RS

۲۰/۰

۵۰/۰

۷۰/۰

۰۰/۱

با توجه به پارامترهای بالا،تعداد ۴۸ نوع مساله که برابر تعداد ترکیب­های مختلف پارامترهای متغیر است و از هر نوع ۱۰ مثال تولید شده است. بدین ترتیب برای هر یک از حالات ۳۰، ۶۰ و ۹۰ فعالیت، تعداد ۴۸۰ پروژه در سایت PSBLIB وجود دارد. برای حالت چهارم یعنی پروژه ­هایی با ۱۲۰ فعالیت، تنظیمات مربوط به پارامتر RS متفاوت بوده و می­باشد؛ از این رو تعداد پروژه­ ها برای حالت چهارم برابر با ۶۰۰ می­باشد. نامگذاری پروژه­ ها نیز دارای ساختار مشخصی است که بیان کننده خصوصیات پروژه می­باشد. به عنوان مثال، J12039-7 بدین معنی است که مساله مورد نظر هفتمین مثال از پروژه­ای با ۱۲۰ فعالیت و ۳۹ امین ترکیب از پارامترهای متغیر این نوع مساله است.

( 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. )

PSBLIB، در اکثر تحقیقات انجام شده و الگوریتم­های ارائه شده در خصوص مساله RCPSP، به عنوان سری مسائل مقایسه­ ای پذیرفته شده است.

۴-۳)تنظیم پارامترهای الگوریتم طراحی شده

در این بخش عملگرها و پارامترهای مناسب برای الگوریتم ASO پیشنهادی، انتخاب می­شوند. با توجه به تعداد زیاد پارامترهای موجود در الگوریتم پیشنهادی، یافتن ترکیب مناسب پارامترها که عملکرد الگوریتم را بهبود می دهد از مطلوبیت زیادی برخوردار است. بسیاری از محققان از روش های تعیین پارامتر استفاده نمی­کنند و به جای آن پارامترهای خود را با بهره گرفتن از مراجع مشابه تعیین می­ کنند. ولی هیچ تضمینی وجود ندارد که پارامترهای انتخاب شده برای تحقیقات قبلی، برای الگوریتم جدید مناسب باشد. الگوریتم ASO، الگوریتم جدیدی است که تاکنون در هیچ مقاله­ای پارامترهای آن مورد بررسی قرار نگرفته­اند، لذا در این بخش انتخاب بهترین ترکیب این عملگرها و پارامترها مورد بررسی قرار می­گیرد. راه­های فراوانی برای طراحی آزمایش­های تصادفی وجود دارد. بهترین و در عین حال زمان­برترین روش، روش طرح عاملی کامل است. در بسیاری از موارد، از جمله در این تحقیق، این روش به دلیل تعداد بسیار زیاد برای عامل­ها و سطوح متناظر آنها ناکارآمد است. برای برطرف کردن این نقیصه، طرح­­های عاملی کسری مورد استفاده قرار می­گیرد که تعداد آزمایش­های لازمه را به کسری از کل ترکیبات ممکنه محدود می­ کند. (Taguchi, 1986) خانواده­ای از ماتریس­هایی را که تعداد آزمایش­ها را کاهش می دهند توسعه داد. در روش تاگوچی از آرایه­های متعامد برای مطالعه تعداد زیادی متغیر تصمیم با بهره گرفتن از تعداد کمی آزمایش استفاده می­ شود.
روش تاگوچی در مواردی که تعداد عامل­ها و سطوح آنها زیاد است، از کارآیی بیشتری نسبت به روش عاملی کامل دارد. برای مثال اگر طرح عاملی کامل برای ۶ عامل سه سطحی و یک عامل ۶ سطحی مورد استفاده قرار بگیرد، تعداد کل آزمایش های مورد نیاز برای یک سطح عاملی کامل برابر می باشد در حالی­که این مقدار برای آرایه متعامد L18 برابر ۱۸ است که بسیار کمتر از تعداد لازم برای طرح عاملی کامل است.تاگوچی عامل­ها را به دو دسته تقسیم می­ کند: عامل­های قابل کنترل و عامل های اختشاش. عامل­های اختشاش آنهایی هستند که نمی­ توان آنها را به طور مستقیم کنترل کرد. از آنجا که اغلب از بین بردن این عوامل اختشاش امکان پذیر نیست، روش تاگوچی سعی در کمینه کردن اثر عوامل اختشاش دارد و سعی می کند که مقدار بهینه عامل های قابل کنترل را براساس مفهوم پایایی بدست آورد.تاگوچی یک تبدیل به نام نسبت سیگنال به اختشاش ارائه می دهد. اصطلاح سیگنال اشاره به مقدار مطلوب (متغیر پاسخ) دارد و اختشاش اشاره به مقدار غیر مطلوب (انحراف استاندارد) دارد. در نتیجه هدف عبارت است از بیشینه کردن نسبت سیگنال به اختشاش.تاگوچی توابع هدف را به سه دسته تقسیم می­ کند: هرچه کوچکتر بهتر، هرچه بزرگتر بهتر، مقدار اسمی بهترین است. از آنجا که در این تحقیق در مرحله اول، تابع هدف بیشینه کردن مطلوبیت تخصیص­ها است نوع هرچه بیشتر بهتر به عنوان نوع تابع هدف انتخاب می­ شود]۴۳[.در ادامه نحوه تنظیم پارامترهای الگوریتم پیشنهادی تشریح می­ شود.

۴-۳-۱)مسائل نمونه استفاده شده برای تنظیم پارامترها

برای تنظیم پارامترهای یک الگوریتم، معمولا برای بخشی از کل مسائلی که باید حل شوند، تنظیم پارامترها انجام می­ شود و سپس پارامترها ثابت می­شوند و برای همه مسائل از این پارامترهای ثابت شده استفاده می­شودو نکته­ای که برای انتخاب مسائل نمونه باید مورد توجه قرار گیرد این است که مسائل باید طوری انتخاب شوند که همه شرایط فضای کل مسائل مورد آزمایش را پوشش دهند.
همانطور که در بخش ‏۰ گفته شد، مسائلی که باید مورد آزمایش قرار گیرند شامل ۳۰، ۶۰، ۹۰ و ۱۲۰ فعالیت می­باشند. برای هر دسته از تعداد فعالیت­ها، مسائل تولید شده دارای پارامترهای NC، RS و RF متفاوتی می­باشند. کم یا زیاد بودن مقادیر پارامترهای NC، RS و RF در فشردگی زمانبندی تاثیر می­گذارند. بنابراین برای انتخاب مسائل نمونه باید دقت کافی به خرج داد تا مسائل انتخابی همه شرایط دخیل در تنوع مسائل را در بر داشته باشند.
برای انتخاب تعدادی از مسائل با ۳۰، ۶۰ و ۹۰ فعالیت از آرایه متعامد L16 و تاگوچی استفاده می­ شود، یعنی به جای این که ۴۸ مساله از ترکیب­های مختلف NC، RS و RF را بررسی کنیم تنها ۱۶ مساله آورده شده در ۴-۳ را آزمایش می­کنیم.
جدول۴-۳ : مسائل انتخاب شده برای انتخاب پارامترها برای ۳۰، ۶۰ و ۹۰ فعالیت

ردیف

RF

RS

NC

شماره مساله

۱

۰٫۲۵

۰٫۲

۱٫۵

۱

۲

۰٫۲۵

۰٫۵

۱٫۸

۵

۳

۰٫۲۵

۰٫۷

۲٫۱

۹

۴