخش وجود خواهد داشت. و کل ارقام ممکن در توالی پشت سر هم ! n خواهد بود.استراتژی کدگزاری در جدول2-1 نشان داده شده است.