با توجه به ساختار سه بعدی کروموزوم پیشنهادی عملگرهای سنتی جهش و جابجایی بایستی برای مواجهه با این کروموزوم به حالت سه بعدی توسعه یابند. به عبارت دیگر بایستی عملگرها را طوری بهبود دهیم تا قابلیت کاربردپذیری در سه محور اصلی طول، عرض و ارتفاع را داشته باشند که در ادامه شرح آن خواهد آمد.

( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

جمعیت اولیه
یک استراتژی تناوبی برای بدست آوردن جواب شدنی اولیه استفاده می­ شود. در قدم اول ژن X از کروموزوم به صورت تصادفی بر اساس محدودیت­های منابع و امید ریاضی تقاضا تولید می­ شود. سپس قسمت­ های دیگر XS، XM و XP از کروموزوم بصورت تصادفی پُر می­شوند. سپس با توجه به الگوی بدست آمده تعداد مورد نیاز از کارکنان بخش­های تولیدی برای هر سطح تخصص محاسبه می­گردد. پس از آن، کروموزوم دوم به صورت تصادفی تولید می­ شود تا محدودیت ها و نیازمندی­های مدل را به ازای هر سناریو ارضاء نماید. توجه شود که کروموزوم ها در صورت نیاز در هر یک از قدم­های فوق الذکر تعدیل می­شوند. برای جلوگیری از تولید کروموزوم­های مشابه در هر نسل، هر کروموزوم با سایر کروموزوم­های موجود در استخر^[۲۵۳] مقایسه می­گردد.
تابع برازندگی^[۲۵۴]
ارزیابی برازندگی در الگوریتم ژنتیک معمولاً بر اساس مقدار تابع هدف مسئله صورت می­گیرد. همانطور که قبلاً اشاره شد، در الگوریتم پیشنهادی، چارچوب اصلی اپسیلون-محدودیت بکار گرفته شده است و طبق توضیحات مربوطه، در این الگوریتم یکی از توابع به عنوان تابع هدف اصلی در نظر گرفته شده و مابقی توابع به عنوان محدودیت وارد مدل می­گردند. بنابراین در الگوریتم ژنتیک پیشنهادی تابع هدف اول مدل پیشنهادی سوم که مجموع وزنی امید ریاضی و تغییرپذیری هزینه­ های کل سیستم تولیدی است به عنوان تابع برازندگی در نظر گرفته می­ شود.
استراتژی انتخاب^[۲۵۵]
در الگوریتم ژنتیک پیشنهادی دو استراتژی برای انتخاب استفاده شده است. در استراتژی اول بهترین کروموزوم از میان والدین مستقیماً به نسل بعدی منتقل می­گردد. برای عملگر جابجائی ابتدا یک استخر تولید می­ شود و والدین از درون استخر انتخاب می­شوند و نهایتاً والدین برای عملگر جهش انتخاب می­گردند.
برای انجام جابجایی بهتر است که بهترین و امیدبخش ترین والدین انتخاب گردند چراکه والدین بهتر به طور متوسط فرزندان خوبی هم دارند. بنابراین یک نرمال سازی بر روی استخر تولید شده صورت می­پذیرد. برای هر نسل میانگین و انحراف معیار تابع هدف محاسبه می­گردد. سپس کروموزومی که دارای میانگین بهتری نسبت به میانگین آن نسل باشد برای انجام جابجایی و یا جهش به استخر منتقل می­گردد. به این ترتیب تضمین می­ شود که بهترین کروموزوم ها نسل­های بعدی را خواهند ساخت.
عملگرهای بهبود یافته الگوریتم ژنتیک
همانطور که در بخش ساختار کروموزوم اشاره شد، این ساختار از ماتریس­های دو بعدی و سه بعدی تشکیل یافته است. بنابراین عملگرهای کلاسیک الگوریتم ژنتیک قابل پیاده سازی بر روی این کروموزوم ها نیستند. بدین منظور عملگرهای کلاسیک الگوریتم ژنتیک را برای اعمال بر روی ماتریس­های سه بعدی بهبود می­دهیم.
عملگرهای بهبود یافته به سه دسته ستونی، بلوکی و نامنظم تقسیم می­شوند و در ادامه به توضیح آن ها پرداخته خواهد شد:
عملگر ستونی^[۲۵۶]
این نوع عملگر به صورت ستونی عمل می­نماید. بدین ترتیب که ابتدا دو عدد تصادفی در محدوده سطر و ستون کروموزوم مربوطه تولید می­گردد. سپس عملگر (جهش یا جابجایی) در قسمت انتخاب شده اعمال می­گردد. برای مثال در شکل ۴-۱۶ ستون قرمز و سبز از دو کروموزوم A و B به صورت تصادفی انتخاب شده و عملگر جهش بر روی آن ها اعمال شده است.

شکل ‏۴‑۱۶- عملگر جابجائی ستونی

عملگر بلوکی^[۲۵۷]
این نوع عملگر بصورت بلوکی عمل می­نماید. به این ترتیب که ابتدا چند عدد تصادفی در محدوده ستون و سطر کروموزوم­های مربوطه تولید می­ شود. سپس عملگر مورد نظر (جهش یا جابجائی) بر بلوک تشکیل شده توسط این اعداد تصادفی، اعمال می­ شود. برای مثال در شکل ۴-۱۷ ابتدا بلوک­های قرمز و سبز از دو کروموزوم بصورت تصادفی انتخاب شده و عملگر جابجائی بر روی آن اعمال می­ شود.

شکل ‏۴‑۱۷- عملگر جابجائی بلوکی

عملگر نامنظم^[۲۵۸]
این نوع عملگر بصورت نامنظم اعمال می­ شود. به این ترتیب که چند درایه از کروموزوم به صورت تصادفی انتخاب می­ شود و عملگر مربوطه (جابجایی یا جهش) بر روی آن اعمال می­گردد (شکل ۴-۱۸).

شکل ‏۴‑۱۸- عملگر جابجائی نامنظم