کاربرد الگوریتم ژنتیک در مدیریت

اصولاً تمام الگوریتم­های تصادفی بر مبنای نمونه­برداری از فضای جواب­ها شروع به­کار می‌کنند. الگوریتم ژنتیک مانند هر الگوریتم بهینه­سازی دیگر با تعریف متغیر­های بهینه­سازی شروع می­شود و با آزمایش همگرایی پایان می­یابد. این الگوریتم یک تکنیک جستجو است که از طبیعت الهام گرفته شده و برای اکتشاف در یک فضای جستجو به­کار برده می­شود. گرچه پایه­ریزی این الگوریتم در زمینه علوم کامپیوتر بود، امروزه در رشته­های مختلف از قبیل اقتصاد، مدیریت، مکانیک، برق، صنایع و غیره کاربرد دارد. دلیل افزایش کاربرد آن، محاسبات ساده و در عین حال قدرت جستجو برای یافتن بهترین جواب است. الگوریتم ژنتیک بدون داشتن هیچ­گونه اطلاعی از مسأله، نوع تابع هدف و روند محاسبات و هیچ محدودیتی بر نوع و مقدار متغیرهای آن، برای هر­گونه مسأله­ای قابل اعمال است و دارای کارایی ثابت­شده­ای در یافتن جواب بهینه فراگیر می­باشد. به­عبارت دیگر اکثر روش­های سنتی بهینه­یابی دارای این اشکال عمده است که به محض رسیدن به اولین نقطه بهینه موضعی متوقف شده و توانایی خروج از این نقطه و حرکت به­سوی نقطه بهینه مطلق را ندارند. تلاش مستمر در برآورد جواب بهینه با دقت بیشتر و زمان کوتاه­تر بود که موجب یافتن روش­های ابتکاری گردید. یکی از این روش­ها الگوریتم ژنتیک می­باشد. الگوریتم­های ژنتیک، تکنیک­های جستجو­گر نیرومندی هستند که بر اساس مکانیسم انتخاب و ژنتیک طبیعی فرموله شده­اند. آنالیز، با انتخاب تصادفی خانواده­ای از جواب­های ممکن شروع می‌شود. هر یک از جواب­ها توسط یک ساختار رشته­ای از بیت­ها که مقدار کد­گذاری شده متغیرهای تصمیم­گیری را در بر دارند، نشان داده می­شوند. سپس با تشکیل خانواده اولیه و ارزیابی هر یک از رشته­ها، افراد مناسب برای تشکیل خانواده بعدی انتخاب می­شوند. جواب­های جدید (زاده­ها) از خانواده جواب­های اولیه (خانواده والدین) با تغییر دادن ساختار رشته­ها توسط عملگرهای الگوریتم ژنتیک تولید می­شوند. رشته­های جدید توسط روند طراحی الهام گرفته از مکانیزم ژنتیک طبیعی تولید می­شوند. سپس مقدار برازندگی رشته­های جدید با توجه به تابع هدف مسأله مورد نظر، ارزیابی می­شود. این روند موجب بهبود مداوم برازندگی خانواده حل­ها شده و تا زمانی­که حل­ها همگرا شوند تکرار می­شود. دو جنبه مهم در GA وجود دارند که دائماً گروه جواب­ها را آشفته کرده و مجال خروج از بهینه­های موضعی را فراهم می­آورند. یکی از این جنبه­ها عملگر تقاطع است که GA از آن برای تولید زاده­هایی از خانواده جواب­ها استفاده می­کند. جنبه دیگر که عملگر جهش نامیده می­شود، قادر است مقادیر جدیدی به بیت­ها بدهد که در گروه والدین وجود نداشته است. عملگر جهش کمک می­کند که تنوع ژنتیک باقی بماند و جستجو به نواحی جدیدی از فضای پارامتر برسد. طراحان سیستم­های مصنوعی نرم‌افزاری یا سخت‌افزاری چه در سیستم­های مهندسی و کامپیوتری و چه در سیستم­های تجاری، از مقاومت، صلاحیت و انعطاف‌پذیری سیستم­های زیستی شگفت زده‌اند. خصوصیات خودترمیمی، هدایت و تولید مثل که در سیستم­های زیستی حکم­فرما هستند به­ندرت در سیستم­های هوشمند مصنوعی وجود دارد و مهندسان در صددند تا در سیستم­های مصنوعی از آنها تقلید کنند. الگوریتم ژنتیک یکی از این سیستم­های مصنوعی است. روش الگوریتم ژنتیک تنها به­واسطة گرایش آن به مباحث سیستم­های طبیعی و بیولوژیک پذیرفته نشده است، بلکه توانایی الگوریتم ژنتیک در انجام جستجوی نیرومند در فضاهای پیچیده از طریق تئوری و تجربی ثابت شده است. الگوریتم ژنتیک، یک رویکرد معتبر برای مسائلی است که به جستجوی کافی و سودمند نیاز دارد. همچنین این الگوریتم، دامنه کاربرد وسیعی در تجارت، علوم و مهندسی یافته است. دلیل افزایش کاربرد آن، محاسبات ساده و در عین حال قدرت جستجو برای یافتن بهترین است. به­علاوه محدودیت‌های بنیادی ایجاد شده توسط فرض­های محدود­کننده فضای جستجو را ندارد.با توجه به مطالب فوق به­طور خلاصه می­توان گفت، در میان روش­های بهینه­سازی الهام گرفته از طبیعت جانداران، الگوریتم ژنتیک که بر اساس اصول تکامل طبیعی، پایه­ریزی شده از تکامل­یافته­ترین­ها به­شمار می­آید. همچنین الگوریتم ژنتیک یک روش بهینه­سازی غیر­کلاسیک و جستجوی مستقیم است که فقط با خود تابع و نه مشتقات آن سرو کار دارد و بر اساس مکانیسم بقای اصلح و علم ژنتیک طبیعی بنا شده است.