علیرضا محمودی فرد - دانشجوی کارشناسی ارشد، گروه کنترل، دانشکده برق و کامپیوتر، دانشگاه صنعتی قم، قم، ایران
جواد شریفی - استادیار، گروه کنترل، دانشکده برق و کامپیوتر، دانشگاه صنعتی قم، قم، ایران

اهمیت بهینه سازی در مسایل مهندسی بر کسی پوشیده نیست؛ به طور کلی روش های بهینه سازی به دو دسته روش هایدقیق و سنتی و همچنین روشهای ابتکاری و فراابتکاری تقسیم بندی می شوند. الگوریتم های تکاملی، نوع خاصی از روش-های فراابتکاری هستند که سبک مخصوصی را در حل مسایل پیش می گیرند؛ از مشهورترین و پرکاربردترین روش هایبهینه سازی می توان به الگوریتم ژنتیک اشاره نمود که تجربه ی محققان در مسایل مختلف ثابت کرده است این الگوریتمقادر است در اغلب موارد به مقدار بهینه سراسری (حداقل یا حداکثر جامع) برسد. پاسخ هایی که الگوریتم های فراابتکاری ازجمله الگوریتم ژنتیک به دست می دهند، اغلب جواب های بهینه یا زیر بهینه هستند و قابل استناد و استفاده می باشند. بههمین دلیل است که ابداع و استفاده از اینگونه روش ها به طرز چشم گیری در حال افزایش است؛ به طوریکه تا حد زیادیبهینه سازی مسایل به این دسته از روش ها واگذار شده است. الگوریتم ژنتیک پارامترها و قواعدی را دارد که بر اساس آنها،به پاسخ متفاوتی می رسد. کارکرد الگوریتم ژنتیک تا حد زیادی وابسته به نحوه انتخاب و استفاده از عملگرهای ژنتیکیترکیب و جهش بوده که در این مقاله روشی توسعه یافته برای عملگر جهش در این الگوریتم ارایه شده است که می تواندکار دو جهش معاوضه را به صورت همزمان انجام دهد و سپس با استفاده از آن و بهره گیری از سایر انواع جهش، مسالهفروشنده دوره گرد که از مسایل مشهور مهندسی بوده، حل و بهینه سازی شده است. لازم به ذکر است که در علوم مهندسی،بسیاری از مسایل را می توان با استفاده از تدابیری به یک مساله بهینه سازی تبدیل نمود و سپس با استفاده از یک روشبهینه سازی همچون الگوریتم ژنتیک آن را حل نمود؛ لذا به طور کلی کاربردهای روشهای بهینه سازی فراتر از حد تصور می باشد.

علم ژنتیک، الگوریتم ژنتیک، عملگر جهش، توسعه، مساله فروشنده دوره گرد