Zastosowanie algorytmu genetycznego do rozwiązywania zadań niezawodnościowych dotyczących wielokryterialnych systemów szeregowo-równoległych

• Autorzy: Zarinchang A. , Faghih N. , Zarinchang J.

Warianty tytułu

EN

An application of genetic algorithm toward solving the reliability problem of multiobjective series-parallel systems

• Języki publikacji: EN

Abstrakty

EN

Since developing an appropriate solution for reliability optimization problem with mathematical programming methods has been considered as difficult techniques, the heuristic approaches increasingly has been applied. Multiobjectve Genetic Algorithm (MGA) has been among heuristic methods that was developed to find solutions for series-parallel systems to obtain maximum reliability, and minimum cost and weight at the system level. These are very common problems in engineering design such as mechanical and electrical systems. It has been shown that the Multiobjectve Genetic Algorithm offers proper results to these problems while it respects to the several objective functions such as reliability, cost and weight. This paper presents the combination of probabilistic search, and one of the decision making methods called Technique for Order Preference by Similarity to Ideal Solution (TOPSIS). The Multiobjectve Genetic Algorithm, allows us to achieve a proper design solution while it saves a considerable time compared with some other approaches. At the same time as the reliability, cost and weight were chosen as objective functions, the results obtained by this method showed an overall improvement in comparison to the existing GA method considering cost and weight as constraints.

PL

Ponieważ znalezienie odpowiedniego rozwiązania zadania optymalizacji niezawodnościowej przy wykorzystaniu metod programowania matematycznego uznaje się za trudne, coraz częściej stosuje się do tego celu metody heurystyczne. Algorytm genetyczny do optymalizacji wielokryterialnej (Multiobjective Genetic Algorithm, MGA) jest jedną z metod heurystycznych, stworzoną w celu znajdowania rozwiązań dla systemów szeregowo-równoległych, pozwalającą na uzyskanie maksymalnej niezawodności oraz minimalnych kosztów i ciężaru na poziomie systemu. Zadania takie występują powszechnie w dziedzinie projektowania i konstrukcji systemów mechanicznych i elektrycznych. Wykazano, że MGA pozwala uzyskać odpowiednie rozwiązania tego typu zadań uwzględniając przy tym funkcje celu, takie jak niezawodność, koszty i ciężar. W niniejszej pracy przedstawiono połączenie metody wyszukiwania probabilistycznego oraz jednej z metod rozwiązywania problemów decyzyjnych o nazwie TOPSIS (Technique for Order Preference by Similarity to Ideal Solution). MGA pozwala uzyskać odpowiednie rozwiązania konstrukcyjne dając przy tym znaczną oszczędność czasu w porównaniu z niektórymi innymi metodami. Jednocześnie potraktowanie kosztów i ciężaru jako funkcji celu daje lepsze wyniki w porównaniu do metody wykorzystującej algorytm genetyczny, w której koszty i ciężar rozpatrywane są jako ograniczenia.

Słowa kluczowe

EN

multiobjective genetic algorithm; reliability optimization; redundancy apportionment; series-parallel systems; TOPSIS method

PL

algorytm genetyczny; optymalizacja wielokryterialna; optymalizacja niezawodności; podział nadmiarowości; systemy szeregowo-równoległe; metoda TOPSIS

• Wydawca: Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne
• Czasopismo: Eksploatacja i Niezawodność
• Rocznik: 2012
• Tom: Vol. 14, No. 3
• Strony: 243--248
• Opis fizyczny: Bibliogr. 22 poz.

Twórcy

autor

Zarinchang A.

autor

Faghih N.

autor

Zarinchang J.

• Department of Industrial Engineering Shiraz Branch, Islamic Azad University Shiraz, Iran,

Bibliografia

• 1. Azar F. S. Multiattribute Decision-Making, use of three scoring Methods to compare the performance of imaging techniques for breast cancer detection, Technical Report, MS-BE-00-01MS-CIS-00-10, 2000.
• 2. Chen M. S. On the computational complexity of reliability redundancy allocation in a series system. Operation Research Letters 1992; 11:309–315.
• 3. Coit D. W, Smith A. E. Reliability optimization of series-parallel systems using a genetic algorithm. IEEE Transaction on Reliability 1996; 45(2): 254–260.
• 4. Coit D. W, Smith A. E. Penalty guided genetic search for reliability design optimization, Computer and Industrial Engineering 1996; 30(4):895–904.
• 5. Coit D. W, Smith A. E. Use of a genetic algorithm to optimize a combinatorial reliability design problem, Proceedings of the 3rd International Engineering Research Conference 1994; 467-472.
• 6. Ebson H. A genetic algorithm for macro cell placement, Proceeding of the European Design Automation Conference 1992; 52-57.
• 7. Feller W. An introduction to probability theory, New York, Wiley 1965.
• 8. Fyffe D. E, Hines W.W, Lee N.K. System reliability allocation and a computational algorithm, IEEE Transactions on Reliability 1965; vol R-17, 64-69.
• 9. Gen M, Cheng M. Genetic algorithms and engineering design, John Wiley & Sons, New York, 1997.
• 10. Glaß M, Lukasiewycz M, Haubelt C, Teich J. Lifetime Reliability Optimization for Embedded Systems: A System-Level Approach, Proceedings of International Workshop on Reliability Aware System Design and Test 2010; 17-22.
• 11. Goldberg D. E. Genetic Algorithms in Search, Optimization & Machine Learning, Addison Wesley, 1959.
• 12. Hwang C. L, Yoon K. Multiple Attribute Decision Making: Methods and applications, A state of the art survey, Springer-Verlag, Berlin, 1951.
• 13. Jian-Hua Z, Zhaoheng L, My-Thien D. Reliability optimization using multiobjective ant colony system approaches, Reliability Engineering and System Safety 2007; 92(1): 109-120.
• 14. Kuo W, Rajendra Prasad V. An annotated overview of system reliability optimization, IEEE Transaction on Reliability 2000; 49(2): 176-187.
• 15. Lawrence D. Handbook of genetic algorithm, Van Nostrand Reinhold, 1991.
• 16. Méndez M, Galván B, Salazar D, Greiner D, Multiple-Objective Genetic Algorithm using the Multiple Criteria Decision Making Method TOPSIS ,7th International Conference on Multi-Objective Programming and Goal Programming, 2006; 145-150.
• 17. Syswerda G. Uniform crossover in Genetic Algorithms, Proceedings of the 3rd International Conference on Genetic Algorithms 1959; 2-9.
• 18. Tate D. M, Smith A. E. A genetic approach to the quadratic assignment problem , Computers and Operations Research 1994; vol. 22, 73-53.
• 19. Tian Z, Levitin G, Zuo M. J. A joint reliability redundancy optimization approach for multi-state series–parallel systems, Reliability Engineering and System Safety 2009; 1568–1576.
• 20. Tillman F. A, Hwang C. L, Kuo W, Optimization techniques for system reliability with redundancy a review, IEEE Transaction on Reliability 1977; 26(3):145–55.
• 21. Zalzala A. M. S, Fleming P. J. Genetic algorithms in engineering systems, The Institution of Electrical Engineers, London, 1997.
• 22. Zarinchang A. Applications of Genetic Algorithm for Solving the Reliability Problem of Multi-Objective Series-Parallel Systems, MS Thesis, 2008.