ارایه یک الگوریتم بهینه‌سازی چندهدفه بر پایه آمیزش احتمالی و جهش دوسویه جهت حل مساله طراحی تیرآهن

در حال حاضر الگوریتم های بهینه سازی چندهدفه به عنوان ابزاری قدرتمند جهت حل بسیاری از مسایل مورد استفاده قرار می گیرند. معیارهای تنوع و همگرایی از مهم ترین فاکتورهای یک الگوریتم بهینه سازی چندهدفه است که تمامی الگوریتم های بهینه سازی چندهدفه سعی در بهبود آنها دارند. معیارهای تنوع و همگرایی تابعی از عملگرهای اکتشاف، استخراج و انتخاب هستند، در نتیجه برای ارایه یک الگوریتم بهینه سازی قدرتمند باید از عملگرهای کارا استفاده نمود. در این مطالعه، یک الگوریتم بهینه سازی چندهدفه در راستای ارتقا معیارهای تنوع و همگرایی جهت حل مساله مهندسی طراحی تیرآهن ارایه شده است. الگوریتم ارایه شده برای استخراج راه حل ها در فضای جستجو از الگوریتم جهش دوسویه پیشنهادی و برای اکتشاف راه حل ها در فضای جستجو از الگوریتم آمیزش احتمالی پیشنهادی استفاده می کند. در این مطالعه از معیار اَبَرحجم جهت سنجش همگرایی و تنوع استفاده شده است. در بخش پایانی این مطالعه، عملکرد کلی الگوریتم پیشنهادی در مقایسه با الگوریتم هایی از جمله spea، nsgaii، nspso و awpso در راستای حل مساله مهندسی طراحی تیرآهن مورد نقد و برسی قرار گرفته شده است. نتایج حاصل شده از الگوریتم های بهینه سازی چندهدفه در حل مساله طراحی تیرآهن، نشان دهنده برتری الگوریتم پیشنهادی نسبت به سایر الگوریتم های شاخص است.

Providing a MultiObjective Optimization Algorithm Based on Probabilistic Crossover and BiDirectional Mutation for Solving IBeam Designing Problem

Today, multiobjective optimization algorithms are used as powerful tools for solving several problems. In any multiobjective optimization algorithm, diversity and convergence are two of the most important factors that need to be improved. Diversity and convergence are functions of exploration, exploitation, and selection operators. Effective algorithms should be used by different operators to achieve a robust optimization algorithm. In this study, a multiobjective optimization algorithm is proposed to enhance the diversity and convergence for solving the Ibeam engineering problem. The proposed algorithm uses a proposed bidirectional mutation algorithm to exploit search space and uses the proposed probabilistic crossover algorithm to explore the search space. In this study, the hyper volume metric has been used to evaluate convergence and diversity. In the final section of this study, the overall performance of the proposed algorithm is compared with algorithms such as SPEA, NSGAII, NSPSO, and AWPSO in order to solve the Ibeam designing problem. The results obtained from multiobjective optimization algorithms for solving Ibeam designing problem indicate the superiority of the proposed algorithm in comparison to other known algorithms.