در مسائل تصمیم گیری به منظور رسیدن به اهداف مورد نظر می توان مسئله را به صورت یک مدل ریاضی تبدیل نمود و از روش های بهینه سازی موجود بهره جست. تبدیل یک مسئله تصمیم گیری به یک مدل ریاضی، مدل سازی نامیده می شود. به طور كلی مدل سازی سیستم ها به دو منظور شبیه سازی و بهینه سازی انجام می گیرد.
مدل های بهینه سازی كه مبتنی بر الگوریتم های ریاضی ای هستند كه قادر به تعیین بهترین و بهینه ترین راه حل برای مسائل می باشند. و این راه حل ها از دقت بالایی برخوردار بوده و باعث افزایش منافع می شوند. این مدل ها می توانند خطی یا غیر خطی باشند. در حالیكه مدل های شبیه سازی به پیش بینی عملكرد سیستم با توجه به مقادیر متغیرهای داده شده توسط كاربر محدود است، مدل های بهینه سازی به صورت خودكار به جستجوی یک گروه بهینه از بین مقادیر متغیرهای تصمیم می پردازند.
الگوریتم ژنتیک یكی از روش های جدید بهینه سازی است كه بیشتر برای بهینه سازی مسائل بسیار پیچیده و غیر خطی به كار می رود. اساس این روش بر مبنای فرایند تكامل است.
در واقع اساس این روش بر پایه اصل “سیر تكاملی جانداران در طبیعت”یا “انتخاب طبیعت” است.

در همه مسائل، الگوریتم ژنتیک به وسیله تابع هدف خود كه از نوع ماكزیمم است، نقطه بهینه را در مسئله میابد.

خرید متن کامل این پایان نامه :

الگوریتم های ژنتیک تفاوت بسیار زیادی با روش های بهینه سازی قدیمی دارند. در این الگوریتم باید فضای طراحی به فضای ژنتیک تبدیل شود. بنابراین الگوریتم های ژنتیک با یک سری متغیرهای كدشده كار می كنند. مزیت كار با متغیرهای كدشده در این است كه اصولاً كدها قابلیت تبدیل فضای پیوسته به فضای گسسته را دارند. یكی از تفاوت های اصلی این روش با روش های قدیمی بهینه سازی در این است كه الگوریتم ژنتیک با جمعیت یا مجموعه ای از نقاط در یک لحظه خاص كار می كند.
روش الگوریتم ژنتیک ضمن آن كه هزینه نسبتاً زیادی در مقایسه با سایر روش های بهینه سازی دارد، در پروژه های چند منظوره و پیچیده كاربرد داشته و نسبتا سریع به جواب می رسد.