In the past three decades numerous

In the past three decades numerous multi-objective evolution- ary algorithms have been developed and tested as trustable and efficient solution methods to solve multi-objective models (Deb, 2001). However, these algorithms are best known to their cap- ability of obtaining good or near optimal solutions and attainment of the exact optimal solution(s) is never guaranteed. In order to solve the multi-objective model (16), we consider goal programming method as a subroutine of the solution approach. The major drawback of the standard goal programming method is that the method can obtain only one non-dominated solution which is highly dependent to the decision maker's choice of the goals and the weights of deviation from the predefined goals. To rectify this dependability and in order to obtain the true Pareto- optimal front, the following hybrid Monte Carlo simulation model is proposed in which randomly generated objective goals and deviation weights are used in the goal programming submodel in each simulation replication.

ผลลัพธ์ (ไทย) 3:

ในรอบสามทศวรรษที่ผ่านมามากมายหลายขั้นตอนวิธีวิวัฒนาการเกี่ยวกับได้ถูกพัฒนาและทดสอบโดยวิธีการแก้ปัญหาจึงเชื่อถือและ EF cient แก้หลายรุ่น ( เด็บ , 2001 ) อย่างไรก็ตาม วิธีการเหล่านี้จะรู้จักกันดี หมวก - ความสามารถของพวกเขาได้รับที่ดีหรือใกล้โซลูชั่นที่เหมาะสมที่สุดและภูมิปัญญาของสารละลายที่เหมาะสมแน่นอน ( s ) จะไม่รับประกันเพื่อแก้ไขรูปแบบหลาย ( 16 ) เราจะพิจารณาวิธีการโปรแกรมเชิงเป้าหมายเป็น subroutine ของโซลูชั่นการ ข้อเสียเปรียบหลักของมาตรฐานโปรแกรมเชิงเป้าหมาย วิธีการ วิธีการที่สามารถได้รับเพียงหนึ่งไม่ครอบงำโซลูชั่นที่ขึ้นสูงเพื่อตัดสินใจเลือกเป้าหมาย และน้ำหนักของการเบี่ยงเบนจาก prede จึงลงเป้าหมายแก้ด้านนี้ และเพื่อให้ได้พาเรโต - จริงหน้าที่ดีที่สุด ต่อไปนี้ไฮบริด Monte Carlo แบบจำลองเสนอที่สร้างขึ้นแบบสุ่มเป้าหมายวัตถุประสงค์และเบี่ยงเบนน้ำหนักที่ใช้ในการโปรแกรมเชิงเป้าหมายในแต่ละหมัดที่ลำตัว
จำลองซ้ำ