نام پژوهشگر: حامد عظیمی‌نیا

بهینه سازی طرح پارچه ژاکارد حلقوی پودی با استفاده از الگوریتم ژنتیک محاوره ای
پایان نامه وزارت علوم، تحقیقات و فناوری - دانشگاه صنعتی اصفهان 1388
  حامد عظیمی نیا   محمد شیخ زاده

در سیستم طراحی ژاکارد حلقوی پودی طرح های بسیار متنوعی را با رنگبندی های مختلف می توان متصور شد و به مرحله اجرا در آورد. اما بسیاری از طرح ها ممکن است از جذابیت و زیبایی کمی برخوردار باشند. بنابراین انتخاب و گزینش طرح ها از میان مجموعه وسیع طرح های ممکن به طوری که رضایت مشتری را جلب کنند و زیبایی قابل قبولی داشته باشند مشکل است. برای رفع این مسئله می توان از یک سیستم بهینه سازی مبتنی بر هوش مصنوعی بهره برد و در این میان روش بهینه سازی الگوریتم ژنتیک می تواند کارایی خوبی از خود نشان دهد. الگوریتم ژنتیک نوعی روش برای رسیدن به پاسخ در مسائلی است که با روش های معمول قابل حل نیستند و برای حل آنها باید از آزمون سعی و خطا استفاده نمود. چنانچه پاسخ های زیادی برای مسئله قابل تصور باشند بررسی همگی آنها بسیار دشوار خواهد بود. الگوریتم ژنتیک می تواند دامنه بزرگی از پاسخ ها را در برگیرد و به کمک بازخوردی که از مسئله می گیرد بهترین پاسخ ها را برای آن بیابد. الگوریتم ژنتیک محاوره ای نوعی از الگوریتم ژنتیک است که در آن بازخوردهای لازم از کاربر گرفته می شود و در واقع کاربر تعیین کننده بهترین پاسخ ها خواهد بود. بنابراین الگوریتم ژنتیک محاوره ای را می توان در بهینه سازی طراحی و انتخاب طرح های مطلوب به کار برد. در این تحقیق الگوریتم ژنتیک محاوره ای در طراحی یک نرم افزار بهینه سازی طرح پارچه ژاکارد حلقوی پودی مورد استفاده قرار گرفته است. نتایج حاصل از تحقیق نشان می دهد که نرم افزار مذکور در تعیین طرح های زیبا و جذاب کارایی بالایی دارد و با توجه به میل و سلیقه کاربر می تواند طرح های دلخواه او را از بین صد ها طرح ممکن ردیابی و به وی ارائه دهد. رابط کاربری نرم افزار توانایی بالایی در دریافت داده ها و بازخورد ها از سوی کاربر دارد و از این لحاظ می تواند به خوبی خود را با شرایط مختلف و سلایق گوناگون تطبیق دهد. طرح ها و رنگ های تولید شده توسط نرم افزار در طی نسل های جدیدتر به سمت طرح ها و رنگ هایی زیباتر و جذاب تر گرایش پیدا می کنند و کاربر می تواند نرم افزار را به سمت تولید طرح و رنگ دلخواه خود سوق دهد. در مورد رنگ ها به علت تنوع بیشتر، تغییرات در امتیاز رنگبندی ها نیز گسترده تر است و بنابراین نیاز به تعداد نسل های بیشتری در این مرحله از بهینه سازی می باشد.