ارايه يك الگوريتم بهينه‌سازي چندهدفه بر پايه آميزش احتمالي و جهش دوسويه جهت حل مساله طراحي تيرآهن

Providing a Multi-Objective Optimization Algorithm Based on Probabilistic Crossover and Bi-Directional Mutation for Solving I-Beam Designing Problem

در حال حاضر الگوريتم‌هاي بهينه‌سازي چندهدفه به عنوان ابزاري قدرتمند جهت حل بسياري از مسايل مورد استفاده قرار مي‌گيرند. معيارهاي تنوع و همگرايي از مهم‌ترين فاكتورهاي يك الگوريتم بهينه‌سازي چندهدفه است كه تمامي الگوريتم‌هاي بهينه‌سازي چندهدفه سعي در بهبود آنها دارند. معيارهاي تنوع و همگرايي تابعي از عملگرهاي اكتشاف، استخراج و انتخاب هستند، در نتيجه براي ارايه يك الگوريتم بهينه‌سازي قدرتمند بايد از عملگرهاي كارا استفاده نمود. در اين مطالعه، يك الگوريتم بهينه‌سازي چندهدفه در راستاي ارتقا معيارهاي تنوع و همگرايي جهت حل مساله مهندسي طراحي تيرآهن ارايه شده است. الگوريتم ارايه شده براي استخراج راه‌حل‌ها در فضاي جستجو از الگوريتم جهش دوسويه پيشنهادي و براي اكتشاف راه‌حل‌ها در فضاي جستجو از الگوريتم آميزش احتمالي پيشنهادي استفاده مي‌كند. در اين مطالعه از معيار اَبَرحجم جهت سنجش همگرايي و تنوع استفاده شده است. در بخش پاياني اين مطالعه، عملكرد كلي الگوريتم پيشنهادي در مقايسه با الگوريتم‌هايي از جمله SPEA، NSGAII، NSPSO و AWPSO در راستاي حل مساله مهندسي طراحي تيرآهن مورد نقد و برسي قرار گرفته شده است. نتايج حاصل شده از الگوريتم‌هاي بهينه‌سازي چندهدفه در حل مساله طراحي تيرآهن، نشان‌دهنده برتري الگوريتم پيشنهادي نسبت به ساير الگوريتم‌هاي شاخص است.

Today, multi-objective optimization algorithms are used as powerful tools for solving several problems. In any multi-objective 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 multi-objective optimization algorithm is proposed to enhance the diversity and convergence for solving the I-beam engineering problem. The proposed algorithm uses a proposed bi-directional 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 I-beam designing problem. The results obtained from multi-objective optimization algorithms for solving I-beam designing problem indicate the superiority of the proposed algorithm in comparison to other known algorithms.