اجرای هر تصمیمی نیاز به ساز و کار، رویه و نظام دارد، تا بتوان آن را به درستی پیش برد. هر چه حوزه ی تأثیرگذاری تصمیمات بزرگ تر باشد، اهمیت این موضوع نیز بالاتر می رود. تصمیمات برون سپاری نیز از این امر مستثنی نیستند. از این رو اجرای تصمیات برون سپاری در یک بنگاه اقتصادی، نیاز به فرآیند و ساز و کار دارد. در این قسمت، در پاسخ به این پرسش که چگونه می توان برون سپاری نمود و تصمیمات برون سپاری چگونه به مرحله ی اجرا در می آیند، یک فرآیند عمومی ساختار یافته و گام به گام ارائه و تشریح خواهد شد.

الگوی اجرایی برون سپاری موردنظر که تصویر کلی آن در شکل ۲-۱ آمده، مشتمل بر پنج گام اصلی و یک گام با عنوان اقدامات اولیه و پیش نیازی است که هم در اجرای هر یک از گام ها، و هم در حین انتقال از هر گام به گام بعد ملاحظات ویژه ای مورد نیاز خواهد بود. در این قسمت، به طور خلاصه به بیان این گام ها خواهیم پرداخت و توضیحات مشروح در مورد هر یک از گام ها را به قسمت های بعدی موکول خواهیم کرد.

الگوی اجرایی مورد بررسی، نتیجه خلاصه مطالعه و بررسی منابع و مراجع مختلف در مقوله ی برون سپاری و به ویژه الهام گرفته از مرجع است. البته، تجربیات مؤلفان در استفاده از الگوی یاد شده نشان می دهد که این الگو تا حد زیادی مناسب شرایط بنگاه های کوچک و متوسط است. هر چند، در مورد سازمان های بزرگ نیز الگوی یاد شده در زیر مجموعه های آن ها به راحتی قابل به کارگیری است، ضمن اینکه اسناد سازمان های بزرگ ممکن است به عنوان یکی از وظایف و مأموریت های ارزش آفرینانه ی خود برای شرکت های زیر مجموعه، نقش تسهیل گر و پشتیبانی کننده را در قبال اجرای برون سپاری اثر بخش در درون زیر مجموعه های خود متقبل شوند(سید جوادین وحسنقلی پور،۱۳۹۰).

 

 

 

 

 

 

 

 

 

شکل( ۲-۱) الگوی اجرایی برون سپاری

 

۲-۱-۷- اقدامات و پیش نیازی

برای آغاز اجرای فرآیند برون سپاری در هر سازمانی، انجام مجموعه ای از اقدامات اولیه، الزامی و اجتناب ناپذیر است. نتیجه ی انجام این اقدامات، فراهم کردن بستری مناسب برای اجرای فرآیند برون سپاری خواهد بود. اهم این اقدامات به ترتیب زیر قابل بحث هستند:

 

۲-۱-۷-۱- خواست و عزم قاطع مدیریت ارشد

مهمترین اقدامات اولیه در راستای استقرار فرآیند برون سپاری در یک سازمان، خواست و عزم قاطع مدیر ارشد سازمان یا هیأت مدیره مبنی بر لزوم و ضرورت برون سپاری برخی از (یا همگی) فعالیت های سازمان و ترمیم مزایای بالقوه ی منتج از اجرای آن است. طبعاً هر حرکتی در سازمان که مدیر ارشد حامی و پشتیبان آن نباشد، حرکتی عبث و منجر به شکست خواهد بود و قاعدتاً هیچ یک از مدیران میانی یا عملیاتی سازمان، بدون جلب حمایت مدیریت ارشد سازمان، مجاز به برون سپاری فعالیت های حیطه ی نظارت خود نخواهد بود.

 

۲-۱-۷-۲- انتخاب شورای راهبری و مسؤول شورا

یکی از مهم ترین اقدامات لازم در زمینه ی فراهم آمدن بستر مناسب اجرای برون سپاری اثر بخش، انتخاب « شورای راهبری برون سپاری» است. وظایف عمده ی این کمیته که تشکیل آن بر عهده ی مدیریت ارشد سازمان است، به صورت زیر بیان می شود:

۱-  سیاست گذاری کلان در زمینه ی تعیین حدود برون سپاری و مشخص کردن نامزدهای اصلی.

۲- تعیین سیاست ها، استراتژی ها و چارچوب های کلان تصمیم سازی در مقولات ارزیابی و انتخاب تأمین کنندگان، مفاد قراردادها، شیوه های اتخاذ تصمیمات برون سپاری و سایر نکات مربوط .

۳- تعیین اعضای کمیته اجرایی برون سپاری.

۴-نظارت بر چگونگی اجرایی برون سپاری و تعاملات با تأمین کنندگان.

 

۲-۱-۷-۳- هدف گذاری شفاف

یکی از اقدامات اولیه و اساسی جهت بسترسازی اجرای برون سپاری، هدف گذاری روشن است. هدف گذاری کلان در این ارتباط توسط مدیریت ارشد و شفاف سازی این اهداف به صورت اهداف قابل عملیاتی شدن توسط شورای راهبری انجام می شود. این اقدام می تواند با پاسخ به سؤالات زیر محقق شود:

۱- با اجرای برون سپاری در سازمان ما، چه مسائل از سازمان حل می شود؟

۲- به طور روشن و معین، برای اجرای برون سپاری در سازمان چه ضرورت ها و دلایلی وجود دارد؟

۳- برای حل مسائل مورد نظر غیر از برون سپاری، چه گزینه های دیگری قابل بررسی است؟

۴- نتایج مورد انتظار از اجرای برون سپاری چیست؟

۵- موانع و محدودیت های اجرای برون سپاری در سازمان ما کدام اند؟

 

۲-۱-۷-۴- طراحی فرآیند اجرایی و تقسیم وظایف و مسؤولیت ها

در این قسمت، لازم است وظایف و مسؤولیتهای شورای راهبری، تیم اجرایی، هر یک از اعضای آنها و نیز هر یک از بخشهای سازمان (اعم از تولید،طراحی،انبار،تضمین کیفیت،مالی،خرید،برنامه ریزی و …) در قبال فرآیند برون سپاری روشن و معین گردد.

 

۲-۱-۷-۵- ایجاد زبان مشترک بین افراد و گروه های درگیر در فرآیند

هم شورای راهبری و هم تیم اجرایی باید تلاش خود را بر پدید آوردن زبان و برداشت مشترک از اهداف، الزامات و چگونگی فرآیند برون سپاری متمرکز کنند؛ ضمن این که در مورد کارکنانی که احتمالاً ممکن است تحت تأثیر اجرای برون سپاری، شرایط شغلی آن ها تغییر کند، باید ظرافت و دقت کافی داشته باشند.

۲-۱-۷-۶- تعیین شایستگی محوری سازمان

هر سازمانی باید شایستگی های محوری خود را بشناسد و از واگذاری آن ها به پیمانکاران بیرونی پرهیز کند. برون سپاری را بر فعالیت های غیر اصلی متمرکز سازد و از ظرفیت آزاد شده جهت تقویت و بسط شایستگی های محوری و کسب بهتر مزیت های رقابتی بهره گیرد. این وظیفه نیز باید توسط شورای راهبری برون سپاری و با الهام از دیدگاه های مدیریت ارشد و نیز نظر مشاوران مدیریت ارشد استراتژیک سازمان انجام پذیرد.

شورای راهبری برون سپاری باید حدود برون سپاری را شفاف و فعالیت های کاندیدا را تعیین نماید، یا به عبارت دیگر، خطوط قرمز واگذاری فعالیت ها را مشخص کند؛ ضمن اینکه لازم است در مورد جهت گیری استراتژیک برون سپاری در هر دسته از فعالیت های کاندیداها تصمیمی اتخاذ شود (اعم از منبع یابی منفرد یا چندگانه برای آن ها، منبع یابی محلی، منطقه ای یا جهانی، تأمین سطح یا چند لایه، نوع و متن قرادادها، نوع ارتباط با تأمین کنندگان، خطوط کلی ارزیابی و انتخاب تأمین کنندگان و موارد دیگر).

 

۲-۱-۷-۸- ارزیابی ریسک ها

اگر برون سپاری به درستی مورد استفاده قرار گیرد، ابزاری قدرتمند است که می تواند کامیابی سازمان را در عرصه ی رقابت شدید تجاری به همراه داشته باشد.، اما چنانچه در استفاده از این ابزار قدرتمند دقت و تأمل کافی صورت نگیرد، نه تنها ممکن است هیچ یک از منافع مورد انتظار حاصل نشود بلکه می تواند آسیب ها و خسارات جبران ناپذیری بر منافع (بلند- مدت) سازمان وارد کند. بر این مبنا لازم است شورای راهبری قبل از آغاز برون سپاری ریسک ها و مخاطرات کلی این شمشیر دو لبه را در مورد سازمان خود تحلیلی نموده و در صورتی که مخاطرات و مضرات احتمالی برون سپاری بیش از منافع مورد انتظار برآورد شود، هشدارهای لازم را اعلام نموده و اقدامات پیشگیرانه لازم را طراحی و اجرا نماید. بندرت ممکن است این تحلیل ریسک های کلان، بکلی سازمان را از برون سپاری بر حذر دارد.

 

۲-۱-۷-۹-تأمین منابع و امکانات

اجرای فرآیند برون سپاری نیز مانند هر فرآیند دیگری نیازمند مجموعه ای از منابع و امکانات است که در ابتدای فرآیند، این موضع باید مورد دقت نظر قرار گیرد. این منافع می تواند شامل بودجه ی مورد نیاز (به ویژه برای راه اندازی و استقرار فرآیند)، زیر ساخت ها و سیستم های اطلاعاتی، ساختار اجرایی، گزارش دهی و ثبت مستندات و موارد دیگری از این قبیل باشد.

با انجام اقدامات فوق، زمینه برای پیاده سازی رویکرد برون سپاری در سازمان فراهم خواهد شد و بدین ترتیب می توان نسبت به اجرای فرآیند برون سپاری برای کاندیداهای مورد نظر اقدام نمود.

 

۲-۱-۷-۹-ا-گام اول : تحلیل ساخت / خرید

پس از تعیین فعالیت کاندیداها برای برون سپاری، لازم است تا تجزیه و تحلیل های دقیق تری جهت اخذ تصمیم نهایی در مورد نگهداری یا واگذاری این فعالیت ها صورت پذیرد. در این گام، معیارهایی مانند تأمین کنندگان بالقوه در بازار و ویژگی های و تواناییهای آن ها، معیارهای هزینه ای، معیارهای عملکردی مانند کیفیت و تحویل، ریسک تأمین، ظرفیت تولید یا ارائه خدمت، اکتساب مهارتهای فنی و مدیریتی از تأمین کنندگان بیرونی و … می تواند در اتخاذ تصمیم نهایی ساخت یا خرید دخیل شود. نکته ی مهم اینکه به جز دو گزینه ی «ساخت» و «خرید»، گزینه ی سومی به نام «مشارکت» وجود دارد که ماهیت آن نسبت به دو گزینه ی قبلی، ماهیتی بینابینی است و خود دارای انواع مختلف است.

چنان که در شکل شماره۱-۲ نشان داده شد، در صورتی که تصمیم بر «ساخت» یا به عبارت بهتر، نگهداری فعالیت در درون سازمان باشد، بدیهی است که سازمان باید مسیر بهبود و تعالی را در این حوزه ها جدی تر از گذشته بپیماید؛ و در حالتی که جمع بندی نتایج، مبنی بر واگذاری فعالیت و برون سپاری آن باشد، نوبت به شناسایی و ارزیابی تأمین کنندگان بالقوه و انتخاب یک یا تعدادی از آن ها می رسد.

 

۲-۱-۷-۹-ب-گام دوم : شناسایی، ارزیابی و انتخاب تأمین کنندگان

 در این گام، باید تأمین کنندگان بالقوه ی شناسایی شده را مورد ارزیابی قرار داده و از بین آن ها یکی یا تعدادی را انتخاب کرد. عموماً دسته معیارهای زیادی برای ارزیابی و انتخاب تأمین کنندگان استفاده می شود که مواردی مانند قابلیت های فنی، مدیریتی و کیفی تأمین کننده، ساختار هزینه و نحوه ی قیمت گذاری وی بر خدماتش، پیاده سازی مدیریت کیفیت فراگیر و حرکت تأمین کننده به سمت تعالی، توان دخالت تأمین کننده در مراحل اولیه ی تکوین محصول، توانایی و ثبات مالی، تبعیت از قوانین، سیستم زمان بندی تولید و توانایی های اطلاعاتی (اعم از زیر ساخت ها و سیستم ها) از این جمله هستند.

معمولاً با بهره گرفتن از روش های متفاوت، اطلاعات مربوط به هر یک از دسته معیارها، جمع آوری و به کمک تحلیل آن ها به هر یک ازتأمین کنندگان، امتیازهایی تعلق می گیرد که به این طریق می توان تأمین کنندگان برتر را شناسایی کرد. اما سؤال این است که اگر هیچ یک از تأمین کنندگان، قادر به تأمین حداقل نیازمندی ها و سطوح انتظارات سازمان نباشند چه باید کرد؟

 

۲-۱-۷-۹-ج-گام سوم : مذاکره و عقد قرارداد

پس از مشخص شدن تأمین کنندگان برگزیده، نوبت به انجام مذاکره با تأمین کنندگان و عقد قرارداد با آن ها می رسد. معمولاً در انجام مذاکره بین خریدار و تأمین کننده اهداف زیر دنبال می شود:

۱-روشن کردن دامنه ی عملیاتی و حوزه ی خدمات مورد انتظار از تأمین کننده.

۲- مشخص کردن ساز و کارهای شفاف و اثر بخش برای ارزیابی عملکرد تأمین کننده و نحوه ی نظارت بر فعالیت وی (در حین اجرای قرارداد).

۳-روشن کردن نحوه ی قیمت گذاری بر خدمات تأمین کننده و حصول توافق نهایی بر قیمت.

۴-تعیین زمان بندی تحوبل ها و چگونگی تأیید کار.

۵- تعیین شرایط خاتمه یا فسخ قرارداد.

با توجه به اهداف ذکر شده، گام های مذاکره و عقد قرارداد در فرآیند برون سپاری را می توان به صورت زیر بیان کرد:

۱-آگاه ساختن تأمین کنندگان برگزیده.

۲-تهیه ی فهرست موارد مطرح شده در قرارداد و نکات نیازمند گفتگو.

۳- برنامه ریزی برای مذاکره.

۴- اداره و هدایت مذاکره.

۵- انعقاد نهایی قرارداد.

 

۲-۱-۷-۹-د-گام چهارم : اجرای قرارداد و مدیریت روابط

در گام چهارم، نتیجه ی تمامی گام های قبلی محقق خواهد شد. در این گام، عملاً ممکن است برخی از منابع مربوط به فعالیت های واگذار شده به تأمین کننده اعم از نیروی انسانی، تجهیزات و حتی دانش فنی مربوط به او منتقل گردد. در ضمن روابط با تأمین کننده به نحوی اثر بخش باید مدیریت شود. روابط سازمان خریدار با تأمین کنندگان، بر حسب شرایط قرارداد و نیز اهمیت فعالیت یا قطعه یا زیر مونتاژ برون سپاری شده متغیر است.

این روابط ممکن است مبتنی بر روابط رسمی و دیوان سالارانه متداول، روابط مرسوم در بازار داد و ستد، یا مبتنی بر اعتماد متقابل و بده – بستان شریکانه باشد، که هر یک از این سه نوع رابطه، نیازمند مدیریت ویژه خود می باشد. در نهایت، امید است که قرارداد با توفیق لازم روبرو شده و خروجی های مورد توافق، در زمان و مکان تعیین شده و با کیفیت قابل قبول ارائه شوند.

در صورتی که قرارداد بلند – مدت باشد، طبیعی است که این جریان تا زمان خاتمه ی آن ادامه خواهد یافت و در صورتی که کوتاه مدت باشد، ممکـن است موضـوع در همین جا پایان یافته و احتمالاً در تکرارهای بعدی، تأمین کنندگان جدیدی جایگزین تأمین کننده ی فعلی شوند (در مورد اقلام کم اهمیت این اتفاق محتمل الوقوع است).

شایان ذکر است که ممکن است قرارداد پیش از خاتمه ی نهایی در اثر عوامل مختلفی چون ضعف فنی و تأمین کننده، کمبود ظرفیت او، سوق یافتن او به سمت قرارداد با بنگاه دیگر، نارضایتی سازمان خریدار و موارد دیگر، به فسخ و احیاناً ارجاع به مرجع حل اختلاف بینجامد. بنابراین لازم است در قرارداد امضاء شده، اتفاقاتی از این قبل مورد پیش بینی قرار گرفته و راهکارهای برون رفت از آن ها در متن قرارداد تعبیه شده باشد.

 

۲-۱-۷-۹-ه-گام پنجم: سنجش عملکرد تأمین کنندگان

سنجش تأمین کننده شامل روش ها و معیارهایی برای جمع آوری و تحلیل اطلاعات مربوط به اندازه گیری و رتبه بندی عملکرد (واقعی) تأمین کنندگان در یک بازه ی زمانی پیوسته است. در این حالت، بر خلاف فاز ارزیابی و انتخاب اولیه ی تأمین کننده، بحث جمع آوری اطلاعات مربوطه نه به روش مصاحبه و بازدید مکان و بررسی سوابق، که از طریق اندازه گیری مستقیم عملکرد واقعی تأمین کننده انجام می شود. هدف از این سنجش، بررسی صحت ادعاهای اولیه ی تأمین کننده و ارزیابی صورت گرفته و نیز فراهم شدن امکان تصمیـم گیـری در مورد چگونگی ادامه ی روند برون سپاری محصول یا خدمت مورد نظر (ادامه ی همکاری با تأمین کننده ی فعلی، جایگزینی تأمین کننده، واگذاری انجام فعالیت به بخش های داخلی سازمان و … ) است. در آخرین گام فرآیند، لازم است بـازخوردهای ناشی از اجرای تمام مراحل فرآیند جمع آوری شده و مورد تحلیل و دقت قرار گیـرد؛ ضمن این که نتایج این تحلیل ها باید به تمامی اجزای درگیر در فرآیند برون سپاری، جهت بهتر شدن فرآیند و احیاناً تصحیح تصمیمات یا رویه های نادرست انتقال یابد. این اجزاء شامل تمامی ارکان مرتبط در درون سازمان خریدار مشتمل بر کمیته ی راهبری، کمیته ی اجرایی و همه ی بخش های درگیر و نیز تمامی تأمین کنندگان طرف قرارداد سازمان خریدار است.

۲-۱-۸-مزایای برون سپاری

۱- کاهش هزینه‌های عملیاتی

۲- تمرکز سازمان بر فرآیندهای محوری خود

۳- اعمال کیفیت

۴- دست‌یابی به تخصص‌های برون سازمانی

۵- آزادسازی منابع درون سازمانی برای هدف‌های اصلی سازمان

۶- بهبود نتایج مالی

۷- افزایش نرخ بازده سرمایه

۸- کاهش هزینه‌ سربار

۹- نوآوری

۱۰- تعدیل منابع انسانی

 

مسئله عمومی در این روش یافتن کوتاه­ترین مسیر بین دو رأس در یک گراف است. در ابتدا هر یال یک مقدار تصادفی به عنوان فرومون اولیه دریافت می­ کند  و در طول اجرای الگوریتم غلظت­ فرومون[۲] برخی از مسیرها (احتمال پذیرش مسیر) افزایش می­یابد به طوری­که مسیرهای بهینه انتخاب شود.

 

• شبکه های عصبی[۳]

تحقیقات در این زمینه نشان داده است که مغز، اطلاعات را همانند الگو‌ها  ذخیره می‌کند. فرآیند ذخیره‌سازی اطلاعات به‌صورت الگو و تجزیه و تحلیل آن الگو‌، اساس روش نوین محاسباتی را تشکیل می‌دهند. این حوزه از دانش محاسباتی به هیچ وجه از روش‌های برنامه‌نویسی سنتی استفاده نمی‌کند و به‌جای آن از شبکه‌های بزرگی که به‌صورت موازی آرایش شده‌اند و تعلیم یافته‌اند، بهره می‌جوید.

• الگوریتم جهش قورباغه[۴]

در این الگوریتم یک جمعیت شامل دسته­ای قورباغه می­باشد. این جمعیت (جواب) به زیرمجموعه­هایی تقسیم می­شود. هر یک از زیر مجموعه­ها به جستجوی محلی می ­پردازد. این فرآیند و عمل جستجوی محلی تا زمانی ادامه می­یابد که شرط همگرایی برآورده شود.

• الگوریتم زنبور عسل[۵]

در این الگوریتم با دریافت دامنه تغییرات هر یک از متغیرها و تحلیل حالت بی­شمار تلفیق دامنه­ها با یکدیگر، حالت بهینه را بدست می­آورد.

• الگوریتم اجتماع پرندگان[۶]

در طراحی روش­های فراابتکاری، دو معیارمتناقض شامل کاوش در فضای جواب و تبعیت از بهترین راه­حل­های پیدا شده باید درنظر گرفته شود. این روش­ها را می­توان برای مسائل ساده با ابعاد بزرگ یا با محدودیت­های زمان واقعی (مسائلی که نیاز به حل در همان زمان دارند) و یک مسئله سخت(Np-hard)، مسائل با توابع هدف یا محدودیت­های پیچیده، مدل­های غیر­تحلیلی مسائل بهینه­سازی و یا در شرایط غیرقطعی کاربرد دارد (فتاحی، ۱۳۹۰).

• الگوریتم ممتیک

الگوریتم ممتیک گونه­ای از الگوریتم­های تکاملی است که در آن جستجو­های ابتکاری محلی با الگوریتم ژنتیک ترکیب می­شوند تا در زمان کمتر نتایج بهتری به دست آید ( کاتالیو و جیم، ۲۰۰۵ ).

 

الگوریتم­های ژنتیک برای شناسایی بخش وسیعی از فضای جستجو ایجاد می­شوند، در حالی که جستجوی محلی می ­تواند حوزه نزدیک به هر پاسخ یافته شده توسط الگوریتم ژنتیک را (که به آن همسایگی گفته می­شود) برای یافتن پاسخ­های بهتر مورد جستجو قرار دهد. این که برای پیاده­سازی یک الگوریتم ممتیک و در بخش ژنتیک آن از چه عملگرهایی و یا برای جستجوی محلی از کدام روش استفاده شود، نتایج اجرای بسیار متفاوتی خواهد داشت (جولا و خاتون­ناصری، ۲۰۰۷).

• رنگ­آمیزی گراف

هر گراف شامل چندین راس یا گره است که با یک سری یال به یکدیگر متصل هستند. به دو راسی که با یک یال به یکدیگر متصل شده ­اند راس مجاور یا همسایه گفته می­شود. مساله رنگ­آمیزی گراف( GCP)، به این صورت است که با داشتن گراف G، حداقل تعداد رنگ­های لازم برای رنگ آمیزی رئوس گراف را می­یابد طوری که هیچ دو راس مجاوری همرنگ نباشند. حداقل تعداد رنگ­های لازم برای این کار، عدد رنگی گراف نامیده می­شود.

برای تبدیل مسئله جدول زمان­بندی می­توان تدریس­ها را به عنوان گره در گراف در نظر گرفت و در صورتیکه دو تدریس  از نظر هم­زمانی با یکدیگر غیرمجاز  باشند  بین آن دو گره یک یال رسم کرد. برای رنگ­آمیزی گراف تشکیل شده، دوره­های زمانی به عنوان رنگ در نظر گرفته می­شود و به گره­ها (تدریس­ها)، هر کدام یک رنگ (زمان) الصاق می­شود، به طوری که هیچ دو گره مجاوری دارای رنگ (بازه زمانی) مشابهی نباشند. رنگ­های در نظر گرفته شده برای هر گره بایستی طوری باشد که محدودیت­های سخت را ارضا کند.

[۱] -Ant Colony Algorithm(ACO)

[۲] - Pheromones

[۳] -Neural Network

[۴] -Shuffied Frog Leaping(SFL)

[۵] -Haney Bees Mating Optimization(HBMO)

[۶] -Particle Swarm Optimization(PSO)

معرفی الگوریتم ژنتیک

نظریه تکامل چارلز داروین که در سال ۱۸۵۹ ارائه گردید، جایگاه ویژه­ای را در مسائل بهینه­سازی به خود اختصاص داد. این نظریه بر اساس تکامل بهترین­ها ارائه گردید و آن را می­توان به عنوان نقطه شروعی برای محاسبات تکاملی دانست. ایده محاسبات تکاملی اولین بار در سال ۱۹۶۰ توسط رچنبرگ که در زمینه استراتژی­های تکاملی تحقیق می­کرد به وجود آمد. در سال ۱۹۷۵ پروفسور هلند این ایده را در کتاب خود با نام ” انطباق بین طبیعت و سیستم­های هوشمند” ارائه کرد (فتاحی، ۱۳۹۰). او ایده استفاده از تکامل طبیعی در حل مسائل بهینه­سازی را شرح داد که پایه­ای برای الگوریتم ژنتیک محسوب می­گردید. مشهورترین تکنیک در تحقیقات محاسبات تکاملی، الگوریتم ژنتیک است. در این الگوریتم فرض می­گردد که هر موقعیت (نقطه) در رشته معرف یک ویژگی خاص از یک فرد(جواب) است و مقدار مشخص شده برای آن موقعیت، نشان­دهنده نحوه بیان آن ویژگی در جواب است. این الگوریتم، یک تکنیک جستجو را برای یافتن راه­حل­های نزدیک بهینه برای مسائل بهینه­سازی ارائه می­نماید.

الگوریتم ژنتیک با یک جمعیت اولیه از راه­حل­ها شروع می­گردد. هر راه­حل از طریق یک کروموزوم که رشته­ای از بیت­ها است و در واقع شکل کد­شده یک جواب ممکن از مسئله مورد نظر می­باشد، نمایش داده می­شود. تمامی راه­حل­های ممکن باید با بهره گرفتن از یک سیستم کدگذاری، تبدیل به کد شوند. سپس مجموعه ­ای از اپراتورهای تولید مثل، باید تعیین گردند. اپراتورهای تولید مثل، مستقیماً روی کروموزوم­ها عمل نموده و سپس کروموزوم­ها تحت اپراتور جهش و رویه ترکیب قرار می­گیرند. طراحی ساختار کدگذاری تأثیر زیادی روی عملکرد الگوریتم ژنتیک خواهد داشت.

 

جدول ۲-۱- مقایسه الگوریتم ژنتیک با سیستم­های طبیعی (مسعودیان و استکی، ۱۳۸۸)

سیستم­های طبیعی	الگوریتم ژنتیک
کروموزوم: بسته­های ژنی هستند که اطلاعات وراثتی را از نسلی به نسل دیگر انتقال می­ دهند.	کروموزوم: پاسخ­های ممکن مسئله که به صورت رشته­های عددی رمزگذاری شده اند.
محیط:  شرایط محیطی که جمعیت در آن قرار دارد و دیکته کننده نحوه تحول است.	تابع برازش: محک کیفیت یک کروموزوم که به صورت یک رابطه ریاضی درآمده که آن را تابع برازش می­نامند.
اصل انتخاب طبیعی: معیار بقای موجود زنده و تکثیر آن، سازش با محیط است.	تکثیر:  هر رشته جمعیت را به عنوان متغیر تابع برازش در نظر گرفته و مقدار تابع برازش هر رشته محاسبه می­شود. متناسب با مقدار تابع برازش، رشته­های والدین برای تولید جمعیت جدید انتخاب می­شود.
تقاطع: در نتیجه تقاطع یا تبادل قسمتی از کروموزوم­ها، مبادله ژن­های پیوسته صورت می­گیرد.	ادغام: رشته­های جمعیت به صورت دو به دو  مزدوج می­شوند. زوج رشته­ها از یک نقطه قطع می­شوند. نیم بخش­های بین دو رشته تعویض می­شوند.
جهش: جانشین شدن ژنی به جای ژن دیگر یا در تغییرات ایجاد شده در DNA طول زنجیره ژن. گاهی قسمتی از یک ژن جانشین ژن دیگری می­شود.	جهش: یک بیت از رشته عددی به صورت تصادفی انتخاب می­شود و دچارتغییر می­گردد.
تجدید نسل: ایجاد نسل­های جدید و تکامل موجودات	تجدید نسل: تکرار مراحل الگوریتم بعد از مرحله تکثیرتا حصول پاسخ بهینه یا رسیدن به حد توقف.

 

 

 

رویه انتخاب، برای رقابت افراد در داخل جمعیت به کار می­رود که بر اساس یک تابع شایستگی[۱] عمل می­نماید. برای هر کروموزوم، یک مقدار مرتبط با شایستگی جوابی که نمایش می­دهد، وجود دارد. الگوریتم ژنتیک به دنبال حداکثر کردن مقدار تابع شایستگی است. بعد از اینکه تولید مثل و تابع برازندگی به خوبی تعریف شدند، یک الگوریتم ژنتیک بر اساس یک ساختار مشابه و پایه طراحی می­گردد. این ساختار ساده با تولید یک جمعیت اولیه از کروموزوم­ها شروع می­گردد. جمعیت اولیه باید به حدی بزرگ باشد که توانایی تولید تمامی راه­حل­های فضای جواب را داشته باشد. معمولاً جمعیت اولیه به صورت تصادفی تولید می­گردد.  سپس الگوریتم ژنتیک یک رویه تکراری را به منظور تکامل جمعیت انجام می­دهد. هر تکرار شامل مراحل زیر است:

انتخاب: اولین قدم شامل انتخاب افرادی از جمعیت برای تولید مثل است. این انتخاب به صورت تصادفی، با بهره گرفتن از یک احتمال متناسب با تابع برازندگی افراد انجام می­گردد. در این مرحله، باید در ارتباط با نحوه انتخاب والدین برای عمل تقاطع (باز ترکیب)[۲]، نحوه تولید فرزندان و تعداد فرزندان تصمیم ­گیری گردد. هدف این است که والدین شایسته­تر انتخاب­شده که منجر به تولید فرزندانی با برازندگی بالا گردد. کروموزوم­هایی که از جمعیت اولیه برای تولید مثل انتخاب می­شوند، والدین نام دارند. همگرایی الگوریتم ژنتیک وابستگی بالایی به دامنه و شدت فشار رویه انتخاب برای گزینش افراد شایسته­تر دارد.

روش­های مختلفی برای انتخاب وجود دارد که از آن جمله می­توان به موارد زیر اشاره کرد:

• انتخاب مرتبه­ای

در این روش، کروموزوم­ها بر اساس مقدار برازندگی آن ها رتبه­بندی شده و به ترتیب بدترین به بهترین رتبه مرتب می­گردند. احتمال انتخاب هر کروموزوم بر اساس درصد نسبی رتبه خود می­باشد.

• انتخاب تصادفی

در این روش والدین بر اساس یک روش کاملاً تصادفی از جمعیت انتخاب می­شوند. این روش با توجه به عدم اهمیت به شانس بیش­تر بهترین­ها برای تولید مثل، از کیفیت پایینی نیز برخوردار است.

• انتخاب رقابتی

 

 

در این روش یک زیر مجموعه کوچکی از کروموزوم­ها به صورت تصادفی انتخاب شده و به رقابت می­پردازند. سرانجام در این رقابت، بر اساس میزان برازندگی، یکی از آن­ها به پیروزی رسیده و انتخاب می­شود. ایراد این روش این است که در آن هیچ­گاه کروموزوم دارای کم­ترین شانس برنده نخواهد شد.

• انتخاب بولتزمن

این روش بیش­تر در الگوریتم انجماد تدریجی مورد استفاده قرار می­گیرد. در این حالت دما از یک مقدار بالا در ابتدای الگوریتم شروع می­ کند و معنای آن این است که فشار انتخاب پایین است. دما به مرور کاهش می­یابد و به دنبال آن، فشار انتخاب به مرور افزایش می­یابد. بنابراین در این حالت، در ابتدای الگوریتم گوناگونی افزایش یافته و در انتها جستجوی محلی قوت می­یابد.

• انتخاب چرخ رولت

روشی که غالباً در انتخاب والدین مورد استفاده می­گیرد، همانطور که در شکل ۲-۱ می بینید، سطح چرخ رولت به بخش هایی تقسیم می­شود که تعداد آن­ها برابر تعداد اعضای جمعیت و سطح هر بخش متناسب با مقدار برازندگی هر کروموزوم می­باشد. سپس چرخ رولت به گردش در می­آید تا در نقطه­ای به تصادف متوقف شود. این نقطه، کروموزوم انتخاب شده را مشخص می­سازد. کروموزوم­هایی انتخاب می­شوند که سطح بیش تر(شایستگی بالاتری) را دارا می­باشند. این شیوه انتخاب سبب می­شود که با گذشت زمان، تعداد کروموزوم­های مطلوب در جمعیت افزایش یابد به طوریکه میانگین مقدار برازندگی جمعیت در مقایسه با جمعیت مرحله قبل بیش­تر شود.

 

شکل ۲-۱-  نمایش انتخاب چرخ رولت در الگوریتم ژنتیک (فتاحی، ۱۳۹۱)

تولید مثل: در قدم دوم، عملگرهای ترکیب مجدد و جهش روی افراد انتخاب شده به کار گرفته شده و کروموزوم­های جدید تولید می­گردد. در این مرحله، فرزندان جدید تولید می­شوند. در این مرحله عملگر ترکیب مجدد (تقاطع)، فرآیندی است که در ۳ مرحله صورت می­گیرد:

الف) اپراتور تولید مثل یک زوج والد را از حوضچه تولید مثل انتخاب می­نماید.

ب) یک نقطه تقاطع به طور تصادفی در طول رشته انتخاب می­شود.

ج) مقادیر رشته­ها با توجه به نقطه تقاطع تعویض می­گردند.

عملگر تقاطعی با یک احتمال از قبل تعیین شده، بر روی کروموزوم­های والد عمل می­ کند. اگر هیچ تقاطعی صورت نگیرد، فرزندان دقیقأ مشابه والدین خواهند بود.

روش­های مختلفی برای عملگر تقاطع وجود دارد و بخشی از این روش­ها به شرح زیر هستند:

• تقاطع دو نقطه­ای

در این عملگر، دو نقطه شکست در طول رشته جواب در نظر گرفته می­شود. در این حالت، ابتدا دو مکان تصادفی در طول رشته انتخاب شده و سپس به صورت یک در میان قسمت­های والد­ها به فرزندان منتقل می­شود.

• تقاطع چند­نقطه­ای

این عملگر شبیه عملگر دو­نقطه­ای است، با این تفاوت که به جای دو نقطه، چند نقطه برای تقاطع انتخاب می­شود. تقاطع در بخش­های شکسته شده دو کروموزوم به صورت یک در میان انجام می­گیرد. باید توجه داشت افزایش تعداد نقاط شکست، عملکرد الگوریتم ژنتیک را کاهش می­دهد ولی باعث می­شود فضای مسئله به صورت کامل­تری جستجو گردد.

• تقاطع یکنواخت

بر اساس این عملگر، یک ژن از هر دو والد به طور مستقل از سایر ژن­ها، شانس برابر برای حضور در کروموزوم یک فرزند را دارد. در این حالت، بر اساس یک توزیع تصادفی باینری مشخص می­شود که یک ژن از کدام والدین انتخاب شده است. مثلاً اگر توزیع باینری ۱ را نشان داد، آن ژن از والد اول و اگر ۰ بود از والد دوم انتخاب می­گردد.

• تقاطع از سه والد

در این روش، ۳ والد به صورت تصادفی انتخاب می­شود. هر ژن از والد اول با همان ژن از والد دوم مقایسه می­شود. در صورتی که مشابه باشند، همان ژن به فرزند منتقل می­شود و در غیر این صورت با والد سوم مقایسه می­شود. این روش بر این پایه استوار است که شباهت­های والدین کشف شده و بر اساس آن­ها فرزندانی تولید می­گردد.

• تقاطع مرتب

از این عملگر زمانی استفاده می­شود که مسئله مبتنی بر ترتیب باشد. در این روش دو نقطه تقاطع تصادفی انتخاب می­شود و آن را به ۳ قسمت چپ، وسط و راست تقسیم می­ کند. عملگر به این ترتیب عمل می­نماید که فرزند اول قسمت چپ و راست را از والد اول و قسمت وسط آن بر اساس ژن­های قسمت وسط والد اول به نحوی که ترتیب آن بر اساس والد دوم باشد، تعیین می­گردد.

• تقاطع تک نقطه­ای

عملگر تقاطعی تک نقطه­ای معمول­ترین نوع عملگرهای تقاطع محسوب می­شود که در مدل ارائه شده در این تحقیق هم از آن بهره گرفته شده است. در این عملگر دو کروموزوم به صورت تصادفی از یک نقطه شکسته می­شوند و بخش­های شکسته شده دو کروموزوم با هم جابه­جا می­گردند. بدین ترتیب، دو کروموزوم جدید بدست می­آید. به کروموزوم­های اولیه، کروموزوم­های والد و به کروموزوم­های حاصل شده از عمل جا به ­جایی، فرزند می­گویند (فتاحی، ۱۳۹۰). یک مثال از عملگر تقاطع تک­نقطه­ای در شکل ۲-۲ نشان داده شده است.

شکل۲-۲-  نمایش عملگر تقاطع تک­نقطه­ای در الگوریتم ژنتیک (فتاحی، ۱۳۹۰)

بعد از تقاطع، کروموزوم­ها تحت اپراتور جهش قرار می­گیرند. عملگر جهش از افتادن الگوریتم در بهینه محلی جلوگیری می­نمایند. جهش موجب می­شود که گوناگونی جمعیت حفظ شود و ساختار ژنتیکی جدیدی در جمعیت با تغییرات تصادفی بعضی از ژن­ها (هر بیت از یک رشته بیتی به نام کروموزوم) به وجود آید. انتخاب ژن­ها بر اساس احتمال جهش صورت می­گیرد.

شکل­های مختلفی برای جهش به شرح زیر موجود است:

• معکوس کردن
• تعویض

آنچه در انجام این تحقیق مورد استفاده قرار گرفته استفاده از روش تعویض برای عملگر جهش است. در این نوع جهش، دو موقعیت تصادفی از یک رشته انتخاب و ارزش­های مرتبط آن­ها با یکدیگر تعویض می­گردد. شکل ۲-۳ نوعی از این جهش را نشان می­دهد.

 

شکل۲-۳-  نمایش عملگر جهش تک نقطه­ای در الگوریتم ژنتیک (فتاحی، ۱۳۹۰)

 

 

نکته­ای که در تفاوت عملگرهای تقاطع و جهش قابل تأمل است این است که عملگر جهش عملیاتی است که تنها روی یک کروموزوم اجرا می­شود در حالی­که عملگر تقاطع عملیاتی است که روی دو کروموزوم اجرا می­شود.

ارزیابی: در این مرحله، میزان برازندگی فرزندان جدید تولید شده، ارزیابی می­گردد.

جا به ­جایی: در این مرحله، افرادی از جمعیت قبلی کشته شده (حذف می­گردند) و با افراد جدیدی که به تازگی تولید شده ­اند، جابه­جا می­گردند. به عبارت دیگر، در این مرحله، جمعیت، یک نسل را پشت سر گذاشته و افرادی از آن حذف و افرادی به آن اضافه می­گردند. روش­های مختلفی برای انتخاب جمعیت جدید وجود دارد که به طور مثال می­توان به دو روش زیر اشاره کرد:

• تمام اعضای جمعیت جدید از میان کروموزوم­های فرزندان انتخاب شوند.
• تعدادی از افراد جمعیت مرحله بعد، همان افراد جمعیت مرحله قبل بوده و بقیه از میان فرزندان جدید انتخاب گردند. البته در هر مورد، شایسته­ترین کروموزوم­ها انتخاب می­شود.

بر اساس تحقیقات نشان داده شده است که حذف همه کروموزوم­های جمعیت مرحله قبل و انتخاب جمعیت جدید از میان فرزندان، ممکن است بسیاری از جواب­های مناسب را که در میان جمعیت مرحله قبل وجود دارد، حذف نماید.

قاعده توقف: الگوریتم زمانی متوقف می­گردد که جمعیت به سمت راه حل بهینه همگرا گردد و به عبارت دیگر به آن برسد یا نزدیک شود. قواعد توقف متعددی برای الگوریتم ژنتیک وجود دارد که بعضی از روش­های آن به شرح زیر است:

• حداکثر تولید نسل. در این حالت الگوریتم زمانی متوقف می­شود که تعداد مشخصی از تولید نسل اتفاق افتاده باشد.
• زمان سپری­شده: زمانی که فرآیند الگوریتم ژنتیک زمان خاصی را سپری کرد، الگوریتم متوقف می­شود.
• عدم بهبود در برازندگی: در این حالت، در صورتی­که هیچ تغییری در بهترین برازندگی جمعیت بعد از تعداد مشخصی تولید نسل به وجود نیاید، الگوریتم ژنتیک متوقف می­شود (فتاحی، ۱۳۹۰).

 

 

 

تولید جمعیت اولیه به طور تصادفی

ارزیابی جمعیت

ارضای شرط پایان؟

ترکیب با احتمال ۶۰%

جهش با احتمال کمتر از ۱%

جمعیت جدید

انتخاب

خروجی بهترین جدول

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

شکل ۲-۴- فلوچارت الگوریتم ژنتیکی عادی و استاندارد (منجمی و نعیمی، ۱۳۸۸)

 

 

[۱] -Fitness function

[۲]- Crossover

انواع الگوریتم­های ژنتیکی

الگوریتم­های ژنتیک دارای انواع مختلفی می­باشند که هر یک در مورد محدوده خاصی از مسائل ساده و دشوار مثل مسائل مهندسی، فناوری اطلاعات، پزشکی، تجارت و غیره دارای کاربرد می­باشند. در این بخش درباره انواع مختلف  این الگوریتم­ها صحبت خواهد شد :

• الگوریتم­های ژنتیک ترتیبی

این الگوریتم­ها بر روی جمعیتی از رشته­ها و یا به طور کلی بر روی ساختارهای دلخواهی از راه­حل­های آزمایشی عمل می­ کنند. در این الگوریتم از هر رشته تحت عنوان یک فرد یاد می­شود و هر فرد دارای یک یا چند کروموزوم و یک مقدار شایستگی است. معمولاً هر فرد تنها از  یک کروموزوم تشکیل می­شود که این کروموزوم شامل مجموعه ­ای از پارامترها تحت عنوان ژن می­باشد.

• الگوریتم­های ژنتیک موازی[۱]

با توجه به اینکه الگوریتم ژنتیک ترتیبی دارای نقایصی از قبیل غیر بهینه بودن، زمان­بر بودن و اندازه جمعیت بسیار زیاد می­باشد، الگوریتم­های موازی جهت برطرف نمودن نقایص با کارایی و بهره­وری بالاتر به وجود آمده­اند، که یک مدل خاص و نیز ابزاری برای پیاده­سازی الگوریتم­های ژنتیکی است. این نوع الگوریتم ژنتیک منجر به همگرایی زودرس نمی­ شود و این خصوصیت مثبت این الگوریتم است.

• الگوریتم­های ژنتیک هیبرید

بر خلاف سایر روش­های بهینه­سازی الگوریتم ژنتیک این نوع الگوریتم همگرایی را تضمین می­ کند، البته هیچ تضمینی وجود ندارد که الگوریتم به راه­حل بهینه همگرا شده باشد و ممکن است الگوریتم به نقاط بهینه­ محلی متوقف شده باشد.

• الگوریتم­های ژنتیک خود­سازمان[۲]

نوعی از الگوریتم­های ژنتیک با پارامترهای انطباقی می­باشند. به این معنی که پارامترهای الگوریتم نظیر اندازه جمعیت، احتمال تلفیق یا احتمال جهش در حین اجرای الگوریتم تغییر می­ کنند. این تغییر به این صورت است که اگر پس از گذشت زمان معینی هیچ بهبودی در جمعیت حاصل نشود احتمال وقوع جهش

 

افزایش می­یابد و بر عکس در صورتی که جمعیت نرخ بهبود مناسبی داشته باشد احتمال وقوع جهش کاهش پیدا می­ کند.

• الگوریتم­های ژنتیک خود­سازمان یکپارچه­شده[۳]

عملگرهای ژنتیکی در این نوع از الگریتم­ها می­توانند یگانه، دوگانه یا چندگانه باشند. مشکل اصلی یافتن مقدار بهینه نسبت به استفاده از این عملگرها در حین اجرای الگریتم می­باشد.

• الگوریتم ژنتیک آشفته

هدف از توسعه الگوریتم­های ژنتیک آشفته ایجاد تابع شایستگی به صورت جمع چندین زیر تابع مستقل می­باشد. هر یک از زیر تابع­ها بر روی چند مکان هندسی تعریف شده ­اند که این مکان­ها سطح فریب را در فریبنده­ترین زیر تابع تخمین می­زند.

• الگوریتم­های ژنتیکی زایشی[۴]

این الگوریتم­ها فرزندان جدید را با توجه به جمعیت حاضر و با بهره گرفتن از عملگرهای ژنتیک تولید می­ کند و به این ترتیب جمعیت جدید ایجادشده جایگزین جمعیت فعلی می­شود. معمولاً در عملیات جایگزینی مربوط به روش زایشی در هر تکرار کل جمعیت حاضر با جمعیت جدید جایگزین می­گردد.

• الگوریتم­های ژنتیک حالت دائمی[۵]

در این روش عموماً در هر گام زمانی، فقط یک عضو جدید به جمعیت جدید اضافه می­شود. استراتژی جایگزینی تعیین می­ کند که کدام یک از اعضای جمعیت باید با عضو جدید جایگزین گردد (کیا، ۱۳۹۱).

 

۲-۲-۴-۲- مزایای الگوریتم­های ژنتیک

• • با متغیرهای پیوسته و هم گسسته می ­تواند عمل بهینه­سازی را انجام دهد.
  • نیازی به محاسبه مشتق توابع ندارد.
  • به طور همزمان می ­تواند تمامی ناحیه وسیع تابع هزینه را جستجو کند.
  • قابل اجرا از طریق کامپیوتر­های موازی است.
  • توابع هزینه­ای که بسیار پیچیده باشند نیز از این طریق قابل بهینه­سازی می­باشند و الگوریتم در اکسترمم محلی به دام نمی­افتد.
  • قادر است تا متغیرها را کدبندی نموده و بهینه­سازی را با متغیر­های کدبندی شده انجام دهد، کد­­بندی سرعت همگرایی الگوریتم را افزایش می­دهد.
  • این الگوریتم توانایی کار کردن با داده­های عددی تولید شده و داده­های تجربی را علاوه بر توابع تحلیلی دارد.
  • فرایند ارائه ­شده توسط الگوریتم­های ژنتیک برروی فضایی از مجموعه نمایندگان با همان فضای کروموزوم­ها اعمال می­گردند بر روی خود فضای راه­حل­ها.
  • الگوریتم­های ژنتیکی از قوانین انتقالی احتمالی به جای قوانین انتقالی قطعی استفاده می­ کند.
  • تنها ملاک ارزیابی و سنجش میزان شایستگی هر راه­حل توسط الگوریتم­های ژنتیک، مقدار تابع شایستگی آن در فضای کروموزو­ها می­باشد و نه معیارهای مورد نظر در سطح فضای راه­حل­ها.
  • برای حل برخی از مسائل رده NP-hard نیز استفاده می­شود.

• این الگوریتم بیشتر در مسائل بهینه­سازی و امثالهم به کار می­رود.
• قادر به بهینه­سازی مسائل با تعداد متغیرهای زیاد می­باشد.
• قادر است تا جواب بهینه را به طور هم­زمان به دست آورد نه فقط یک جواب.
• این الگوریتم­ها بر روی مجموعه ­ای از راه­حل­ها اعمال می­شوند و نه بر روی یک راه­حل خاص.

 

۲-۲-۴-۳- محدودیت­های الگوریتم ژنتیک

یک مشکل چگونگی نوشتن عملگر Fitness است که منجر به بهترین راه­حل برای مسئله شود. اگر این کارکرد برازش به خوبی و قوی انتخاب نشوند ممکن است باعث شود که راه­حلی برای مسئله پیدا نکنیم یا مسئله­ای دیگر را به اشتباه حل کنیم. به علاوه برای انتخاب مناسب برای Fitness، پارامترهای دیگری مثل اندازه جمعیت، نرخ جهش و ترکیب و قدرت و نوع انتخاب هم باید مورد توجه قرار گیرند.

مشکل دیگر، که آن را نارس می­نامیم، این است که اگر یک ژنوم که فاصله­اش با سایر ژنوم­های نسلش زیاد باشد و خیلی زود دیده شود ممکن است محدودیت ایجاد کند و راه را به سوی جواب بهینه محلی سوق دهد. این اتفاق معمولاً در جمعیت­های کم اتفاق می­افتد، روش­های Rank، Scaling، Tournament selection بر این مشکل غلبه می­ کنند.

 

۲-۲-۴-۴- استراتژی­های برخورد با محدودیت­های الگوریتم ژنتیک

بحث دیگری که در اجرای الگوریتم ژنتیک وجود دارد چگونگی برخورد با محدودیت­های مسئله می­باشد، زیرا عملگرهای ژنتیک مورد استفاده در الگوریتم ژنتیک باعث تولید کروموزوم­های غیر موجه می­شود. در ادامه به چند تکنیک معمول جهت مواجهه با محدودیت­ها اشاره می­شود:

استراتژی اصلاح عملگرهای ژنتیک

یک روش برای جلوگیری از تولید کروموزوم غیر موجه این است که عملگر ژنتیکی طوری تعریف گردد که پس از عمل بر روی کروموزوم تولید شده نیز موجه باشد. در این حالت یک سری مشکلات وجود دارد. مثلا پیدا کردن عملگری که دارای شرط فوق باشد بسیار دشوار بوده و از مسئله ای به مسئله دیگر متفاوت می­باشد.

استراتژی ردی

در این روش پس از تولید هر کروموزوم آن را از نظر موجه بودن تست کرده و در صورت غیر موجه بودن حذف می­گردد. این روش بسیار ساده و کارا می­باشد.

استراتژی اصلاحی

در این روش به جای اینکه کروموزوم غیر موجه حذف گردد تبدیل به یک کروموزوم موجه می­شود. این روش نیز مانند روش اول به مسئله وابسته بوده و یافتن فرآیند اصلاح گاهی بسیار پیچیده می­باشد.

استراتژی جریمه­ای

در این روش بر خلاف سه روش قبل که از ورود جواب­های غیر موجه جلوگیری می­کردند، جواب غیر موجه با احتمال کم امکان حضور می­یابند. سه روش فوق دارای این عیب بودند که به هیچ نقطه­ای بیرون از فضای موجه توجه نمی­کردند، اما در بعضی مسائل بهینه­سازی، جواب­های غیر­موجه درصد زیادی از جمعیت را اشغال می­ کنند. در چنین شرایطی اگر جستجو فقط در ناحیه موجه انجام گیرد شاید یافتن جواب موجه خیلی وقت­گیر و مشکل باشد.

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

مسئله 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 غیر­موجه به سادگی حذف نمی­ شود، زیرا ممکن است در ژن­های آن اطلاعات مفیدی وجود داشته باشد که با اندکی تغییر به جواب بهینه تبدیل شوند.

 

۲-۲-۴-۵- بهبود الگوریتم ژنتیک

برای بهبود الگوریتم ژنتیک می­توانیم تغییرات زیر را اعمال کنیم:

• استفاده از بهینه­گر محلی
• تغییر پارامترهایی از قبیل تغییر جمعیت اولیه، نرخ جهش و کسر ادغام (ترکیب)
• تغییر الگوریتم ژنتیک باینری به پیوسته و بالعکس

 

۲-۲-۴-۶- چند نمونه از کاربرد­های الگوریتم ژنتیک

• نرم­افزارهای شناسایی چهره (شناسایی چهره با بهره گرفتن از تصویر ثبت شده. در این روش، شناسایی چهره بر اساس فاصله اجزای چهره و ویژگی­های محلی و هندسی صورت می­گیرد که تغییرات ناشی از گیم، تغییرات نور، افزایش سن کم­ترین تاثیر را خواهد داشت. همچنین گراف­ها برای چهره­های جدید با بهره گرفتن از الگوریتم­های ژنتیک ساخته شده و با بهره گرفتن از یک تابع تشابه، قابل مقایسه با یکدیگر هستند که این امرتاثیر بسزایی در افزایش سرعت شناسایی خواهد داشت).
• توپولوژی­های شبکه ­های کامپیوتری توزیع شده
• بهینه­سازی ساختار مولکولی شیمیایی

 

• مهندسی برق برای ساخت آنتن­های برق
• مهندسی نرم­افزار
• بازی­های کامپیوتری
• مهندسی مواد
• مهندسی سیستم
• رباتیک
• تشخیص الگو و استخراج داده
• حل مسئله فروشنده دوره­گرد
• آموزش شبکه ­های عصبی مصنوعی
• یاددهی رفتار با رباتها
• یادگیری قوانین فازی با بهره گرفتن از الگوریتم ژنتیک

[۱] - PGA

[۲] - AGA

[۳] - IAGA

[۴] - GGA

[۵] - SSGA