کاربرد الگوریتم زنبور در علم مدیریت

الگوریتم زنبور یک الگوریتم فراابتکاری(metaheuristic) الهام گرفته از هوش جمعی در طبیعت است که می تواند در مسائل مربوط به بهینه سازی به نحو مطلوب به کار گرفته شود. در این نوشته بعد از معرفی کوتاه این الگوریتم، مقاله ای را معرفی می کنیم که از این روش در مساله بالانس خطوط مونتاژ دوطرفه استفاده کرده است. خطوط مونتاژ دوطرفه معمولا در کارخانجاتی که به تولید محصولاتی با اندازه بزرگ و در حجم تولید زیاد می پردازند (مانند کارخانجات ساخت اتوبوس و کامیون مطرح) است.

الگوریتم­های گروهی در حل مسایل بهینه­سازی چند متغیره بسیار کارآمد هستند. الگوریتم زنبور، ارایه شده توسط فام و همکارانش در سال ۲۰۰۵، الگوریتم گروهی نوظهوری است که از رفتار جستجوی غذای زنبور عسل تقلید می­کند.

کلونی زنبور جستجوی غذا را با فرستادن زنبورهای دیده­بان به منظور جستجوی تصادفی منابع غذای امیدبخش آغاز می­کند. کلونی برای بهره­برداری از منابع غذایی می­تواند تا مسافت­های طولانی(۱۴کیلومتر) و همزمان در جهت­های مختلف پرواز کنند، با این ترتیب بهره­برداری از تعداد زیادی منبع غذا تضمین می­شود. طی فرآیند جستجوی غذا همواره تعدادی از زنبورهای کلونی به عنوان زنبور دیده­بان در نظر گرفته می­شوند. اگر کیفیت شهد جمع­آوری شده از یک منبع غذا از آستانه معیاری بالاتر باشد، زنبور دیده­بان آن را در کندو ذخیره می­کند و آن منبع غذا را در رقص قرقره­ای تبلیغ می­نماید. رقص قرقره­ای برای ارتباطات کلونی حیاتی است و تمام اطلاعات لازم از بیرون کندو را شامل می­شود. زنبورهای کندو منابع غذا را با توجه به اطلاعات به دست آمده از رقص­های قرقره­ای در مورد کیفیت آنها انتخاب می کنند. بنابراین، زنبورهای بیشتری، منابع غذای امیدبخش را بازدید می کنند، این امر، به فرآیند جستجوی غذای کارآمد منجر می­گردد. اعزام زنبورهای بیشتر به یک منبع غذای امیدبخش تا زمانی که برازش آن منبع غذا از آستانه­ی معیاری بالاتر باشد، ادامه می­یابد.

پارامترهای قابل تنظیم الگوریتم زنبور عبارتند از: تعداد زنبورهای دیده­بان(N)، تعداد منابع غذای منتخب از N منبع غذای بازدید شده(M)، تعداد منابع غذای برگزیده ازM، منبعE ، تعداد زنبورهای اعزام شده به E منبع برگزیده(Nre)، تعداد زنبورهای اعزام شده به سایر(M-E)، منبع منتخب(Nsp)، اندازه­ی جستجوی همسایگی(ngh)، و معیار توقف. گام­های اصلی الگوریتم به شرح زیر هستند:

۱ جمعیتی اولیه به طور تصادفی تشکیل شود.

2 برازش جمعیت محاسبه شود.

۳ تعداد مشخصی از بهترین زنبورها معین و مکان آنها برای جستجوی همسایگی انتخاب شود.

۴ تعداد مشخصی زنبور به مکان­های انتخاب شده فرستاده شوند و برازش آنها محاسبه شود.

۵ بهترین زنبور هر مکان برای تشکیل جمعیت جدید انتخاب شود.

۶ زنبورهای باقی مانده برای جستجوی تصادفی اختصاص داده شوند و برازش آنها محاسبه شود.

۷ اگر شرط توقف برقرار شد، پایان. در غیر این صورت، به گام ۳ برو.

منابع غذای منتخب که برازش بالایی دارند، برای جستجوی همسایگی در گام ۳ انتخاب می­شوند. جستجوی همسایگی منابع منتخب در گام­های ۴ و ۵ انجام می­شود . همسایگی E منبع برگزیده با دقت بیشتری نسبت به سایر منابع جستجو می شود، به این طریق که زنبورهای بیشتری به منابع برگزیده اعزام می­شوند. این مکانیزم جستجو به همراه دیده­بانی ویژگی­های عمده الگوریتم زنبور محسوب می­شوند. در گام ۵ بهترین زنبور از هر مکان برای انتقال به نسل بعدی انتخاب می­شود. سایر زنبورها برای جستجوی تصادفی در نظر گرفته می­شوند گام(۴). این گام­ها تا برقراری شرط توقف تکرار می­شوند.

الگوریتم زنبور می تواند یک موضوع جدید برای کسانی باشد که علاقه مند هستند از روش های جدید برای حل مسائل کمک بگیرند. و می تواند موضوع تحقیق خوبی باشد برای آن دسته از دانشجویان مدیریت که دوست دارند از روش های فراابتکاری در تحقیقاتشان بهره بگیرند.