fa روش ترکیبی تاگوچی و تحلیل پوششی داده‌ها برای تعیین پارامترها و عملگرهای الگوریتم‌های فراابتکاری– الگوریتم ژنتیک برای حل مساله جریان کارگاهی جایگشتی دوباره واردشونده تخصصي Special پژوهشي Research <span style="font-family:B Zar;"><span style="font-size:12.0pt;">کارایی</span></span> <span style="font-family:B Zar;"><span style="font-size:12.0pt;">الگوریتم‌های</span></span> <span style="font-family:B Zar;"><span style="font-size:12.0pt;">فراابتکاری</span></span> <span style="font-family:B Zar;"><span style="font-size:12.0pt;">ارتباط</span></span> <span style="font-family:B Zar;"><span style="font-size:12.0pt;">مستقیمی</span></span> <span style="font-family:B Zar;"><span style="font-size:12.0pt;">با</span></span> <span style="font-family:B Zar;"><span style="font-size:12.0pt;">تنظیم</span></span> <span style="font-family:B Zar;"><span style="font-size:12.0pt;">پارامترهای</span></span> <span style="font-family:B Zar;"><span style="font-size:12.0pt;">آن</span></span> <span style="font-family:B Zar;"><span style="font-size:12.0pt;">دارد،</span></span> <span style="font-family:B Zar;"><span style="font-size:12.0pt;">به طوری که</span></span> <span style="font-family:B Zar;"><span style="font-size:12.0pt;">انتخاب نادرست</span></span> <span style="font-family:B Zar;"><span style="font-size:12.0pt;">پارامترهای الگوریتمی کاملاً</span></span> <span style="font-family:B Zar;"><span style="font-size:12.0pt;">کارا،</span></span> <span style="font-family:B Zar;"><span style="font-size:12.0pt;">باعث</span></span> <span style="font-family:B Zar;"><span style="font-size:12.0pt;">ناکارآمدی</span></span> <span style="font-family:B Zar;"><span style="font-size:12.0pt;">آن</span></span> <span style="font-family:B Zar;"><span style="font-size:12.0pt;">می‌گردد. در</span></span> <span style="font-family:B Zar;"><span style="font-size:12.0pt;">این</span></span> <span style="font-family:B Zar;"><span style="font-size:12.0pt;">تحقیق</span></span> <span style="font-family:B Zar;"><span style="font-size:12.0pt;">ترکیب روش</span></span> <span style="font-family:B Zar;"><span style="font-size:12.0pt;">طراحی</span></span> <span style="font-family:B Zar;"><span style="font-size:12.0pt;">آزمایشات</span></span> <span style="font-family:B Zar;"><span style="font-size:12.0pt;">به</span></span> <span style="font-family:B Zar;"><span style="font-size:12.0pt;">روش تاگوچی</span></span> <span style="font-family:B Zar;"><span style="font-size:12.0pt;">و روش تحلیل پوششی داده‌ها جهت بالا بردن کارایی</span></span> <span style="font-family:B Zar;"><span style="font-size:12.0pt;">الگوریتم ژنتیک برای</span></span> <span style="font-family:B Zar;"><span style="font-size:12.0pt;">حل</span></span> <span style="font-family:B Zar;"><span style="font-size:12.0pt;">مساله جریان کارگاهی جایگشتی دوباره واردشونده به‌کار گرفته</span></span> <span style="font-family:B Zar;"><span style="font-size:12.0pt;">می&shy;شود. سناریوهای مختلفی جهت انتخاب اپراتورهای الگوریتم ژنتیک برای واحدهای تحت ارزیابی شکل می‌گیرند. در ابتدا با استفاده از روش تاگوچی برای هر واحد، پارامترهای بهینه با هدف کمینه‌سازی تابع هدف (حداکثر دیرکرد کارها) مشخص شده، سپس واحدهای کارا جهت تعیین بهترین عملگرهای الگوریتم با توجه به بهینه تابع هدف در کم‌ترین زمان ممکن، تعیین شده و رتبه‌بندی می‌گردند. این تحقیق می‌تواند به عنوان روشی برای تنظیم پارامترهای دیگر الگوریتم‌های تکاملی و فراابتکاری با هدف اجتناب از معایب مربوط به روش‌های آزمایش و خطا به‌کار گرفته شود.</span></span><span dir="LTR"><span style="font-family:Bnazanin;"><span style="font-size:12.0pt;"></span></span></span> 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&rsquo;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. زمان‌بندی, جریان کارگاهی جایگشتی دوباره واردشونده, پارامترها و عملگرهای الگوریتم ژنتیک, تحلیل پوششی داده‌ها, طراحی آزمایشات تاگوچی, مدل رتبه‌بندی اندرسن-پترسن. Scheduling, Reentrant Permutation Flow Shop, Setting Genetic Algorithm Parameters and Operators, Data Envelopment Analysis, Taguchi Experimental Design, Andersen-Petersen Ranking Model. 107 124 http://jamlu.lahijan.iau.ir/browse.php?a_code=A-11-1438-1&slc_lang=fa&sid=1 M. Fasihi مائده فصیحی maedeh.fasihi@gmail.com 10031947532846008585 10031947532846008585 No Department of Industrial Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran گروه مهندسی صنایع، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران S. E. Najafi سید اسماعیل نجفی najafi1515@yahoo.com 10031947532846008586 10031947532846008586 Yes Department of Industrial Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran گروه مهندسی صنایع، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران R. Tavakkoli-Moghaddam رضا توکلی مقدم 10031947532846008587 10031947532846008587 No School of Industrial Engineering, College of Engineering, University of Tehran, Tehran, Iran مهندسی صنایع، پردیس دانشکده های فنی، دانشگاه تهران، تهران M. Hahiaghaei-Keshteli مصطفی حاجی آقائی کشتلی 10031947532846008588 10031947532846008588 No Department of Industrial Engineering, University of Science and Technology of Mazandaran, Behshahr, Iran گروه مهندسی صنایع، دانشگاه علم و فناوری مازندران، بهشهر