توضیحات
دانلود مقاله کاربرد الگوریتم ژنتیک در برنامه ریزی فرآیند؛ مبانی، روش اجرا و کاربردهای صنعتی
برنامه ریزی فرآیند یکی از مراحل مهم در تبدیل طرح مهندسی محصول به مجموعه ای از عملیات قابل اجرا در محیط تولید است. در این مرحله باید مشخص شود قطعه با چه روش هایی ساخته شود، چه عملیاتی انجام گیرد، ترتیب مناسب عملیات چیست و از کدام ماشین ابزار، ابزار برشی و امکانات تولیدی استفاده شود. با افزایش پیچیدگی قطعات و تنوع تجهیزات، انتخاب یک مسیر تولید مناسب به مسئله ای دشوار و چندوجهی تبدیل می شود. الگوریتم ژنتیک یکی از روش های فراابتکاری است که می تواند برای جست وجوی راه حل های مناسب در چنین مسائل پیچیده ای به کار گرفته شود.
در این مقاله، کاربرد الگوریتم ژنتیک در برنامه ریزی فرآیند با تمرکز بر برنامه ریزی فرآیند به کمک رایانه، انتخاب توالی عملیات، تخصیص ماشین و ابزار، تابع هدف، محدودیت های تولید و ارزیابی راه حل ها بررسی می شود. هدف، ارائه یک راهنمای آموزشی برای دانشجویان و علاقه مندان مهندسی صنایع، ساخت و تولید و مهندسی مکانیک است. مباحث این صفحه یک مقاله آموزشی عمومی هستند و نباید آن ها را متن یا چکیده یک مقاله پژوهشی مشخص با نویسنده و مشخصات انتشار نامعلوم تلقی کرد.
مشخصات مقاله کاربرد الگوریتم ژنتیک در برنامه ریزی فرآیند
موضوع این مقاله در حوزه بهینه سازی برنامه ریزی فرآیندهای تولیدی قرار می گیرد. تمرکز اصلی آن بر چگونگی استفاده از الگوریتم ژنتیک برای جست وجوی توالی مناسب عملیات و انتخاب منابع تولید است. این روش به ویژه هنگامی اهمیت پیدا می کند که برای ساخت یک قطعه چند مسیر عملیاتی، چند ماشین جایگزین یا محدودیت های وابسته به ترتیب عملیات وجود داشته باشد.
از آنجا که مشخصات کتاب شناختی یا اطلاعات انتشار یک مقاله معین در عنوان ارسالی ذکر نشده است، اطلاعاتی مانند نام نویسنده، مجله، سال انتشار، شماره و تعداد صفحات در جدول زیر خالی گذاشته شده اند تا از درج اطلاعات تأییدنشده جلوگیری شود.
| مشخصات | توضیحات |
|---|---|
| عنوان | کاربرد الگوریتم ژنتیک در برنامه ریزی فرآیند |
| نویسنده | پروژه دانلود |
| موضوع | الگوریتم ژنتیک، برنامه ریزی فرآیند و بهینه سازی تولید |
| زبان | |
| مخاطبان | دانشجویان مهندسی صنایع، مهندسی مکانیک و ساخت و تولید |
| سطح آموزشی | دانشگاهی و تخصصی |
| ناشر و نوبت چاپ | |
| تعداد صفحات | |
| فرمت نسخه دیجیتال |
الگوریتم ژنتیک چیست و چگونه کار می کند؟
الگوریتم ژنتیک یکی از روش های محاسباتی در خانواده الگوریتم های تکاملی است. ایده اصلی آن از سازوکار انتخاب طبیعی و وراثت الهام گرفته شده است. در این روش، به جای آنکه تنها یک پاسخ اولیه ساخته و به تدریج اصلاح شود، مجموعه ای از پاسخ های احتمالی به صورت هم زمان بررسی می شوند. هر پاسخ یک فرد یا کروموزوم نامیده می شود و مجموعه ای از این پاسخ ها، جمعیت الگوریتم را تشکیل می دهد.
در هر نسل، کیفیت پاسخ ها با استفاده از تابع برازندگی ارزیابی می شود. سپس پاسخ های مناسب تر برای تولید نسل بعد انتخاب می شوند. عملگرهایی مانند تقاطع و جهش، ترکیب های تازه ای از پاسخ ها ایجاد می کنند تا الگوریتم بتواند بخش های مختلف فضای جست وجو را بررسی کند. این چرخه تا رسیدن به شرط توقف، مانند پایان تعداد نسل های تعیین شده یا ثابت ماندن کیفیت بهترین پاسخ، ادامه پیدا می کند.
برنامه ریزی فرآیند و اهمیت آن در سیستم های تولیدی
برنامه ریزی فرآیند به مجموعه تصمیم هایی گفته می شود که مسیر تبدیل ماده اولیه به محصول نهایی را تعیین می کنند. این تصمیم ها می توانند شامل انتخاب روش ساخت، تعیین عملیات مورد نیاز، انتخاب ماشین، ابزار برشی، جهت دسترسی ابزار و ترتیب اجرای عملیات باشند. نتیجه برنامه ریزی، طرحی است که مشخص می کند هر قطعه چگونه و با چه منابعی تولید شود.
در محیط های تولیدی ساده، ممکن است مسیر ساخت یک قطعه از پیش مشخص و ثابت باشد. اما در تولید قطعات پیچیده، معمولاً چند روش برای انجام یک عملیات وجود دارد و انتخاب هر روش می تواند بر زمان، هزینه، کیفیت و استفاده از ظرفیت ماشین آلات اثر بگذارد. بنابراین برنامه ریزی فرآیند فقط تعیین یک فهرست عملیات نیست، بلکه مسئله ای برای انتخاب و هماهنگ سازی تصمیم های وابسته به یکدیگر است.
ارتباط برنامه ریزی فرآیند با سیستم های CAD، CAM و CAPP
در تولید به کمک رایانه، طراحی محصول، برنامه ریزی فرآیند و ساخت به کمک رایانه سه فعالیت مرتبط هستند. سیستم CAD برای ایجاد و اصلاح مدل هندسی محصول به کار می رود. سیستم CAPP اطلاعات طراحی را به برنامه ای برای ساخت تبدیل می کند و سیستم CAM از اطلاعات فرآیند و ماشین برای آماده سازی و اجرای عملیات تولید استفاده می کند.
برنامه ریزی فرآیند به کمک رایانه یا CAPP نقش واسط میان طراحی و تولید را دارد. این سیستم باید اطلاعات هندسی و فنی قطعه را به تصمیم های عملیاتی تبدیل کند. الگوریتم ژنتیک می تواند در بخش تصمیم گیری CAPP به کار گرفته شود؛ برای مثال، از میان چند توالی مجاز عملیات، مسیرهایی را جست وجو کند که از نظر زمان، هزینه یا معیارهای دیگر مناسب تر هستند.
چرا استفاده از الگوریتم ژنتیک در برنامه ریزی فرآیند اهمیت دارد؟
یکی از دشواری های برنامه ریزی فرآیند، افزایش تعداد گزینه ها با افزایش تعداد عملیات و منابع تولید است. اگر برای هر عملیات چند ماشین یا روش جایگزین وجود داشته باشد، تعداد ترکیب های ممکن می تواند به سرعت افزایش یابد. در چنین شرایطی بررسی کامل تمام گزینه ها ممکن است به زمان محاسباتی زیادی نیاز داشته باشد.
الگوریتم ژنتیک با جست وجوی جمعیتی و استفاده از عملگرهای تکاملی، امکان بررسی بخش های مختلف فضای پاسخ را فراهم می کند. این روش تضمین نمی کند که در همه مسائل به جواب بهینه مطلق برسد؛ اما می تواند در مسائل بزرگ و پیچیده، پاسخ های مناسب یا نزدیک به بهینه را در زمان قابل قبول پیدا کند. کیفیت نتیجه به نحوه کدگذاری، تعریف تابع هدف، طراحی عملگرها و تنظیم پارامترهای الگوریتم وابسته است.
سرفصل ها و مباحث مهم کاربرد الگوریتم ژنتیک در برنامه ریزی فرآیند
برای بررسی منظم موضوع، می توان مباحث اصلی را در چند محور آموزشی دسته بندی کرد. این موارد سرفصل های پیشنهادی برای مطالعه موضوع هستند و فهرست فصل های یک مقاله چاپ شده مشخص محسوب نمی شوند.
آشنایی با جمعیت، کروموزوم، ژن، تابع برازندگی و مفهوم نسل در الگوریتم های تکاملی.
تبدیل عملیات تولید، تقدم و تأخرها و منابع قابل استفاده به یک مدل محاسباتی.
نمایش توالی عملیات و انتخاب ماشین یا ابزار در قالب ساختارهای ژنتیکی قابل پردازش.
انتخاب، تقاطع و جهش برای ایجاد پاسخ های جدید و حفظ تنوع جمعیت.
ارزیابی زمان، هزینه، کیفیت و رعایت روابط فنی و ظرفیت منابع تولیدی.
مقایسه جواب ها، تنظیم پارامترها و بررسی عملکرد الگوریتم در نمونه های تولیدی.
مراحل طراحی الگوریتم ژنتیک برای برنامه ریزی فرآیند
برای استفاده از الگوریتم ژنتیک، ابتدا باید مسئله تولیدی به شکلی دقیق تعریف شود. اطلاعات مربوط به قطعه، عملیات مورد نیاز، روابط تقدم و تأخر، ماشین های قابل استفاده و محدودیت های فنی باید مشخص باشند. سپس باید تعیین شود که هر پاسخ احتمالی چگونه در قالب یک کروموزوم نمایش داده خواهد شد.
پس از طراحی ساختار کروموزوم، جمعیت اولیه تولید می شود. این جمعیت می تواند به صورت تصادفی یا با استفاده از قواعد ابتکاری ساخته شود. در ادامه، هر کروموزوم از نظر رعایت محدودیت ها و میزان مطلوبیت ارزیابی می شود. پاسخ های مناسب تر برای تولید نسل جدید انتخاب شده و با استفاده از تقاطع و جهش تغییر می کنند.
در هر نسل باید از ایجاد یا باقی ماندن پاسخ های نامعتبر جلوگیری شود. این کار می تواند با طراحی عملگرهای ویژه، اصلاح کروموزوم یا استفاده از جریمه در تابع برازندگی انجام گیرد. پس از پایان الگوریتم، بهترین پاسخ معتبر استخراج و از نظر عملیاتی بررسی می شود تا اطمینان حاصل شود که راه حل پیشنهادی در محیط واقعی تولید قابل اجراست.
کدگذاری کروموزوم و نمایش راه حل های تولید
کدگذاری یکی از مهم ترین مراحل طراحی الگوریتم ژنتیک است؛ زیرا ساختار کروموزوم باید بتواند تصمیم های مسئله را به شکلی روشن نمایش دهد. در برنامه ریزی فرآیند، یک کروموزوم ممکن است ترتیب اجرای عملیات را مشخص کند، یا علاوه بر ترتیب، انتخاب ماشین و ابزار مربوط به هر عملیات را نیز در خود جای دهد.
در کدگذاری ترتیبی، ژن ها می توانند شناسه عملیات باشند و ترتیب قرار گرفتن آن ها در کروموزوم، توالی پیشنهادی را نشان دهد. البته اگر عملیات دارای روابط تقدم و تأخر باشند، هر ترتیب دلخواهی معتبر نیست. بنابراین روش کدگذاری باید با محدودیت های فنی مسئله سازگار باشد یا سازوکاری برای اصلاح ترتیب های نامعتبر داشته باشد.
در مسائل پیچیده تر، نمایش چندبخشی یا چندلایه می تواند مناسب باشد. برای نمونه، یک بخش کروموزوم توالی عملیات را نمایش می دهد و بخش دیگر انتخاب ماشین یا مسیر ساخت را مشخص می کند. این روش امکان نمایش تصمیم های وابسته را فراهم می کند، اما طراحی عملگرهای تقاطع و جهش را دشوارتر می سازد. پژوهش های برنامه ریزی یکپارچه فرآیند و زمان بندی نیز از روش های کدگذاری ویژه برای نمایش هم زمان چند تصمیم استفاده کرده اند.
تابع برازندگی و معیارهای بهینه سازی در برنامه ریزی فرآیند
تابع برازندگی معیاری برای سنجش کیفیت هر کروموزوم است. این تابع باید با هدف واقعی برنامه ریزی فرآیند هماهنگ باشد. اگر هدف کاهش زمان تولید باشد، زمان اجرای عملیات و زمان های وابسته مانند آماده سازی و جابه جایی می توانند در ارزیابی لحاظ شوند. اگر کاهش هزینه اهمیت بیشتری داشته باشد، هزینه ماشین، ابزار، نیروی انسانی یا مواد مصرفی ممکن است در مدل وارد شود.
در برخی مسائل، تنها یک معیار مطرح نیست. ممکن است مدیر تولید بخواهد هم زمان زمان ساخت را کاهش دهد، هزینه را کنترل کند و کیفیت یا قابلیت اطمینان فرآیند را حفظ نماید. در این حالت، مسئله چندهدفه است و باید درباره شیوه ترکیب اهداف یا ارائه مجموعه ای از جواب های غیرمغلوب تصمیم گیری شود. تبدیل چند هدف به یک تابع وزنی، ساده و قابل استفاده است، اما انتخاب وزن ها می تواند بر نتیجه اثر بگذارد.
محدودیت های مسئله نیز باید در تابع ارزیابی یا سازوکار تولید پاسخ لحاظ شوند. برای مثال، عملیاتی که پیش نیاز آن انجام نشده باشد نباید در توالی نهایی قرار گیرد. همچنین تخصیص عملیاتی به ماشینی که توانایی انجام آن را ندارد، راه حل قابل قبولی نیست. رعایت این محدودیت ها برای جلوگیری از انتخاب پاسخ های ظاهراً خوب اما غیرقابل اجرا ضروری است.
عملگرهای انتخاب، تقاطع و جهش در الگوریتم ژنتیک
انتخاب، تقاطع و جهش سه عملگر اصلی الگوریتم ژنتیک هستند. انتخاب تعیین می کند کدام پاسخ ها شانس بیشتری برای مشارکت در تولید نسل بعد داشته باشند. در روش هایی مانند انتخاب چرخ رولت یا انتخاب مسابقه ای، احتمال انتخاب با کیفیت پاسخ ارتباط دارد؛ با این حال، روش انتخاب نباید به گونه ای باشد که تنوع جمعیت خیلی زود از بین برود.
عملگر تقاطع اطلاعات دو والد را ترکیب می کند تا پاسخ های فرزند ایجاد شوند. در مسائل ترتیبی، تقاطع ساده ممکن است ژن تکراری یا ترتیب غیرمجاز تولید کند؛ بنابراین باید از روش هایی استفاده شود که ویژگی های ساختار مسئله را حفظ کنند. عملگرهای تقاطع ویژه جایگشت، برای مسائل توالی عملیات کاربرد بیشتری دارند.
جهش با ایجاد تغییر در بخشی از کروموزوم، امکان بررسی گزینه های تازه را فراهم می کند. در یک توالی عملیاتی، جهش می تواند شامل جابه جایی دو عملیات مجاز یا تغییر انتخاب ماشین در یک ژن باشد. نرخ جهش باید به گونه ای تنظیم شود که هم تنوع حفظ شود و هم ساختار پاسخ ها به صورت بی رویه تخریب نشود.
کاربردهای الگوریتم ژنتیک در مسائل واقعی تولید
یکی از کاربردهای مهم الگوریتم ژنتیک، تعیین توالی عملیات ساخت است. در تولید یک قطعه ممکن است چند ترتیب عملیاتی از نظر فنی امکان پذیر باشند، اما همه آن ها زمان یا هزینه یکسانی ندارند. الگوریتم می تواند با بررسی توالی های معتبر، گزینه هایی را پیشنهاد دهد که معیارهای انتخاب شده را بهتر برآورده می کنند.
کاربرد دیگر، انتخاب ماشین و ابزار مناسب برای هر عملیات است. در یک کارگاه ممکن است چند ماشین توانایی انجام یک عملیات را داشته باشند، اما تفاوت در زمان آماده سازی، سرعت، دقت، هزینه یا دسترسی ابزار باعث شود انتخاب یکی از آن ها مناسب تر باشد. الگوریتم ژنتیک می تواند این انتخاب ها را همراه با توالی عملیات بررسی کند.
در مسائل پیشرفته تر، برنامه ریزی فرآیند با زمان بندی کارگاه ترکیب می شود. در این حالت علاوه بر تعیین مسیر ساخت، زمان شروع و پایان عملیات و تخصیص منابع نیز اهمیت پیدا می کند. پژوهش های جدیدتر، حمل ونقل داخلی، وسایل نقلیه هدایت شونده خودکار، انعطاف پذیری ماشین ها و محیط های تولیدی توزیع شده را نیز در مدل های یکپارچه بررسی کرده اند. هرچه مدل به شرایط واقعی نزدیک تر شود، طراحی الگوریتم و محاسبات پیچیده تر خواهد شد.
نکات کلیدی برای استفاده بهتر از الگوریتم ژنتیک
اجرای موفق الگوریتم ژنتیک تنها به انتخاب یک نرم افزار یا تعیین تعداد نسل ها وابسته نیست. پیش از هر چیز باید مدل مسئله به درستی تعریف شود. اگر محدودیت های فنی یا روابط تقدم و تأخر در مدل وارد نشوند، الگوریتم ممکن است پاسخ هایی تولید کند که از نظر محاسباتی مطلوب اما از نظر تولیدی غیرقابل اجرا هستند.
| محور مطالعه | پرسش پیشنهادی هنگام بررسی |
|---|---|
| تعریف مسئله | چه عملیات و منابعی در مسئله تولیدی وجود دارند؟ |
| کدگذاری | کروموزوم چگونه توالی عملیات و انتخاب ماشین را نمایش می دهد؟ |
| تابع هدف | کدام معیارها باید کاهش یا افزایش یابند؟ |
| محدودیت ها | چه قواعدی معتبر بودن یک برنامه فرآیند را تعیین می کنند؟ |
| ارزیابی نهایی | آیا جواب به دست آمده در محیط واقعی کارگاه قابل اجراست؟ |
نکته مهم: الگوریتم ژنتیک یک روش جست وجوی تقریبی است. مناسب بودن پاسخ نهایی باید با بررسی محدودیت های فنی، مقایسه با روش های مرجع و ارزیابی در شرایط واقعی یا شبیه سازی شده سنجیده شود.
چگونه یک مسئله برنامه ریزی فرآیند را با الگوریتم ژنتیک حل کنیم؟
برای اجرای یک پروژه عملی، بهتر است مسئله را از یک نمونه کوچک و قابل کنترل آغاز کنید. فرض کنید برای ساخت یک قطعه، چند عملیات مانند تراش، سوراخ کاری و پرداخت مورد نیاز است. برای برخی عملیات نیز چند ماشین جایگزین وجود دارد. هدف می تواند یافتن یک توالی مجاز و انتخاب منابعی باشد که زمان یا هزینه کل ساخت را کاهش دهند.
- تعریف داده های مسئله: عملیات، زمان انجام، ماشین های مجاز، ابزارهای مورد نیاز و روابط تقدم و تأخر را مشخص کنید.
- ساخت مدل ریاضی: متغیرهای تصمیم، تابع هدف و محدودیت های فنی را تعریف کنید تا معیار ارزیابی راه حل ها روشن باشد.
- طراحی کروموزوم: ساختاری انتخاب کنید که بتواند ترتیب عملیات و در صورت نیاز تخصیص ماشین و ابزار را نمایش دهد.
- تولید جمعیت اولیه: چند برنامه فرآیند اولیه بسازید و اعتبار هر یک را از نظر محدودیت های فنی بررسی کنید.
- ارزیابی و انتخاب: مقدار تابع هدف را برای هر پاسخ محاسبه کنید و افراد مناسب تر را برای تولید نسل بعد انتخاب نمایید.
- اعمال تقاطع و جهش: با عملگرهای سازگار با ساختار کروموزوم، پاسخ های جدید تولید و در صورت لزوم اصلاح کنید.
- توقف و تحلیل: پس از تحقق شرط توقف، بهترین پاسخ را استخراج و با روش های دیگر یا معیارهای تولیدی مقایسه کنید.
در این مسیر، ثبت پارامترها و نتایج هر اجرا اهمیت زیادی دارد. چون الگوریتم ژنتیک معمولاً ماهیت تصادفی دارد، اجرای چندباره آن می تواند تصویر دقیق تری از پایداری عملکرد ارائه دهد. بهتر است علاوه بر بهترین جواب، میانگین کیفیت پاسخ ها و میزان پراکندگی نتایج نیز بررسی شود.
برنامه 5 روزه مطالعه و مرور کاربرد الگوریتم ژنتیک در برنامه ریزی فرآیند
برای یادگیری منظم این موضوع می توان مطالعه را در پنج روز تقسیم کرد. در این برنامه، ابتدا مبانی و مدل مسئله بررسی می شود و سپس کدگذاری، عملگرهای ژنتیکی، تابع هدف و کاربردهای عملی مورد توجه قرار می گیرند. این برنامه پیشنهادی است و با توجه به پیش زمینه ریاضی و برنامه نویسی مخاطب می توان زمان بیشتری به بعضی مباحث اختصاص داد.
| روز | موضوع مطالعه | تمرین پیشنهادی |
|---|---|---|
| روز اول | مبانی الگوریتم ژنتیک و برنامه ریزی فرآیند | تعریف یک مسئله ساده تولیدی و شناسایی عملیات آن |
| روز دوم | مدل سازی و کدگذاری کروموزوم | نمایش چند توالی معتبر از عملیات ساخت |
| روز سوم | تابع هدف و محدودیت های مسئله | تعریف معیار زمان یا هزینه برای ارزیابی پاسخ ها |
| روز چهارم | انتخاب، تقاطع و جهش | اجرای دستی یک نسل ساده از الگوریتم |
| روز پنجم | کاربرد عملی و جمع بندی | مقایسه پاسخ ها و بررسی محدودیت های مدل |
دریافت مقاله کاربرد الگوریتم ژنتیک در برنامه ریزی فرآیند
موضوع کاربرد الگوریتم ژنتیک در برنامه ریزی فرآیند، یکی از مباحث میان رشته ای در حوزه مهندسی صنایع، ساخت و تولید و بهینه سازی است. مطالعه این موضوع به شناخت روش های محاسباتی برای انتخاب توالی عملیات، تخصیص ماشین و ابزار و ارزیابی برنامه های تولید کمک می کند. در این صفحه، محتوای آموزشی عمومی درباره این موضوع ارائه شده است. اطلاعات مربوط به نویسنده، نشریه، سال انتشار و تعداد صفحات یک مقاله مشخص در عنوان ارسالی وجود نداشت؛ بنابراین از معرفی این متن به عنوان نسخه کامل یک مقاله چاپ شده با مشخصات نامعلوم خودداری شده است.
سوالات متداول درباره کاربرد الگوریتم ژنتیک در برنامه ریزی فرآیند
الگوریتم ژنتیک در برنامه ریزی فرآیند چه کاربردی دارد؟
این الگوریتم می تواند برای جست وجوی توالی مناسب عملیات، انتخاب ماشین و ابزار و بررسی ترکیب های مختلف مسیر تولید استفاده شود. هدف معمولاً یافتن راه حل هایی است که معیارهایی مانند زمان یا هزینه را بهبود دهند و محدودیت های فنی را رعایت کنند.
آیا الگوریتم ژنتیک همیشه جواب بهینه را پیدا می کند؟
خیر. الگوریتم ژنتیک یک روش فراابتکاری است و تضمین عمومی برای یافتن بهینه مطلق ندارد. این روش معمولاً برای جست وجوی پاسخ های مناسب در فضای بزرگ و پیچیده به کار می رود و نتیجه آن به مدل سازی و تنظیمات الگوریتم وابسته است.
کروموزوم در مسئله برنامه ریزی فرآیند چه چیزی را نشان می دهد؟
کروموزوم نمایش کدگذاری شده یک راه حل است. بسته به مدل مسئله، می تواند ترتیب عملیات، انتخاب ماشین، ابزار یا ترکیبی از این تصمیم ها را در خود داشته باشد.
تابع برازندگی در این مسئله چه نقشی دارد؟
تابع برازندگی کیفیت هر راه حل را بر اساس معیارهای انتخاب شده ارزیابی می کند. این معیارها ممکن است زمان تولید، هزینه، میزان استفاده از منابع یا ترکیبی از چند هدف باشند.
تفاوت برنامه ریزی فرآیند و زمان بندی تولید چیست؟
برنامه ریزی فرآیند مشخص می کند محصول با چه عملیاتی و چه مسیری ساخته شود. زمان بندی تولید تعیین می کند عملیات و سفارش ها در چه زمانی و با استفاده از کدام منابع اجرا شوند. این دو مسئله به هم مرتبط اند و در برخی پژوهش ها به صورت یکپارچه بررسی می شوند.
برای پیاده سازی الگوریتم ژنتیک به چه اطلاعاتی نیاز است؟
اطلاعات عملیات، روابط تقدم و تأخر، زمان یا هزینه انجام عملیات، ماشین های مجاز، ابزارهای مورد نیاز، محدودیت ظرفیت و معیارهای بهینه سازی از داده های مهم برای مدل سازی هستند.


نقد و بررسیها
هنوز بررسیای ثبت نشده است.