بهینه‌سازی عوامل موثر در پرورش جوجه گوشتی با استفاده از تلفیق سامانه ماهالانوبیس – تاگوچی و الگوریتم شبیه‌سازی تبرید

پیچیدگی ها در سامانه های تولید به دلیل افزایش تعداد عوامل تاثیرگذار و اثرات متقابل بین این عوامل افزایش یافته است. بر اساس این نیاز، ابزارهای مناسبی برای تحلیل سامانه های پیچیده از جمله سامانه ماهالانوبیس تاگوچی ابداع گردیده که می‌توانند با استخراج روابط واقعی بین متغیرها، سامانه ها را ساده‌تر و قابل درک نمایند. بنابراین در این مطالعه از سامانه ماهالانوبیس تاگوچی توسعه یافته در کاهش تعداد متغیرهای موثر برای پرورش جوجه گوشتی که یکی از منابع پروتئینی مهم در ایران است، استفاده شد. در سامانه توسعه یافته نیز الگوریتم فراابتکاری شبیه سازی تبرید مبتنی بر جمعیت به کار گرفته شد. نتایج نشان داد که الگوریتم شبیه سازی تبرید توانایی بهینه سازی این مسئله را دارا می باشد و می تواند تعداد متغیرها را با توجه به وزن های تابع هدف که توسط تصمیم گیرنده انتخاب می شود، کاهش دهد. همچنین در این مطالعه وزن های مختلفی برای تابع هدف در نظر گرفته شد و نتایج و تاثیر وزن ها بر تابع هدف و تعداد متغیرهای خروجی از الگوریتم مورد بحث و بررسی قرار گرفت. با در نظر گرفتن وزن های مختلف برای تابع هدف، تعداد متغیرها از 35 به 10 در حالت اول، 11 در حالت دوم، 10 در حالت سوم و 21 متغیر در حالت چهارم کاهش پیدا کرد.

Optimization of Effective Variables in Broiler Breeding by Integrated Mahalanobis Taguchi System and Simulated Annealing Algorithm

There are complexities in today’s systems because of the large number of influential factors and the complex relationships that exist between these factors. Therefore, appropriate tools have been developed to analyze complex systems, including the MahalanobisTaguchi system, which can make systems simpler and more understandable by extracting real relationships between variables. Thereby in this study, developed MahalanobisTaguchi systems was applied to reduce the number of effective variables for broiler breeding, which is one of the important protein sources in Iran. In the developed system, metaheuristic algorithms such as PopulationBased Simulated Annealing were used. The results showed that the PopulationBased Simulated Annealing algorithm has the ability to optimize this problem and it can reduce the number of variables according to the weights of the target function that they selected by the decision maker. Moreover, in this study, different weights were considered for the objective function. The results and the effect of different weights and the number of variables output from the algorithm were discussed. Based on the different weights for the objective function, the number of variables decreased from 35 to 10 in the first case, 11 in the second case, 10 in the third case and 21 variables in the fourth case