طراحی سیستم هیبریدی متشکل از سیستم خبره فازی و متد تاپسیس فازی برای انتخاب …

نیازی به کسب اطلاعات از DM برای قبل از حل مساله نیست.
یک پروسه یادگیری برای DM از درک سیستم خواهد بود.
فقط اطلاعات ترجیحی موضعی مورد نیاز خواهند بود.
نقاط ضعف این روش شامل:
راه حل های به دست آمده بستگی به دقت DM در ارایه اطلاعات موضعی دارد.
تضمینی وجو ندارد که راه حل مورد علاقه‌ی DM به وجود آید.
روش های تعاملی نیز از نظر تعدیلات[۲۷] ممکن است از سطح موجود برای اهداف مختلف به دو دسته تقسیم گردند.
۲-۸-۳-۱روش SIMOLP[28]
در این الگوریتم یک مساله خطی چند هدفه ابتدا به صورت یک سری از مسایل برنامه ریزی خطی تک هدفه حل گردیده و سپس اوزان اهمیت در هر انتقال با استفاده از اطلاعات ترجیحی گرفته شده از DM و یک تقریب خطی جدید از یک تابع ارزشی نیز ارزیابی و بهینه می گردد[۲۰].
۲-۸-۳-۲ روش جانشینی (SWT)[29]
انتقادات موجود از الگوریتم هایی همچون الگوریتم گفرین این است که قضاوت در مورد قدر مطلق تعدیل از اهداف مختلف برای DM مشکل است در حالی که قضاوت وی با دسترسی به ارزش نسبی تعدیلات نیز سهل تر خواهد بود. این روش متشکل از دو مرحله می گردد به طوری که راه حل های موثر در حل یک مسئله مفروض در مرحله یکم بوجود آمده و از آنجا توابع تعدیل در فضای اهداف در دسترس قرار خواهند گرفت. مرحله دوم شامل تجسس برای انتخاب یک راه حل ارجح از بین راه حل های موثر است به گونه ای که این راه حل ارجح از دامنه بی تفاوتی DM به ازای مجموعه ای از توابع ارزشی ضمیمه نتیجه گیری می گردد.
۲-۸-۳-۳ روش تعاملی کمپلکس[۳۰]
این روش تجسسی اساسا برای حل برنامه های غیر خطی تک هدفه توسط Box در سال ۱۹۶۵ توسعه یافت. پروفسور Spendley در سال ۱۹۶۲ یک الگوریتم تجسسی مستقیم بدون استفاده از مشتق و با بکار گیری طرح های تجربی آماری به وجود آورد بدین صورت که مقادیر آزمایشی واقع در رئوس یک سیمپلکس فرضی ( به منظور بیشینه کردن یک تابع مجرد f(x)) را انتخاب نموده و ارزش تابع هدف به ازای هر یک از رئوس موجود ارزیابی می گردد. نقطه ای که موجب کمترین ارزش برای f(x) شده است را مشخص نموده و آن را از طریق مرکز سیمپلکس[۳۱] نیز تصویر[۳۲] می نماید نقطه با کمترین ارزش برای f(x) را حذف نموده و یک سیمپلکس جدید از نقاط باقیمانده به انضمام نقطه جدیدی که از تصویر شدن به طرف مرکز سیمپلکس حاصل شده است نیز به وجود می آید. فرایند فوق ادامه می یابد تا دسترسی به یک نقطه بهینه موضعی حاصل گردد. جهات حرکت در این روش متغیر خواهد بود و سرعت همگرایی آن رضایت بخش نیست[۲۰].
۲-۸-۴ د: روش های مربوط به کسب اطلاعات از DMبعد از حل مسئله[۳۳]
در این روش ها زیر مجموعه ای از راه حل های موثر در پایان الگوریتم به DM معرفی می شود تا او رضایت بخش ترین را انتخاب نماید و همچنین به طور ضمنی بتواند تعدیلات اهداف را برای خود بسنجد. یعنی نظر DM و تعدیلات ضمنی او در این روش ها بعد از ختم الگوریتم صورت می پذیرد. در این روش ها نیازی به تابع مطلوبیت از DM نیست لکن این روش ها اغلب به علت تعدد راه حل های موثر توام با روش های تعاملی می گردند.
۲-۸-۴-۱ روش پارامتریک وزین
یکی از روش های معروف در به وجود آوردن راه حل های موثر و متعدد در معرفی به DM روش پارامتریک است. این روش با فرض تابع مطلوبیت خطی و جمع پذیر میسر می گردد اگرچه وجود این فرض به سادگی و در همه ‌ی موارد صادق نیست. لکن می توان آن را به ازای ارزش های مختلفی از اوزان(W) به کار برد و راه حل های موثر را به وجود آورد.مدل ریاضی آن بدین گونه است :
۲-۸-۴-۲ روش MOLP[34]
کاربرد این روش ها برای مسایل خطی چندهدفه بوده و از این رو نقاط حدی موجود از فضای محدب برای آن ها در دسترس خواهد بود. یک MOLP را می توان به گونه زیر فرموله نمود.
۲-۹ تصمیم گیری چند شاخصه MADM[35]
مدل‌های MADM انتخاب گر بوده و به منظور انتخاب مناسب ترین گزینه از بین m گزینه موجود به کار می روند لکن همان طور که می دانیم مدل های MODM در مقابل برای طراحی منظور می شوند. تصمیم گیری چندشاخصه معمولا توسط ماتریس شکل۲-۱۱ فرموله می گردد که به آن ماتریس تصمیم نیز می گویند[۸]:
شکل ۲-۱۱ : ماتریس تصمیم]۸[
به طوری که نشان دهنده گزینه iامو نشان دهنده شاخص jام و نشان دهنده ارزش شاخص jام برای گزینه iام می باشد.
انواع مختلفی از مسائل MADM وجود دارند که تمامی آنها در خصوصیات زیر مشترکند:
۱. گزینه ها (Alternatives) : در این مسایل تعدادی مشخص گزینه باید مورد بررسی قرار گرفته و در مورد آنها اولویت گذاری، انتخاب و یا رتبه بندی صورت می گیرد. تعداد گزینه های مورد نظر می تواند محدود و یا خیلی زیاد باشند. برای مثال، یک تولید کننده اتومبیل ممکن است فقط چند گزینه محدود برای انتخاب محل تولید اتومبیل د

دانلود متن کامل این پایان نامه در سایت abisho.ir

اشته باشد، ولی یک دانشگاه درجه یک انتخاب دانشجوی خود را از بین هزاران متقاضی می تواند انجام دهد. گاهی به جای گزینه مترادفهای آن مانند انتخاب (Select)، استراتژی (Strategy)، اقدام (Action)، کاندیدا (Candidate(s) Goals) و . . . به کار می رود.
۲. شاخصهای چند گانه : هر مسئله MADM چندین شاخص دارد که تصمیم گیرنده، باید در مسئله آنها را کاملاً مشخص کند. تعداد شاخصها بستگی به ماهیت مسئله دارد. برای مثال، در یک مسئله خرید اتومبیل اگر قرار به ارزیابی چند اتومبیل باشد شاخص های مختلف قیمت، میزان سوخت مصرفی، نحوه ضمانت و ساخت ممکن است مد نظر باشند. در حالی که در یک مسئله جایابی برای یک طرح کارخانه ۱۰۰ شاخص و یا بیشتر می توانند مد نظر باشند. واژه شاخص به صورت واژگان دیگری از قبیل اهداف یا معیارها (Criteria) قابل بیان است[۲٬۲۴].
۳. واحدهای بی مقیاس (Incommensurable Units) : هر شاخص نسبت به شاخص دیگر دارای مقیاس اندازه گیری متفاوت است. لذا جهت معنادار شدن محاسبات و نتایج از طریق روشهای علمی اقدام به بی مقیاس کردن داده ها می شود به گونه ای که اهمیت نسبی داده ها حفظ گردد[۲۴].
۴. وزن شاخص‌ها : تمامی روشهای MADM مستلزم وجود اطلاعاتی هستند که بر اساس اهمیت نسبی هر شاخص به دست آمده باشند. این اطلاعات معمولاً دارای مقیاس ترتیبی یا اصلی هستند. وزنهای مربوط به شاخصها میتوانند مستقیماً توسط تصمیم گیرنده و یا به وسیله روشهای علمی موجود به معیارها تخصیص داده شود. این وزنها اهمیت نسبی هر شاخص را بیان می کنند.
مدل های تصمیم گیری چندشاخصه از نظر نوع شاخص های مورد نظر به مدل های جبرانی و غیرجبرانی تقسیم می شوند.
۲-۹-۱ مدل های جبرانی
مدل هایی که از شاخص هایی تشکیل شده اند که با یکدیگر در تعامل اند، به این معنی که مقادیر نامطلوب یک شاخص می تواند توسط مقادیر مطلوب شاخص دیگر پوشانده شود. از جمله مدل های جبرانی به موارد زیر می توان اشاره کرد.
۲-۹-۱-۱ AHP[36]
فرایند تحلیل سلسله مراتبی با به کارگیری معیارهای کیفی و کمی به طور همزمان و نیز قابلیت بررسی ناسازگاری در قضاوت ها می تواند در بررسی موضوعاتی همچون برنامه ریزی شهری و منطقه ای، بهینه سازی ترکیب تولید محصولات در یک واحد صنعتی، بودجه بندی دستگاههای دولتی، برنامه ریزی حمل و نقل، برنامه ریزی تخصیص منابع انرژی، اولویت بندی در صنعت برق، اولویت بندی پروژه های تحقیقات انرژی و محیط زیست و… کاربرد مطلوبی داشته باشد. همچنین این روش زمینه ای را برای تحلیل و تبدیل مسایل مشکل و پیچیده به سلسله مراتبی ساده تر فراهم می آورد که در چارچوب آن برنامه ریز بتواند ارزیابی گزینه ها را با کمک معیارها و زیرمعیارها به راحتی انجام داد[۳۳].
۲-۹-۱-۲ Fuzzy AHP
تئوری فازی برای مواجهه با اکثر پدیده های جهان واقع که در آنها عدم قطعیت وجود دارد مورد استفاده قرار می گیرد و بسیاری از مجموعه ها، اعداد و اتفاق های دنیای واقعی را می توان با منطق فازی توجیه کرد. درFuzzy AHPبا تعمیم مفاهیم فازی در تعیین ماتریس های مقایسه زوجی دخالت داده می شود[۳۳و۳۴و۱۶].
مراحل روش تحلیل سلسله مراتبی فازی
مراحل روش تحلیل سلسله مراتبی فازی به روش چانگ[۳۷] به شرح زیر است: