بهينه سازي فرآيند چند پاسخه با استفاده از شبكه هاي عصبي و الگوريتم ژنتيك

Optimizing Multiple Response Problem Using Artificial Neural Networks and Genetic Algorithm

در بيشتر مسايل بهينه سازي دنياي واقعي با تنظيم متغير هاي فرايند براي دستيابي به سطوح مطلوب متغيرهاي خروجي(متغيرهاي پاسخ) مواجه هستيم. متدهاي معمول بهينه سازي اغلب با تخمين رابطه بين متغير پاسخ با متغيرهاي كنترلي آغاز مي شوند. در ميان اين تكنيك ها، متدولوژي سطح پاسخ1(RSM) به علت سادگي توجه بسياري را در طي سال هاي اخير به خود جلب كرده است ولي در بعضي موارد ارتباط بين متغير پاسخ با فاكتورهاي كنترلي آنقدر پيچيده است كه از يك طرف نمي توان با مدل هاي رگرسيون چند جمله اي به تخمين منا سبي از آن دست يافت و از طرف ديگر، حل چنين مساله بهينه سازي با روش هاي دقيق2 با مشكلاتي همراه است. رويكرد جايگزين ارايه شده در اين مقاله، استفاده از شبكه عصبي مصنوعي براي تخمين توابع پاسخ و الگوريتم ژنتيك در فرآيند بهينه سازي است. اين رويكرد همچنين به كمك روش تاگوچي سعي در برطرف كردن محدوديت معمول رويكرد هاي چند پاسخه كه غفلت از اثر پراكندگي سطوح پاسخ است دارد.