بدست آوردن بهترین نتیجه ممکن برای یک مساله با توجه به شرایط حاکم بر آن را، بهینه سازی می گویند. در مسائل بهینه سازی در دنیای واقعی، گاهی اوقات فقط یک راه حل بهینه کافی نیست. وقتی چند جواب بهینه برای مساله وجود دارد، تقاضا برای راه حل های مختلف حساسیت بیشتری پیدا میکند. بسیاری از مسائل در دنیای واقعی یک فضای جستجوی راه حل با تعدادی پاسخ های نابرابر دارند که گاهی باعث گمراهی روش های تکاملی می گردد. در چنین مسائلی که چند نقطه بهینه وجود دارد، چنانچه همه این نقاط به راه حل مسئله کمک نمایند با یک مسئله چندگانه [1] مواجه شده ایم که هر کدام از این نقاط یک بهینه محلی[2] نامیده شده و بزرگترین آنها را بهینه سراسری[3] می گویند که ممکن است بهینه های محلی نیز به اندازه بهینه های سراسری در انتخاب راه حل بهتر، مفید باشند. در بهینه سازی چندگانه کاربر دانش بیشتری درباره راه حل های بهینه مختلف در فضای جستجو بدست آورده و این کمک می کند تا در مواقعی که راه حل فعلی بنا بر بعضی ملاحظات( مانند برخی قیود فیزیکی)، مقدور نباشد از راه حل دیگری استفاده نمایدحتی گاهی داشتن چندین راه حل می تواند خواص پنهان مربوط به فضای مسئله را روشن نماید.
از بهینه سازی در نظریه بازی ها استفاده میشود؛ نظریه بازی ها یکی از زمینه های ریاضیات است که دارای بیشترین تاثیر در زمینه های اقتصادی و اجتماعی می باشد. دو شاخه اصلی در نظریه بازی وجود دارد: نظریه بازی همکارانه و غیر همکارانه.
به طور عمده ، بازیهای ایستا ،بازیهای با حرکت همزمان بازیکنان هستند.در بازیهای ایستا، همه بازیکنان در یک لحظه استراتژیهای خود را اتخاذ میکنند و بنابراین هنگام تصمیم گیری ،هیچ اطلاعی راجع به انتخاب و تصمیم رقبای خود ندارند . بازیهای ایستای غیر همکارانه از تعامل افراد هوشمند با یکدیگر که در تلاش برای دستیابی به اهداف خود هستند ، تشکیل میشود . حل بازی های چند نفره که دارای نقاط
تعادل نش متعدد هستند از کارهای دشوار است که مقایسه ای بین روشهای هوشمند در بدست آوردن نقاط تعادل نش انجام شده است.
2-1- مساله تحقیق
کارکرد روش های موجود برای بهینه سازی چندگانه به معیاری وابسته است، که این معیار از فاصله دو بهینه از یکدیگر بدست می آید، این معیار در روش های مختلف نام های متفاوتی همچون معیار شباهت، شعاع اشتراک، شعاع پاکسازی، حداقل فاصله مجاز، فاصله گونه و شعاع نیچ دارد که در تمامی این روش ها تخمین این پارامتر، نیاز به اطلاعات قبلی از تابع بهینه سازی همچون تعداد و توزیع بهینه ها در فضای مسئله دارد، در صورتی که این اطلاعات از تابع بهینه سازی وجود نداشته باشد، تخمین نامناسب این پارامتر کارایی روش ها را در پیدا کردن تمام بهینه ها با خطا روبرو میکند.
در روش هایی در بهینه سازی چندگانه که خروجی روش، جمعیتی از جوابها است نیاز به مکانیزمی است، تا از روی این جمعیت خروجی، تعداد بهینه های پیدا شده استنباط شود و این مکانیزم علاوه بر نیاز به پردازش بیشتر باز هم وابسته به فاصله دو بهینه از یکدیگر است. همچنین خروجی یک روش به شکل جمعیتی از جوابها، میزان کنترل ما را بروی مراحل اجرای روش، از نظر تعداد بهینه های پیدا شده در حین اجرا، محدود میکند.
در این روش ها نیاز به نگهداری جمعیت پایدار در اطراف هر بهینه است که در آن باید این جمعیت پایدار تا انتهای روش حفظ شود، این نگهداری از جمعیت پایدار میتواند با تغییر در اپراتور های الگوریتم های تکاملی و یا ذخیره آن در حافظه صورت گیرد. علاوه بر آن در روش هایی که مبتنی بر زیر جمعیت هستند، استفاده از مکانیزم الگوریتم تکاملی که دارای مکانیزم مناسب برای جستجوی فضای مسئله و همچنین دارای نرخ همگرایی سریع است، میتواند باعث جستجوی بهتر و سرعت رسیدن به جوابها در زیر جمعیت ها باشد.
در الگوریتم پیشنهادی بهینه ها در غالب امپراطوری های جداگانه پیدا میشوند و بدین طریق از همگرایی زود رس که در نتیجه از دست دادن تنوع گونه ها، ایجاد میشود با زیر جمعیت هایی که بطور جداگانه تکامل پیدا میکنند، اجتناب میشود و در کنار آن، استخراج [4] که روندی رو به همگرایی دارد، را نیز انجام میدهد. برای این کار از یک معیار رشد امپراطوری برای مشخص کردن امپراطوری متزلزل و در حال رشد استفاده میشود که در واقع این معیار از جمع شدن کشورها از یک حد آستانه ای در اطراف بهینه ها جلوگیری میکند و به این ترتیب امپراطوری که تکامل خود را تا یک آستانه ای انجام دهد به این معنی است که دارای بهینه ای است و باید این بهینه در حافظه خارجی ذخیره گردد.
در الگوریتم پیشنهادی نیاز به نگهداری جمعیت پایدار در اطراف هر بهینه ای كه پیدا می شود، وجود ندارد زیرا فقط مكان یک جواب که نشان دهنده یک بهینه است، نگهداری میشود و به همین علت که، هر جواب ذخیره شده در حافظه نشان دهنده یک بهینه است، نیاز به مکانیزمی که با استفاده از آن، تعداد بهینه ها از روی زیرجمعیت ها استنباط شود، وجود نخواهد داشت.
بنابراین الگوریتم پیشنهادی مبتنی بر زیر جمعیت است و استفاده از مکانیزم الگوریتم تکاملی مانند رقابت استعماری که نشان داده است دارای مکانیزم مناسب برای جستجوی فضای مسئله و همچنین دارای نرخ همگرایی سریع است میتواند باعث جستجوی بهتر و سرعت رسیدن به جوابها در زیر جمعیت ها باشد و همچنین، الگوریتم پیشنهادی در ترکیب با الگوریتم تپه نوردی قرار میگیرد تا بدین صورت بعد از چندین تکرار مشخص، جوابهای ذخیره شده در حافظه با کمترین هزینه محاسباتی به مراکز بهینه ها برسند.
برای رفع مسئله وابستگی الگوریتم ها به پارامتری که وابسته به فاصله دو بهینه از یکدیگر است، در الگوریتم پیشنهادی در حافظه فقط جواب هایی ذخیره میشوند که با جوابهای دیگر بروی یک بهینه قرار نداشته باشند. در حافظه هر جوابی که می خواهد ذخیره شود با تمام جوابهایی که از قبل ذخیره شده اند مقایسه میشود. اگر این جواب با هیچ یک از جوابهای دیگر موجود در حافظه بروی یک بهینه قرار نداشته باشد، به حافظه اضافه میشود و در غیر این صورت به حافظه اضافه نمیشود و بدین طریق وابستگی، به تخمین پارامتری که به فاصله دو بهینه از یکدیگر مربوط است، ازبین می رود.
به لطف این خصوصیت حافظه که در آن هر جواب معادل یک بهینه است میتوان کنترلی خوب بروی الگوریتم، در حین اجرا آن داشت که در آن میتوان شرط توقف الگوریتم را،تعداد تکرار الگوریتم، بدون ذخیره جواب تازه در حافظه قرار داد و یا شرط توقف میتواند تعداد مورد نظر بهینه ای باشد که ما از مسئله انتظار داریم.
از سوی دیگر، بازیهای ایستا ،بازیهای با حرکت همزمان بازیکنان هستند.در بازیهای ایستا،همه بازیکنان در یک لحظه استراتژی های خود را اتخاذ میکنند و بنابراین هنگام تصمیم گیری ،هیچ اطلاعی راجع به انتخاب و تصمیم رقبای خود ندارند. بازیهای ایستای غیر همکارانه از تعامل افراد هوشمند با یکدیگر که در تلاش برای دستیابی به اهداف خود هستند، تشکیل میشود. حل بازی های چند نفره که دارای نقاط تعادل نش متعدد هستند از کارهای دشوار است .
علاوه بر موارد فوق، باید توجه داشت که در مسائل بهینه سازی چندگانه در دنیای واقعی همیشه اطلاعات کاملی از مسئله بهینه سازی شامل تعداد نقاط تعادل نش و یا توزیع این نقاط در فضای جستجو وجود ندارد از این رو استفاده از مکانیسمی که وابسته به اطلاعات قبلی از مسئله بهینه سازی نباشد میتواند نتایج بهتری در پیداکردن نقاط تعادل نش داشته باشد.
در این تحقیق ما مسئله مدیریت بحران را به عنوان بازی غیرهمکارانه در نظر گرفته ایم ، چرا که تخصیص بهینه منابع برای موارد اورژانسی در صورت وقوع بحران های متعدد در محیط شهری یکی از مسائل پیچیده موجود در جامعه شهروندی می باشد، به خصوص زمانی که این منابع محدودیت هایی نیز داشته باشند. بنابراین تخصیص واحد های پاسخگویی به روشی مناسب بر اساس اتفاقات و نیاز های دوره بحران بسیار مهم می باشد. در این تحقیق، یک ابزار مدیریت بحران به نحوی توسعه می یابد که شامل الگوریتم های تخصیص منابع می باشد.مسئله به عنوان یک چارچوب نظریه بازی ها فرموله می شود به طوریکه حوادث در بحران به عنوان بازیکنان مدل شده و مرکز پاسخگویی های فوری و اورژانسی به عنوان موقعیت و مکان منابع که با برنامه ریزی، و تخصیص های محتمل به عنوان استراتژی بازی در نظر گرفته می شود.
[1] Multi modal
[2] Local Optima
[3] Global Optima
[4] exploit
***ممکن است هنگام انتقال از فایل اصلی به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود ولی در فایل دانلودی همه چیز مرتب و کامل و با فرمت ورد موجود است***
متن کامل را می توانید دانلود نمائید
چون فقط تکه هایی از متن پایان نامه در این صفحه درج شده (به طور نمونه)
ولی در فایل دانلودی متن کامل پایان نامه
با فرمت ورد word که قابل ویرایش و کپی کردن می باشند
موجود است