روش ترکیبی تاگوچی و تحلیل پوششی داده‌ها برای تعیین پارامترها و عملگرهای الگوریتم‌های فراابتکاری– الگوریتم ژنتیک برای حل مساله جریان کارگاهی جایگشتی دوباره واردشونده

کارایی الگوریتم های فراابتکاری ارتباط مستقیمی با تنظیم پارامترهای آن دارد، به طوری که انتخاب نادرست پارامترهای الگوریتمی کاملاً کارا، باعث ناکارآمدی آن می گردد. در این تحقیق ترکیب روش طراحی آزمایشات به روش تاگوچی و روش تحلیل پوششی داده ها جهت بالا بردن کارایی الگوریتم ژنتیک برای حل مساله جریان کارگاهی جایگشتی دوباره واردشونده به کار گرفته می شود. سناریوهای مختلفی جهت انتخاب اپراتورهای الگوریتم ژنتیک برای واحدهای تحت ارزیابی شکل می گیرند. در ابتدا با استفاده از روش تاگوچی برای هر واحد، پارامترهای بهینه با هدف کمینه سازی تابع هدف (حداکثر دیرکرد کارها) مشخص شده، سپس واحدهای کارا جهت تعیین بهترین عملگرهای الگوریتم با توجه به بهینه تابع هدف در کم ترین زمان ممکن، تعیین شده و رتبه بندی می گردند. این تحقیق می تواند به عنوان روشی برای تنظیم پارامترهای دیگر الگوریتم های تکاملی و فراابتکاری با هدف اجتناب از معایب مربوط به روش های آزمایش و خطا به کار گرفته شود.

Combined Method of the Taguchi Approach and DEA for Setting Parameters and Operators of Metaheuristic Algorithms Genetic Algorithm to Solve the Reentrant Permutation Flow Shop Problem

The efficiency of metaheuristic algorithms has a direct relationship with their parameters setting, so that the incorrect selection of completely effective algorithmic parameters could make them inefficient. In this research, the combination of Taguchi approach and the Data Envelopment Analysis (DEA) method are applied to enhance the efficiency of the genetic algorithm to solve the Reentrant Permutation Flow Shop (RPFS) problem. Various scenarios are formed to select genetic algorithm’s operators for units under evaluation. First, using the Taguchi method for each unit, the optimal parameters are specified with the goal of minimizing the objective function (maximum tardiness). Then the effective units are determined and ranked in order to specify the best operators of the algorithm according to the optimal objective function in the shortest possible time. This research can be used as a method for setting the parameters of other evolutionary and metaheuristic algorithms in order to avoid the disadvantages of the trial and error methods.