|
|
مهندسی صنایع و مدیریت، جلد ۳۱، شماره ۲.۱، صفحات ۸۳-۹۱
|
|
|
| عنوان فارسی |
مدل‌سازی مسائل متغیرهای چندپاسخه با توزیع نامعین غیر نرمال با استفاده از برنامه‌ریزی ژنتیک |
|
| چکیده فارسی مقاله |
در طراحی و تحلیل آزمایش‌ها، پس از تعیین متغیرهای مؤثر بر متغیر پاسخ، کشف رابطه‌ی بین آنها و ارائه‌ی مدل پیش‌بینی مد نظر است. در روش‌های کلاسیک لازم است مفروضات اولیه‌یی برای شناسایی رابطه‌ی بین متغیرهای پاسخ و متغیرهای کنترلی بررسی و تأیید شوند که در دنیای واقعی اغلب متغیرهای پاسخ چنین شرایطی را ندارند. برنامه‌ریزی ژنتیک GP ازجمله روش‌های نوین برای پی بردن به رابطه‌ی بین دسته‌یی از متغیرهاست و از مزیت‌های آن می‌توان به عدم وابستگی آن به نوع توزیع باقی‌مانده‌ها اشاره کرد. این روش برخلاف الگوریتم ژنتیک به‌دنبال کشف رابطه بین متغیرهای اثرگذار است. در این پژوهش، روش برنامه‌ریزی ژنتیک برای کشف رابطه بین متغیرهای ورودیِ یک طرح آزمایش که چند متغیر پاسخ دارد پیشنهاد شده و در ادامه از الگوریتم ژنتیک به‌منظور بهینه‌سازی استفاده می‌شود. |
|
| کلیدواژه‌های فارسی مقاله |
|
|
| عنوان انگلیسی |
MODELING OF MULTI-RESPONSE PROBLEMS WITH NON-DETERMINISTIC NON-NORMAL DISTRIBUTED RESPONSES USING GENETIC PROGRAMMING |
|
| چکیده انگلیسی مقاله |
In most experiments, the experimenter is interested in identifying effective controllable factors to model their relationship function. The classic approaches of response surface methodology and experimental design need to meet some requirements such as residual normality. However, in many real world applications, the assumptions may be violated. In such cases, data transformation methods can be an alternative. However, the mentioned method may increase total error in multiple response analyses. Genetic programming is a meta-heuristic approach in determination of effective controllable variables, and has been previously applied to many areas. One of the major differences between GP and the GA (Genetic Algorithm) is in the representation of the solution. In addition, GP is used to identify a suitable relationship function between variables, while the GA is used to optimize an objective function and find the near optimal values of decision variables. Therefore, each solution in GP represents one equation of the relationship function between variables. In this paper, genetic programming is applied for determination of the relation function between the response variables and controllable factors for non-deterministic, non-normal distributed responses. In other words, three steps are considered in the proposed method. In the first step, a relation function is estimated for each response according to the GP. Then, all estimated response functions are aggregated to a single response by the desirability function. In the last step, a GA is used for optimization of the extracted integrated function. Moreover, three examples are used to illustrate applications of the proposed method. In the first example, the efficiency of the proposed method in a single response problem is considered. The second example is used to compare the performance of the proposed method with the result of the regression method, while residuals have non-normal distribution. In the last example, the proposed method is applied to a multi-response problem in a real case study from the literature. Finally, the computational results of simulated data and previous studies confirm that the proposed method has a proper performance in determination of a suitable level of controllable factors. |
|
| کلیدواژه‌های انگلیسی مقاله |
|
|
| نویسندگان مقاله |
مهدی بشیری |
گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه شاهد
سازمان اصلی تایید شده: دانشگاه شاهد (Shahed university)
حمیده حسن زاده |
گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه شاهد
سازمان اصلی تایید شده: دانشگاه شاهد (Shahed university)
|
|
| نشانی اینترنتی |
http://journal.sharif.ir/journals/sjie/article_742_2fa8294f1eae1d91942e255695fefc1d.pdf |
| فایل مقاله |
اشکال در دسترسی به فایل - ./files/site1/rds_journals/1239/article-1239-223898.pdf |
| کد مقاله (doi) |
|
| زبان مقاله منتشر شده |
fa |
| موضوعات مقاله منتشر شده |
|
| نوع مقاله منتشر شده |
|
|
|
|
برگشت به:
صفحه اول پایگاه |
نسخه مرتبط |
نشریه مرتبط |
فهرست نشریات
|