ШІ
Льовкін А. І. К.т.1: Розробка математичного і інформаційного забезпечення ... Підтема: Інтелектуальні методи оцінки діяльності сучасного підприємства за умов багатокритеріальності. : дипломна робота, пояснювальна записка / А. І. Льовкін ; кер. роботи проф. Гвоздинський А.М. ; ХНУРЕ, Кафедра Штучного інтелекту. – Харків, 2016. – 98 с. : CD
Льовкін А. І. К.т.1: Розробка математичного і інформаційного забезпечення ... Підтема: Інтелектуальні методи оцінки діяльності сучасного підприємства за умов багатокритеріальності. : дипломна робота, пояснювальна записка / А. І. Льовкін ; кер. роботи проф. Гвоздинський А.М. ; ХНУРЕ, Кафедра Штучного інтелекту. – Харків, 2016. – 98 с. : CD
Анотація:
Об'єктом дослідження є:
- аналіз існуючих методів багатокритериіальної оптимізації традиційними та генетичними алгоритмами з метою виявлення оптимального підходу;
- система виробництва на підприємстві;
- проведення оптимізаційної задачі на виробництві на основі досліджених методів;
- аналіз отриманих даних та розробка практичних рекомендацій щодо оптимізації віробництва на підприємстві.
Метою роботи є дослідження алгоритмів рішень задач багатокритеріальної оптимізації при наявності обмежень на змінні оптимізації.
Дослідження алгоритмів було проведено у середовищі MATLAB, в наслідок проведеного аналізу було виявлено найбільш ефективний алгоритм рішення задач багатокритеріальної оптимізації - метод SPEA. При застосуванні генетичного алгоритма вдалось змоделювати оптимальний план виробництва для задоволення усіх поставлених цілей
СПР, ЛПР, ПАРЕТО, КРИТЕРІЙ, ОПТИМІЗАЦІЯ, ЕВОЛЮЦІЯ, SPEA, VEGA, FFGA, NPGA, СЕЛЕКЦІЯ, ПОПУЛЯЦІЯ, MATLAB
- анализ существующих методов многокритериальной оптимизации традиционными и генетическими алгоритмами с целью нахождения оптимального подхода;
- система производства на предприятии;
- проведение оптимизационной задачи на производстве, на основе исследованных методов;
- анализ полученных данных и разработка практических рекомендаций для оптимизации производства на предприятии.
Целью работы является исследование алгоритмов решения задач многокритериальной оптимизации при наличии ограничений на переменные оптимизации.
Исследования алгоритмов было проведено в среде MATLAB, в последствии проведенного анализа был выявлен наиболее эффективный алгоритм решения задач многокритериальной оптимизации - метод SPEA. При применении генетического алгоритма удалось смоделировать оптимальный план производства для удовлетворения всех поставленных целей
СПР, ЛПР, ПАРЕТО, КРИТЕРИЙ, ОПТИМИЗАЦИЯ, ЭВОЛЮЦИЯ, SPEA, VEGA, FFGA, NPGA, СЕЛЕКЦИЯ, ПОПУЛЯЦИЯ, MATLAB
The object of the research is:
- аnalysis of existing methods for multi-criteria optimization and traditional genetic algorithms in order to find the best approach;
- production system in the enterprise;
- carrying out an optimization problem in production on the basis of the studied methods;
- data analysis and development of practical recommendations for the optimization of production at the enterprise.
The aim is to study algorithms for solving multiobjective optimization problems with constraints on the optimization variables.
Trials algorithms were conducted in an environment MATLAB, in consequence of the analysis have been identified the most efficient algorithm for solving multi-criteria optimization - SPEA method. In the application of genetic algorithm could simulate the optimal production plan to meet all the goals
DS, DM, PARETO, CRITERION, OPTIMIZATION, EVOLUTION, SPEA, VEGA, FFGA, NPGA, SELECTION, POPULATION, MATLAB
- аналіз існуючих методів багатокритериіальної оптимізації традиційними та генетичними алгоритмами з метою виявлення оптимального підходу;
- система виробництва на підприємстві;
- проведення оптимізаційної задачі на виробництві на основі досліджених методів;
- аналіз отриманих даних та розробка практичних рекомендацій щодо оптимізації віробництва на підприємстві.
Метою роботи є дослідження алгоритмів рішень задач багатокритеріальної оптимізації при наявності обмежень на змінні оптимізації.
Дослідження алгоритмів було проведено у середовищі MATLAB, в наслідок проведеного аналізу було виявлено найбільш ефективний алгоритм рішення задач багатокритеріальної оптимізації - метод SPEA. При застосуванні генетичного алгоритма вдалось змоделювати оптимальний план виробництва для задоволення усіх поставлених цілей
СПР, ЛПР, ПАРЕТО, КРИТЕРІЙ, ОПТИМІЗАЦІЯ, ЕВОЛЮЦІЯ, SPEA, VEGA, FFGA, NPGA, СЕЛЕКЦІЯ, ПОПУЛЯЦІЯ, MATLAB
- анализ существующих методов многокритериальной оптимизации традиционными и генетическими алгоритмами с целью нахождения оптимального подхода;
- система производства на предприятии;
- проведение оптимизационной задачи на производстве, на основе исследованных методов;
- анализ полученных данных и разработка практических рекомендаций для оптимизации производства на предприятии.
Целью работы является исследование алгоритмов решения задач многокритериальной оптимизации при наличии ограничений на переменные оптимизации.
Исследования алгоритмов было проведено в среде MATLAB, в последствии проведенного анализа был выявлен наиболее эффективный алгоритм решения задач многокритериальной оптимизации - метод SPEA. При применении генетического алгоритма удалось смоделировать оптимальный план производства для удовлетворения всех поставленных целей
СПР, ЛПР, ПАРЕТО, КРИТЕРИЙ, ОПТИМИЗАЦИЯ, ЭВОЛЮЦИЯ, SPEA, VEGA, FFGA, NPGA, СЕЛЕКЦИЯ, ПОПУЛЯЦИЯ, MATLAB
The object of the research is:
- аnalysis of existing methods for multi-criteria optimization and traditional genetic algorithms in order to find the best approach;
- production system in the enterprise;
- carrying out an optimization problem in production on the basis of the studied methods;
- data analysis and development of practical recommendations for the optimization of production at the enterprise.
The aim is to study algorithms for solving multiobjective optimization problems with constraints on the optimization variables.
Trials algorithms were conducted in an environment MATLAB, in consequence of the analysis have been identified the most efficient algorithm for solving multi-criteria optimization - SPEA method. In the application of genetic algorithm could simulate the optimal production plan to meet all the goals
DS, DM, PARETO, CRITERION, OPTIMIZATION, EVOLUTION, SPEA, VEGA, FFGA, NPGA, SELECTION, POPULATION, MATLAB