برخی معیارها مثل بهترین برازندگی یا تعداد فراخوانی تابع برازندگی میتواند پاسخ سوال فوق باشد. اکثر محققین، الگوریتم خود را چندین بار اجرا نموده و میانگین پارامتر مورد نظر ( بطور نمونه، بهترین برازندگی) را ارائه می‌دهند.
۳-۳-۶ تفاوت GA با روش های مرسوم بهینه‌سازی ]۲۱[
در بسیاری از روش های بهینه‌سازی، با دقت بسیار از یک نقطه در فضای پاسخ و با بهره گرفتن از قوانین انتقال به نقطه دیگر حرکت میشود. چنین روش نقطه به نقطه‌ای خطرناک است، زیرا در فضای جستجو ممکن است چند نقطه اوج در چند جهت وجود داشته باشد و محل قرارگیری نقطه اوج، اشتباه تعیین گردد. بر خلاف این موضوع، الگوریتمهای ژنتیک به جای یک نقطه جستجو، چند نقطه جستجوی متقارب (بصورت مجوعه‌ای از افراد) را بکار می‌برند که بطور موازی از چند نقطه اوج بالا می‌روند. بنابراین، احتمال درگیر شدن در بهینه محلی بشدت کاهش می‌یابد و از طرف دیگر احتمال دستیابی به بهینه کلی افزایش خواهد یافت.
( اینجا فقط تکه ای از متن پایان نامه درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )
GA از اطلاعات منتج شده (تابع برازندگی) بجای استفاده از مشتقات یا اطلاعات جانبی استفاده می‌کند.
قابل اعمال به مسائل بهینه‌سازی با تابع هدف چندگانه[۵۵] می‌باشند.
۳-۳-۷ نقاط قوت GA
برنامه‌نویسی الگوریتمهای GA پیچیده نمی‌باشد.
فهم آسان
مجزا بودن
همیشه یک جواب وجود دارد که این جواب با گذشت زمان بهتر می شود.
مناسب بودن برای محیط های نویزی
امکان استفاده بصورت توزیع شده و موازی
روش های مختلفی برای پیشرفت و افزایش سرعت الگوریتم وجود دارد.
قابل اعمال به توابع هدف گسسته و پیوسته می‌باشند.
احتیاج به محاسبه مشتقات تابع هدف ندارند.
قابل اعمال به مسائل خطی، غیرخطی، بدخیم و . . . می‌باشند.
الگوریتمهای ژنتیک توانایی تلفیق با دیگر روش های بهینه‌سازی را دارند.
همانطور که قبلا اشاره گردید، GA یک الگوریتم قوی برای رسیدن به نزدیکی پاسخ بهینه با احتمال زیاد می‌باشد.
۳-۳-۸ نقاط ضعف GA
اگرچه GA یک الگوریتم بسیار قوی برای حل مسائل بهینه‌سازی می‌باشد ولی دارای تعدادی نقاط ضعف قطعی در مقایسه با سایر روش های بهینه‌سازی می‌باشد که عبارتند از،
اشکال اصلی GA نیاز به زمان زیاد حل کامپیوتری برای حل مسئله بهینه‌سازی می‌باشد.
GA با طراحی ضعیف، تقریبا شبیه یک الگوریتم کاملا تصادفی است و بسیار کند عمل خواهد نمود.
به خاطر ذات تصادفی GA، پیش‌بینی کارایی و عملکرد آن خیلی مشکل است و به نوع مسئله نیز بستگی دارد.
مهمترین ضعف GA وابستگی بسیار زیاد آن به تابع برازندگی برای امر بهینه سازی است. عمده کاربرد الگوریتم ژنتیک در بهینه سازی مسایل مهندسی است در جاییکه ممکن است تابع خاصی با مشخصات بالا موجود نباشد که بتوان از آن در جهت تشخیص میزان برازندگی استفاده کرد که عمدتا هم در صنعت چنین حالتی روی میدهد. بدلیل اهمیت وافر تابع برازندگی، در صورت کمی لغزش در تعریف تابع برازندگی مناسب، الگوریتم حتی در صورت فوق العاده دقیق بودن سایر قسمتها هم قابل اتکا نخواهد بود و پاسخهای آن دقیق نیست. عدم وجود تابع مناسب در بسیاری از مسائل جهت بهینه سازی، استفاده مستقل از این الگوریتم را محدود کرده و آن را به عنوان مکملی برای دیگر روش های بهینه سازی مطرح میسازد.
۳-۳-۹ در چه مواقعی از GA استفاده میشود
GA در موارد زیر بکار می رود :
جوابها بیش از اندازه پیچیده یا بی تحرک باشند.
نیاز به یک وسیله اکتشافی برای پیدا کردن راه های جدید باشد.
مساله شبیه به مسائلی که تا کنون در GA حل شده است، باشد.
نیاز باشد که جوابهای موجود را با هم پیوند زد.
۳-۳-۱۰ کاربردهای GA
برخی از مهمترین کاربردهای GA در علوم مختلف عبارتند از :
کنترل : خطوط انتقال گاز - پرتاب موشک - سیستمهای تعادلی و …..
طراحی : طراحی هواپیما - طراحی مدارات VLSI - شبکه های ارتباطی و ….
مدیریت و برنامه ریزی : برنامه ریزی تولید - زمانبندی - تخصیص منابع و ….
روباتیک : مسیر حرکت روبات و …
یادگیری ماشین : طراحی شبکه های عصبی- الگوریتمهای طبقه بندی و ….
پردازش سیگنال : طراحی فیلتر و ….
سایر موارد : هنر و موسیقی - حل مساله فروشنده دوره گرد - مسیریابی در شبکه ها
عواملی که تاثیر زیادی بر کارایی و همگرایی GA دارند عبارتند از، اندازه جمعیت ( )، عملگر انتخاب، احتمال پیوند ( ) و جهش ( ). انتخاب بهینه منوط به پارامترهای مختلفی مانند تعداد افراد جمعیت، تعداد نسل، احتمال پیوند، جهش و جایگزینی و . . . می‌باشد. مرجع مناسبی برای انتخاب این پارامترها وجود ندارد. و این پارامترها بایستی بطور تجربی و با توجه به تابع هدف مسئله بهینه‌سازی انتخاب گردند.
۳-۴ بهینه سازی پارامتر های فرآیندی پیل سوختی با بهره گرفتن از الگوریتم ژنتیک
از میان ابزارهای بهینه سازی، الگوریتم ژنتیک به عنوان یک ابزار کارآمد و توانا انتخاب شد و در جهت بهینه کردن سه پارامتر عملکردی نظیر دمای کارکردی پیل سوختی، فشار جزیی سمت آند و همچنین فشار جزیی سمت کاتد به کار گرفته شد. همان طور که در قسمت ۳-۳-۱-۳ بیان شد، تابع برازندگی در چگونگی عملکرد پیل سوختی از اهمیت خاصی برخوردار است. بهترین الگوریتمهای طراحی شده، حتی با در نظر گرفتن شرایط ایده آل، بدون یک تابع مناسب ارزیابی از درجه اعتبار ساقط است بنابراین پر واضح است که تابع ارزیابی باید در بهترین و دقیقترین حالت تعریف گردد.
۳-۴-۱ استفاده از حل تحلیلی در الگوریتم ژنتیک حاضر
جهت تشخیص عملکرد پارامترها به ازای مقادیر مختلف سه نوع راه حل وجود دارد :
استفاده از آزمایشات عملی
استفاده از حل CFD
استفاده از حل تحلیلی
۳-۴-۱-۱ استفاده از آزمایشات عملی
انجام آزمایشات به روش تجربی و آزمایشگاهی بسیار سودمند بوده و در نتایج آن شکی وجود ندارد چون مراحل در آزمایشگاه و بصورت عملی انجام شده است ولی در مورد بهینه‌سازی پارامترهای فرآیندی که ممکن است دامنه مقادیر بزرگ هم باشند، انجام آزمایشات به ازای مقادیر مختلف بسیار زمان بر و در عین حال هزینه بر است و انجام آزمایشات از نظر هزینه و زمان به هیچ وجه به صرفه نبوده و در بسیاری از موارد ضرورت آزمایشات و تحقیق با توجه به بالا بودن هزینه‌ها از بین می‌رود. لذا محققان از روش‌های متفاوتی جهت کاهش تعداد آزمایشات استفاده می‌کنند که از آن جمله می‌توان به کاربرد روش تاگوچی و یا شبکه عصبی و … اشاره کرد. اکثر تحقیق‌های پیشین بصورت عملی بوده، لذا محققان به اجبار آزمایشات را فقط در تعدادی مقادیر خاص انجام داده‌اند مثلاً ونگ[۵۶] و همکارانش ]۶[ در مورد دمای کارکردی پیل سوختی که بین ۴۰ تا ۸۰ درجه سانتی گراد قابل تغییر است، فقط در ۵ مقدار ۴۰، ۵۰، ۶۰، ۷۰ و ۸۰ درجه سانتی گراد آزمایشات را انجام داده‌اند و دامنه حرکتی برای دما را بصورت ۱۰ تایی درنظر گرفتند.
اگر چندین پارامتر بصورت همزمان درنظر گرفته شود و هدف حـالت بهـینه برای هـر یک از پارامترها باشد، ترکیبات مختلفی از مقادیر روی میدهد و پر واضح است که تعداد آزمایشات مورد نیاز بسیار زیاد خواهد بود بعنوان مثال در مورد بهینه‌سازی سه پارامتر مورد بررسی در این تحقیق اگر برای هر یک از این پارامترها ۱۰ مقدار درنظر گرفته شود، برای پوشش دادن تمامی حالات ممکن می‌باید ۱۰۰۰ آزمایش صورت دهیم که این تعداد آزمایشات هم از نظر هزینه و هم از نظر زمانی قابل انجام نیست.
تحقیقات زیادی با روش آزمایشگاهی صورت گرفته است ]۳-۱۲[ ولی همانطور که گفته شد عیب بزرگ این روش در محدودیت اجرای آن است لذا تمامی تحقیق‌های فوق فقط در مقادیر مشخص و محدود انجام گرفتند.
۳-۴-۱-۲ استفاده از حل CFD
حل‌های CFD در تعیین عملکرد و بیان چگونگی تأثیر مقادیر پارامترها، حل‌هایی بسیار دقیق است که به واقعیت بسیار نزدیک می‌باشد و بسیاری از محققان از این نوع حل جهت بررسی اثر پارامترها استفاده می‌کنند. بعنوان مثال فیلیپس[۵۷] و همکارانش ]۲۲[ از این نوع حل در تعیین رفتار پیل‌های سوختی قابل حمل استفاده کردهاند و همچنین سو[۵۸] و همکارانش ]۲۳[ با بهره گرفتن از این روش به بررسی پارامترهای پیل سوختی پلیمری پرداختند. حل‌های CFD، تقریباً از دقت‌های بالایی برخوردار هستند ولی با توجه به مش‌بندی‌های بسیار بالا و حل‌های دقیق، زمان زیادی برای اجرای این حل‌ها به ازای یک سری از پارامترهای مشخص مورد نیاز است. در الگوریتم ژنتیک حاضر، شاید برای بهینه‌سازی سه پارامتر بیش از ۴۰۰۰ یا ۵۰۰۰ مورد از ترکیبات مختلف مقادیر برای این سه پارامتر موجود باشد که نیاز باشد تمامی این حالات ممکن توسط حل CFD مورد بررسی قرار گیرد، بنابراین این روش نیز علی رغم دقیق بودن و صحت زیاد قابل استفاده نیست.
