چکیده:
در این مقاله یک الگوریتم ترکیبی برای حل مساله طراحی مقاوم با چندین متغیر پاسخ ارائه شده است.الگوریتم ارائه شده،ترکیبی از شبکههای عصبی و تکامل توام ژنتیکی است که در آن شبکههای عصبی به عنوان تقریب زننده تابع،نگاشت بین متغیرهای فرایند را تقریب زده و الگوریتم تکامل توام مدل ساخته با هدف مقاوم ساختن متغیرهای پاسخ فرایند،را حل مینماید و نتایج این الگوریتم با الگوریتم ژنتیک مقایسه میشود.روش پیشنهادی در یک مطالعه موردی فرایند ریسندگی اپن اند مورد آزمایش قرار گرفته است.
خلاصه ماشینی:
"در این تحقیق نیز یک الگوریتم ترکیبی شبکههای عصبی-تکامل توام ژنتیکی ( NNs-CGA )برای حل مساله طراحی مقاوم با چندین متغیر پاسخ ارائه شده است که میتواند فرایند تولید را شبیهسازی و مقاومسازی کند.
با توجه به اینکه x2 و x1 مستقل از یکدیگر فرض میشوند که یک فرض منطقی است،آنگاه ؟؟بنابراین تقریب واریانس تابع بدست میآید: (5)(به تصویر صفحه مراجعه شود) از رابطه 5 برای محاسبه انحراف معیار تابع استفاده میکنیم تا معیاری ایجاد شود که با کمینه کردن این معیار،نقطه مقاوم تابع بدست آید.
ارزیابی اعتبار شبکههای تقریب زننده در این تحقیق ارزیابی اعتبار شبکه از اهمیت ویژهای برخوردار است،زیرا درواقع اعتبار سنجی الگوریتم پیشنهادی طراحی فرایند نیز به شمار میآید نمودارهای شماره 3 و 4 مقایسه بین پاسخ مقادیر واقعی شبکه و مقادیر واقعی استحکام و نایکنواختی که از طریق انجام آزمایش به دست آمده را نشان میدهد.
برازندگی OFVj از رابطه 8 بدست میآید: (8)(به تصویر صفحه مراجعه شود) این رابطه سبب میشود تا فشار انتخاب بر روی کروموزمهایی در جمعیت OFV باشد که سخت هستند و توسط تعداد کمی از افراد جمعیت SV حل میشوند.
همچنین براساس الگوریتم ارائه شده جداول تصمیمی(مانند نگاره 5)برای فرایند ریسندگی استخراج گردید که براساس آن میتوان برای هر سطح تبادل بین دو متغیر پاسخ موردنظر،ترکیب بهینه عوامل را مشخص نمود علاوه بر آن این جدول مقایسه بین وضع موجود و مطلوب را نشان میدهد."