برخی معیارها مثل بهترین برازندگی یا تعداد فراخوانی تابع برازندگی میتواند پاسخ سوال فوق باشد. اکثر محققین، الگوریتم خود را چندین بار اجرا نموده و میانگین‌ پارامتر مورد نظر ( بطور نمونه، بهترین برازندگی) را ارائه می‌دهند.
۳-۳-۶ تفاوت GA با روش های مرسوم بهینه‌سازی ]۲۱[
در بسیاری از روش های بهینه‌سازی، با دقت بسیار از یک نقطه در فضای پاسخ و با بهره گرفتن از قوانین انتقال به نقطه دیگر حرکت میشود. چنین روش نقطه به نقطه‌ای خطرناک است، زیرا در فضای جستجو ممکن است چند نقطه اوج در چند جهت وجود داشته باشد و محل قرارگیری نقطه اوج، اشتباه تعیین گردد. بر خلاف این موضوع، الگوریتم‌های ژنتیک به جای یک نقطه جستجو، چند نقطه جستجوی متقارب (بصورت مجوعه‌ای از افراد) را بکار می‌برند که بطور موازی از چند نقطه اوج بالا می‌روند. بنابراین، احتمال درگیر شدن در بهینه محلی بشدت کاهش می‌یابد و از طرف دیگر احتمال دستیابی به بهینه کلی افزایش خواهد یافت.

( اینجا فقط تکه ای از متن پایان نامه درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

GA از اطلاعات منتج شده (تابع برازندگی) بجای استفاده از مشتقات یا اطلاعات جانبی استفاده می‌کند.
قابل اعمال به مسائل بهینه‌سازی با تابع هدف چندگانه^[۵۵] می‌باشند.
۳-۳-۷ نقاط قوت GA
برنامه‌نویسی الگوریتمهای GA پیچیده نمی‌باشد.
فهم آسان
مجزا بودن
همیشه یک جواب وجود دارد که این جواب با گذشت زمان بهتر می شود.
مناسب بودن برای محیط های نویزی
امکان استفاده بصورت توزیع شده و موازی
روش های مختلفی برای پیشرفت و افزایش سرعت الگوریتم وجود دارد.
قابل اعمال به توابع هدف گسسته و پیوسته می‌باشند.
احتیاج به محاسبه مشتقات تابع هدف ندارند.
قابل اعمال به مسائل خطی، غیرخطی، بدخیم و . . . می‌باشند.
الگوریتم‌های ژنتیک توانایی تلفیق با دیگر روش های بهینه‌سازی را دارند.
همانطور که قبلا اشاره گردید، GA یک الگوریتم قوی برای رسیدن به نزدیکی پاسخ بهینه با احتمال زیاد می‌باشد.
۳-۳-۸ نقاط ضعف GA
اگرچه GA یک الگوریتم بسیار قوی برای حل مسائل بهینه‌سازی می‌باشد ولی دارای تعدادی نقاط ضعف قطعی در مقایسه با سایر روش های بهینه‌سازی می‌باشد که عبارتند از،
اشکال اصلی GA نیاز به زمان زیاد حل کامپیوتری برای حل مسئله بهینه‌سازی می‌باشد.
GA با طراحی ضعیف، تقریبا شبیه یک الگوریتم کاملا تصادفی است و بسیار کند عمل خواهد نمود.
به خاطر ذات تصادفی GA، پیش‌بینی کارایی و عملکرد آن خیلی مشکل است و به نوع مسئله نیز بستگی دارد.
مهمترین ضعف GA وابستگی بسیار زیاد آن به تابع برازندگی برای امر بهینه سازی است. عمده کاربرد الگوریتم ژنتیک در بهینه سازی مسایل مهندسی است در جاییکه ممکن است تابع خاصی با مشخصات بالا موجود نباشد که بتوان از آن در جهت تشخیص میزان برازندگی استفاده کرد که عمدتا هم در صنعت چنین حالتی روی میدهد. بدلیل اهمیت وافر تابع برازندگی، در صورت کمی لغزش در تعریف تابع برازندگی مناسب، الگوریتم حتی در صورت فوق العاده دقیق بودن سایر قسمتها هم قابل اتکا نخواهد بود و پاسخهای آن دقیق نیست. عدم وجود تابع مناسب در بسیاری از مسائل جهت بهینه سازی، استفاده مستقل از این الگوریتم را محدود کرده و آن را به عنوان مکملی برای دیگر روش های بهینه سازی مطرح میسازد.
۳-۳-۹ در چه مواقعی از GA استفاده میشود
GA در موارد زیر بکار می رود :
جوابها بیش از اندازه پیچیده یا بی تحرک باشند.
نیاز به یک وسیله اکتشافی برای پیدا کردن راه های جدید باشد.
مساله شبیه به مسائلی که تا کنون در GA حل شده است، باشد.
نیاز باشد که جوابهای موجود را با هم پیوند زد.
۳-۳-۱۰ کاربردهای GA
برخی از مهمترین کاربردهای GA در علوم مختلف عبارتند از :
کنترل : خطوط انتقال گاز – پرتاب موشک – سیستمهای تعادلی و …..
طراحی : طراحی هواپیما – طراحی مدارات VLSI – شبکه های ارتباطی و ….
مدیریت و برنامه ریزی : برنامه ریزی تولید – زمانبندی – تخصیص منابع و ….
روباتیک : مسیر حرکت روبات و …
یادگیری ماشین : طراحی شبکه های عصبی- الگوریتمهای طبقه بندی و ….
پردازش سیگنال : طراحی فیلتر و ….
سایر موارد : هنر و موسیقی – حل مساله فروشنده دوره گرد – مسیریابی در شبکه ها
عواملی که تاثیر زیادی بر کارایی و همگرایی GA دارند عبارتند از، اندازه جمعیت ( )، عملگر انتخاب، احتمال پیوند ( ) و جهش ( ). انتخاب بهینه منوط به پارامترهای مختلفی مانند تعداد افراد جمعیت، تعداد نسل، احتمال پیوند، جهش و جایگزینی و . . . می‌باشد. مرجع مناسبی برای انتخاب این پارامترها وجود ندارد. و این پارامترها بایستی بطور تجربی و با توجه به تابع هدف مسئله بهینه‌سازی انتخاب گردند.
۳-۴ بهینه سازی پارامتر های فرآیندی پیل سوختی با بهره گرفتن از الگوریتم ژنتیک
از میان ابزارهای بهینه سازی، الگوریتم ژنتیک به عنوان یک ابزار کارآمد و توانا انتخاب شد و در جهت بهینه کردن سه پارامتر عملکردی نظیر دمای کارکردی پیل سوختی، فشار جزیی سمت آند و همچنین فشار جزیی سمت کاتد به کار گرفته شد. همان طور که در قسمت ۳-۳-۱-۳ بیان شد، تابع برازندگی در چگونگی عملکرد پیل سوختی از اهمیت خاصی برخوردار است. بهترین الگوریتمهای طراحی شده، حتی با در نظر گرفتن شرایط ایده آل، بدون یک تابع مناسب ارزیابی از درجه اعتبار ساقط است بنابراین پر واضح است که تابع ارزیابی باید در بهترین و دقیقترین حالت تعریف گردد.
۳-۴-۱ استفاده از حل تحلیلی در الگوریتم ژنتیک حاضر
جهت تشخیص عملکرد پارامترها به ازای مقادیر مختلف سه نوع راه حل وجود دارد :
استفاده از آزمایشات عملی
استفاده از حل CFD
استفاده از حل تحلیلی
۳-۴-۱-۱ استفاده از آزمایشات عملی
انجام آزمایشات به روش تجربی و آزمایشگاهی بسیار سودمند بوده و در نتایج آن شکی وجود ندارد چون مراحل در آزمایشگاه و بصورت عملی انجام شده است ولی در مورد بهینه‌سازی پارامترهای فرآیندی که ممکن است دامنه مقادیر بزرگ هم باشند، انجام آزمایشات به ازای مقادیر مختلف بسیار زمان ‌بر و در عین حال هزینه ‌بر است و انجام آزمایشات از نظر هزینه و زمان به هیچ وجه به صرفه نبوده و در بسیاری از موارد ضرورت آزمایشات و تحقیق با توجه به بالا بودن هزینه‌ها از بین می‌رود. لذا محققان از روش‌های متفاوتی جهت کاهش تعداد آزمایشات استفاده می‌کنند که از آن جمله می‌توان به کاربرد روش تاگوچی و یا شبکه عصبی و … اشاره کرد. اکثر تحقیق‌های پیشین بصورت عملی بوده، لذا محققان به اجبار آزمایشات را فقط در تعدادی مقادیر خاص انجام داده‌اند مثلاً ونگ^[۵۶] و همکارانش ]۶[ در مورد دمای کارکردی پیل سوختی که بین ۴۰ تا ۸۰ درجه سانتی گراد قابل تغییر است، فقط در ۵ مقدار ۴۰، ۵۰، ۶۰، ۷۰ و ۸۰ درجه سانتی گراد آزمایشات را انجام داده‌اند و دامنه حرکتی برای دما را بصورت ۱۰ تایی درنظر گرفتند.
اگر چندین پارامتر بصورت همزمان درنظر گرفته شود و هدف حـالت بهـینه برای هـر یک از پارامترها باشد، ترکیبات مختلفی از مقادیر روی می‌دهد و پر واضح است که تعداد آزمایشات مورد نیاز بسیار زیاد خواهد بود بعنوان مثال در مورد بهینه‌سازی سه پارامتر مورد بررسی در این تحقیق اگر برای هر یک از این پارامترها ۱۰ مقدار درنظر گرفته شود، برای پوشش دادن تمامی حالات ممکن می‌باید ۱۰۰۰ آزمایش صورت دهیم که این تعداد آزمایشات هم از نظر هزینه و هم از نظر زمانی قابل انجام نیست.
تحقیقات زیادی با روش آزمایشگاهی صورت گرفته است ]۳-۱۲[ ولی همان‌طور که گفته شد عیب بزرگ این روش در محدودیت اجرای آن است لذا تمامی تحقیق‌های فوق فقط در مقادیر مشخص و محدود انجام گرفتند.
۳-۴-۱-۲ استفاده از حل CFD
حل‌های CFD در تعیین عملکرد و بیان چگونگی تأثیر مقادیر پارامترها، حل‌هایی بسیار دقیق است که به واقعیت بسیار نزدیک می‌باشد و بسیاری از محققان از این نوع حل جهت بررسی اثر پارامترها استفاده می‌کنند. بعنوان مثال فیلیپس^[۵۷] و همکارانش ]۲۲[ از این نوع حل در تعیین رفتار پیل‌های سوختی قابل حمل استفاده کردهاند و همچنین سو^[۵۸] و همکارانش ]۲۳[ با بهره گرفتن از این روش به بررسی پارامترهای پیل سوختی پلیمری پرداختند. حل‌های CFD، تقریباً از دقت‌های بالایی برخوردار هستند ولی با توجه به مش‌بندی‌های بسیار بالا و حل‌های دقیق، زمان زیادی برای اجرای این حل‌ها به ازای یک سری از پارامترهای مشخص مورد نیاز است. در الگوریتم ژنتیک حاضر، شاید برای بهینه‌سازی سه پارامتر بیش از ۴۰۰۰ یا ۵۰۰۰ مورد از ترکیبات مختلف مقادیر برای این سه پارامتر موجود باشد که نیاز باشد تمامی این حالات ممکن توسط حل CFD مورد بررسی قرار گیرد، بنابراین این روش نیز علی ‌رغم دقیق بودن و صحت زیاد قابل استفاده نیست.

منظور از روایی^[۵۹] پرسشنامه این است که سوالات مندرج در آن دقیقاً متغیرها و موضوع مورد مطالعه را بسنجد. (متانی،۱۳۸۶) در این تحقیق آزمون محتوا، جهت تعیین روایی پرسشنامه استفاده شده است به‌طوری‌که، پرسشنامه به نظرسنجی تعدادی از مدیران کارگزاری‌های بورس کالا، تحلیل گران بازار، اساتید فعال در بازار سرمایه و مدیریت گذاشته شد که بعد توسط راهنمایی های استاد راهنما نکات مبهم و نارسای پرسشنامه برطرف و برخی از گزینه‌ها که ارتباطی با اهداف تحقیق نداشتند، حذف یا اصلاح گردیدند و پس از اعمال نظرات اصلاحی، پرسشنامه تهیه و پس از تأیید اساتید محترم مورد استفاده قرار گرفت.
۳-۵ آزمون های آماری:
برای بررسی و تجزیه‌وتحلیل حاصله، از روش‌های آمار توصیفی و استنباطی استفاده شده است.

در سطح توصیفی با بهره گرفتن از توابع آماری نظیر ‏فراوانی ، درصد ، میانگین و انحراف معیار به تحلیل و توصیف ویژگی های جامعه آماری پرداخته، و در سطح استنباطی هم به‌منظور ‍، پاسخ به سوالات پژوهشی و هم به‌منظور یافتن روابط خاص بین متغیرهای جامعه آزمون‌هایی که بعداً تشریح خواهد شد استفاده می­ شود.
از آنجایی که هیچ فرض خاصی در مورد نرمال بودن جامعه و معلوم بودن واریانس و میانگین جامعه نداریم، آزمون‌های ناپارامتریک روش‌های مناسبی جهت استفاده در آزمودن فرضیات تحقیق می­باشند. (عادل آذر و مومنی، ۱۳۸۳)
۳-۵-۱ آزمون دوجمله­ای^[۶۰]
این آزمون به‌منظور بررسی وجود اختلاف معنادار بین پاسخ­های داده‌شده به هر یک از سوالات تحقیق به­کار می­رود .آزمون دوجمله­ای از نوع آزمون‌های ناپارامتریک است، اما هنگامی که بزرگ‌تر از ۵ باشد از تقریب توزیع نرمال پیروی می­ کند .در این صورت آماره آزمون به‌صورت زیر قابل محاسبه است:

که در آن احتمال موفقیت در جامعه و احتمال موفقیت در نمونه و حجم نمونه آماری یعنی ۱۶۰ می­باشد. در این تحقیق جهت آزمون فرضیات، از آزمون دو جمله­ای استفاده گردیده است .
بایستی توجه داشت که آزمون دو جمله­ای برای متغیرهای اسمی دوحالته کاربرد دارد . (فتوحی اردکانی،۱۳۸۳) از آنجایی که سوالات پرسشنامه در طیف لیکرت (مقیاس رتبه­ای) از ۱ تا ۵ (در تحقیق حاضر از یک تا پنج) امتیاز داده‌شده‌اند، روش کار این است که در نرم­افزار SPSS ابتدا از منوی Transformation دستورcompute را انتخاب کرده و از سوالات مربوط به هر یک از سه متغیر مستقل تحقیق، به طور جداگانه میانگین گرفته و هر کدام را در یک ستون قرار می­دهیم حال با استفاده آزمون دوجمله­ای می­توانیم آزمون کنیم که آیا تعداد افرادی که به طور متوسط به یک عامل امتیاز۵۰ و کمتر داده‌اند با آنهایی که به همان عامل امتیاز بیشتر از ۵۰ داده­اند برابرند یا خیر و از این طریق فرضیات را آزمون کنیم. برای اجرای دستور آزمون دوجمله­ای در نرم­افزار SPSS‌مسیر زیر را طی می­کنیم:
Analyze Nonparametric test Binomial
۳-۵-۲ آزمون فریدمن
هنگامی که پژوهشگر بخواهد K (بیش از ۲) متغیر وابسته به هم را که در سطح مقیاس ترتیبی سنجیده شده، اولویت‌بندی نماید، می ­تواند از این آزمون استفاده نماید .نمرات در هر ردیف جداگانه رتبه‌بندی می­شوند .یعنی وقتی که K موقعیت مورد مطالعه قرار گیرد رتبه‌ها در هر ردیف از۱ تا K رتبه‌بندی می­شوند .
در این پژوهش، آزمون فریدمن برای موارد زیر به‌کار گرفته‌شده است.
۱- رتبه‌بندی فرضیه ­های اصلی
۲- رتبه ­بندی فرضیه ­های فرعی
۳- رتبه ­بندی سئوالات پرسشنامه
آزمون فریدمن معلوم می­ کند که آیا این احتمال وجود دارد که ستون­های جدول یعنی گروه ­های نمونه از یک جامعه آماری مشترک باشند یا خیر و همچنین معلوم می­ کند که آیا حاصل جمع رتبه­ها ( ) به طور معنی‌داری با یکدیگر تفاوت دارند یا خیر. وقتی که تعداد ردیف­ها و ستون‌ها خیلی کوچک نباشند، میتوان نشان داد که تقریباً «دارای توزیعی برابر با مجذور خی» بادرجه آزادی است. اگر مقدار محاسبه شده از فرمول زیر برای یک سطح معنی­دار معین و در جه آزادی بزرگ‌تر یا مساوی مقدار نشان داده‌شده در جدول باشد، معنی آن اینست که جمع­های رتبه‌ها (میانگین رتبه­ها) برای ستون ­های مختلف به طور معنی­داری باهم متفاوت هستند. (اندازه نمرات بستگی به موقعیتی دارد که آن نمرات از آن‌ها به‌دست آمده­اند) و بدین ترتیب می­توان را در آن سطح معنی‌داری رد کرد.

در این فرمول هر یک از علائم آزمون فریدمن به‌صورت زیر تعریف می‌شوند .
N: تعداد ردیف‌ها (تعداد آزمودنی‌ها)
K: تعداد ستون‌ها (تعداد موقعیت‌ها)
Rj: حاصل جمع رتبه‌های هر ستون (موقعیت)
در نرم‌افزار SPSS برای این آزمون، مسیر زیر را طی می­کنیم: (فتوحی اردکانی،۱۳۸۳)
Analyze Nonparametric test K related sample
فصل چهارم: تجزیه‌وتحلیل داده ­ها
مقدمه :
در این فصل با توجه به داده‌های جمع‌ آوری شده از جامعه مورد نظر، به بررسی سؤالات تحقیق می‌پردازیم و در صدد دستیابی به اهداف تحقیق هستیم. به همین جهت در ابتدا به توصیف ویژگی‌های جمعیت شناختی^[۶۱]جامعه مورد بررسی می‌پردازیم تا اگر خواستیم در آینده در مورد جامعه‌ای دیگر نیز نتایج این تحقیق را تعمیم دهیم حداقل، شرایط عمومی جوامع به هم شبیه باشند. علاوه بر این، متغیرهای جمعیت شناختی جامعه می‌تواند تصویری روشن از جامعه را در اختیار خوانندگان و محققان قرار دهد. پس از آن نوبت به بررسی اهداف تحقیق و پاسخ به سؤالات تحقیق می‌رسد و از طریق آمار توصیفی، به بررسی پاسخ­های داده‌شده به سوالات پرسشنامه می­پردازیم و با به­ کارگیری آزمون دو جمله­ای، فرضیات تحقیق را آزمون می­کنیم. آزمون فریدمن جهت اولویت­ بندی برخی عوامل استفاده می­کنیم و به رسالت خویش از تحقیق پاسخ می‌دهیم. لازم به ذکر است که در این فصل، تنها به ارائه یافته‌های تحقیق می‌پردازیم و تعبیر و تفسیر نتایج در فصل پنجم صورت خواهد پذیرفت .
تجزیه‌وتحلیل پرسشنامه شامل آمار توصیفی و آمار استنباطی است. آمار‌های توصیفی شامل فراوانی، درصد،میانگین و انحراف معیار می‌شود و آمار استنباطی نیز شامل آزمون‌هایی است که در فصل سوم جهت آزمون فرضیات بیان شده است .
۴-۱ تحلیل داده ­های جمعیت شناختی
در این بخش، ویژگی‌های جمعیت شناختی نمونه مورد بررسی قرار خواهد گرفت.
۴-۱-۱ توزیع پاسخگویان بر حسب جنسیت
این بخش به توصیف داده ­های جمعیت شناختی مانند جنسیت، سن، میزان تحصیلات و بخش فعال در بورس کالا که سئوالات عمومی پرسشنامه را در برمی­گیرد. تعداد نمونه مورد بررسی که از نظرات آن‌ها جهت تجزیه‌وتحلیل داده‌ها و آزمون فرضیات، استفاده شده است، ۱۶۰ نفر می­باشند. جدول و نمودار (۴-۱) نشان می­دهد که اکثریت مشتریان بورس کالای ایران (۸۵٫۱%) که نمونه آماری را تشکیل داده­اند، مرد و تنها ۱۴٫۹ درصد آن‌ها زن می­باشند.