PDA

توجه ! این یک نسخه آرشیو شده میباشد و در این حالت شما عکسی را مشاهده نمیکنید برای مشاهده کامل متن و عکسها بر روی لینک مقابل کلیک کنید : مقاله  سیستم پشتیبانی تصمیم گیری هوشمند برای طراحی چیدمان



Bad Sector
18th June 2011, 10:52 PM
خلاصه

http://www.ksna.ir/images/stories/ksnathumbnails/180x180-images-stories-fani-industry-engineering_management.jpg (http://www.ksna.ir/images/stories/fani/industry/engineering_management.jpg)طراحی چیدمان یک مساله مبهم ، بدون ساختار و پیچیده میباشد که به پشتیبانی تصمیم گیری متفکر و هوشمندی نیاز دارد. موجودی اطلاعات غیر کافی تاثیرات متفکر و اولویت های رقابتی مانع تخصیص خروجی برتر میشوند .
این همچنین مطلوب است برای تولید سیستم هوشمند برای طراحی چیدمان که با موضوعات چالش برانگیزی سروکار دارند و راه های موثرچیدمان آلترنیتیو برتر تولید ی ، تحلیل ی و کاربردی را ایجاد میکنند . ما یک چارچوب برای ساخت سیستم خبره ی هوشمند برای پشتیبانی تصمیم گیری در طراحی چیدمان بر اساس نرم افزارهای کامپیوتری معرفی مینماییم . این چارچوب پیشنهادی و نمونه ی اولیه ی سیستم در زمینه ی پشتیبانی تصمیم گیری در طراحی چیدمان به وسیله ی قادر سازی نمایش صریح دانش اکسپرت ( ماهر) و مدل سازی رسمی اولویت های کاربر فازی اشاعه یافته است . از چنین سیستمی انتظار میرود که اقتصاد و بهره وری ارگانومیکی طراحان چیدمان ، برتری خروجی و تحقیقات آینده در این زمینه را تسهیل گردانند.


معرفی

فرآیند طراحی چیدمان شامل جست و جوی نتایج برتر در آرایش فضایی مدول ها در یک فضای داده شده ، ارضا قید ها و اولویت های داده شده بر اساس هدف سازگار ارزیابی میباشد . این یک مساله مهم با کاربردهایی در یک دامنه وسیع میباشد . بنابر این ، مسئله طراحی چیدمان دارای محدوده ی وسیعی میباشد که شامل چند هزار پارامتر محسوس و غیر محسوس با چنان درجه ی بالایی از پویایی و دینامیکی میباشد که اعتبار هر راه حل بهینه از قبل اعلام شده به آسانی قابل به چالش کشیدن میباشد .[4] اولین کار در خودکار نمودن فرآیند طراحی چیدمان ، تولید روشهای جایگزین چیدمان برتر برای فرضیات و کاربری آتی طراحان می باشد. [3] طراحان چیدمان با یک تفکر بالا در ایجاد کردن ، به یاد آوردن ، فهمیدن و به کار بردن حجم عظیمی از اطلاعات و مفروضات در دسترس با عدم قطعیت مواجه هستند . در نتیجه ، سودمندی الگوریتم ها و راهنماهای در دسترس بوسیله ناتوانی طراحان چیدمان در درک نمودن ، فهمیدن و تعیین نمودن کمیت خصوصیات مربوط به سیستم بدون یک روش شناختی جامع برای بکارگیری آن محدود شده اند .[3]
چنین ما نع هایی به این معنی است که طراحی چیدمان به راحتی قابل خودکارشدن نمی باشد . با این وجود، توسعه پیوسته برنامه های کاربردی پیچیده و موجود مانند تسهیلات VLSLو طراحی چیدمان شبکه ای ، یک علاقه مندی زیاد در فرمول بندی و خودکارسازی الگوریتم ها و راهنماهای طراحی چیدمان ایجاد نموده اند .
یک سیستم پشتیبانی تصمیم گیری جالب که طراحی شده به طور خاص برای کم کردن اندیشه بوسیله ایجاد راههای سریع و آسان تولید ، تحلیل و بکارگیری روشهای جایگزین چیدمان برتر به نظر می رسد که یک انتخاب منطقی در این راه باشد.
در این مقاله ، یک چار چوب معماری و نمونه اولیه برای یک سیستم پشتیبانی تصمیم گیری طراحی چیدمان هوشمند ارائه شده است. این چار چوب یک بخشی از پروژه تحقیق در حال پیشرفت است که روی فرمول بندی یک چار چوب عمومی جهت آدرس دهی به موضوعات اصلی که درگیر شده اند در استفاده موضوعی و اولویتهای چیدمان مبهم متمر کز شده است.
http://www.ksna.ir/images/stories/users/1399/abab.jpg
محدودیت ها از رویکردهای موجود

طیف وسیعی از فرمولاسیون برای مشکل طراحی چیدمان در این متن ارائه شده است .
. عمومی ترین این فرمولها شامل مسائل درجه دوم ،مسائل بسته بندی دو بعدی و مسائل پوشش درجه دوم است. انواع تکنیک های ابتکاری و تحلیلی برای یافتن راه حل برای مسئله NP-Hard منتشر شده است .
ابتکارات اخیر که نتایج خوبی نشان داده اند شامل : SA ، الگوریتم ژنتیک تکامل ساده و انواع ترکیبهای آنها هستند. دیگر رویکردهای حل مسئله شامل الگوریتم درختی ، برنامه نویسی ترکیب عدد صحیح و دودویی ، جداسازی شبکه و غیره است. به علاوه تکنیکها ی تحلیلی مختلفی گزارش شده است که به فضای طراحی پیوسته با کمترین نیازهای محاسباتی میپردازد[10] .
پژوهش در طراحی منطقه چیدمان منجر به چندین سیستم طراحی چیدمان اتوماتیک شده است . در اینجا ما در مورد محدودیت های موجود در سیستم ها در سه تا از بیشترین موارد مواجه شده یعنی چیدمان تجهیزات ، چیدمان مدار (به عنوان مثال VLSI) و چیدمان فضای بصری (به عنوان مثال طرح بندی صفحه وب). با وجود همه تاکیدها بر انعطافپذیری و برتری نسبی ، نرم افزار موجود محدودیتهای قابل توجهی از نقطه نظرهای مختلف دارد. [2]. در واقع ، اکثر این قبیل طراحی چیدمان اتوماتیک ، اسناد بر پایه ی CAD و ابزارهای طراحی ساده ای هستند [12].
توسعه و استفاده ازسیستمهای طراحی چیدمان تسهیلات از دهه های پیش آغاز شده است. یک لیست شاخص ولی غیر جامع از این نرم افزارها شامل CORELAP ، ALDEP ، SPACECRAFT، FLING ، MOCRAFT FactoryOpt, VIP- PlanOpt، و غیره میباشد . با این حال ، روش قطعی در فرآیند طراحی استفاده می شود که برای دامنه ی مسائل ذهنی مناسب نیست . علاوه بر این ، بسیاری از سیستم های موجود یک ماژول به عنوان یک کل و چیدمانهای تولید شده با اشکال نامنظم و غیر واقعی از ماژولهای متضمن تنظیم دستی را عملی نمیکند. علاوه بر این ، ناتوانی سیستم های موجود برای در نظر گرفتن تعداد زیادی از ماژول هل برای تصمیمهای جایگذاری ، یک نگرانی مهم است .
تجربه ما نشان می دهد که VIP-PlantOpt احتمالا قوی ترین و سریع ترین سیستم برای در دست داشتن بیش از 40 ماژول است. علاوه بر این ، با ظهورموارد قابل نفوذی مانند GUI و وب ، تحقیق در خودکار کردن طراحی چیدمان رابط ویژوال به برتری هایی دست پیدا کرده است. برخی از نمونه هایی از سیستم های موجود ADDI ، UIDE هستند . با این حال ، چنین سازندگان رابط ی نوعا یک مجموعه ای از امکانات طراحی فرآیند را مجهز میکنند و پشتیبانی ضعیفی برای ترکیب کردن اولویت های دارای محدوده فراهم میشود .فرآیند نگاشت اشیاء دامنه و خواص آنهابه خواص ویژوال متناظر در طراحی چیدمان به کاربر واگذار میشود. کارهایی در راستای خلق بعضی دانشهای ویژوال برای بهتر شدن این مسئله انجام شده است . با این حال ، ترکیب ذهنی ، اولویتهای مبهم و دوپهلو و خواص آنها هنوز دشوار است.
رویکردهای فوق دارای جوانب مثبت و منفی است، اما به طور کلی ،سیستمهای موجود انعطاف ناپذیر ، کند ، و ناتوان از مقابله با مشکلات در مقیاس بزرگ است. انعطاف پذیری ناشی از منابع مختلفی است که شامل استحکام توابع سازگاری تابع ها به عنوان برتری یک چیدمان است که به وسیله ی بسیاری ازرقابت های ضوابط رسمی و غیر رسمی تعیین شده است . علاوه بر این ، استفاده از حد زیادی از گام های پیش تعریف شده در تولید متناوب چیدمان منجر به انواع فرضیات بی جا و ساده که مانع از جستجو متنوع از فضای راه حل میشود. علاوه بر این ، روشهای دست یابی به داده زمانی مناسب است که داده قابل اعتماد و قطعی یا عکس العملی موجود باشد و قابل تخصیص به فرآیندهای مشخص شده باشد .
با این حال ، اغلب داده ها ممکن است فقط برای بعضی شرایط مدلسازیبا طراحی نامشخص غیرواقعی وجود دارد. تجربه شخصی نویسنده و گسترده آزمون های این متن نشان می دهد که تکنیک های موجود معمولا به دنبال رویکرد بهینه سازی به جای اتخاذ نمونه " تصمیم گیری" ، در طراحی چیدمان است . بنابراین ، راه های موثر تجزیه و تحلیل و تجدید نظر از طریق اختلاط اولویتهای موضوعی و درک ، خلاقیت و مهارت طراحان عملا وجود ندارد.
انواع اهداف ممکن برای در نظر گرفتن اولویت های موضوعی در تولید سریع و به کارگیری آلترنتیوهای برتر چیدمان شامل بررسی انعطاف پذیر توابع سازگاری چند ضابطه ای میباشد. انعطاف پذیری برای فراهم کردن کارآمدی و اثر بخشی به یک سیستم چیدمان اتوماتیک به وسیله خلاقیت و درک و دیگر توانایی های طراح مورد انتظار است . این همچنین ضمانت اجرایی شبیه سازی فرآیند را از طریق تحلیل ، مقایسه و بررسی آلترنتیوهای مختلف معین میکنند . این باید ذکر شود که الگوریتمهای بر پایه ی کامپیوتر نمیتوانند جایگزین قضاوت و تجربه ی انسانی شوند همانطور که آن الگوریتم ها همیشه جنبه های کیفی دامنه را در نظر نمیگیرند . اگرچه اغلب برای افراد ماهر ساده است که به یک آلترنیتیو بنگرند و اظهار نظر کنند که آیا قابل قبول است یا خیر. این به احتمال برخی از مدل های ناقص اشاره میکند که میتواند طراحان چیدمان را در دستوردهی دینامیک های مسئله در حالت کارآمد تشخیص دهد . به این ترتیب ، تاکید تحقیقات ما بردنبال کردن برخی از روشهای عالی نیست بلکه بر توسعه ی ابزاری است که می تواند مکمل دانش ، تجربه ، درک طراحان از طراحی چیدمان باشد.
چارچوب پیشنهادی

صرفنظر از مواد و تاثیر ابزارهای خودکار ، نشانهای تصمیم گیری همیشه نیاز به انتخاب مشکل و فازی بدون دانش جامع از مشخصه های اصلی دامنه و ظرفیت برای تجسم نتایج دقیق را دارند. تحولات اخیر در زمینه نرم افزارهای کامپیوتری ابزارهای قدرتمندی برای از عهده بر آمدن چنین مشکلات پیچیده ای ارائه داده است . اجزای اصلی نرم افزارهای کامپیوتری شامل منطق فازی ، شبکه های عصبی ، الگوریتم ژنتیک ، دلایل احتمالی ، تئوری آشوب و غیره می باشد .این ابزارها با ساختارهای پیچیده و دینامیک های ناقص تعریف شده مسئله طراحی چیدمان سرو کار دارند . نمونه اصلی به مد های محاسباتی مربوط است که در آن دقت فدای مهار شدن ، مقاوم شدن و ساده سازی اجرا می گردد. گذشته از این ، این ابزارها چاره ای برای تقلید کردن توانایی قدرتمند بشر در بیان نمودن دانش بصورت زبانی ارائه نموده اند . این رویکردها ، برای شناخت مدل سازی ، سیستم های هوشمند و هوش مصنوعی مقبولیت پیدا کرده اند ، زیرا این رویه ها به تصمیم گیری های انسانی بسیار شبیه می باشند [2]. دانش در مورد نقاط قوت و ضعف این فناوری ها منجر به ایجاد سیستم های هیبرید همکاری کننده شده است که سیستم های قویتر و مقاوم تری را ارائه نموده اند.
در نتیجه ، ما گزیده هایی برای آزمایش روی این ابزارها برای از عهده برآمدن مسئله طراحی چیدمان در اختیار داریم .
رویکرد ما به مسئله طراحی چیدمان ، ایجاد یک سیستم پشتیبانی و تصمیم گیری طراحی چیدمان هوشمند می باشد و با استفاده از نمونه سیستم ماهر که در شکل 1 نمایش داده شده است . خصوصیات ذاتی نمونه سیستم ماهر که شامل جداسازی دانش دامنه ای از دانش کنترلی ، توانایی تصمیم گیری تحت عدم قطعیت ها ، شرح تسهیلات و غیره می باشد، انتخاب فناوری ما را کمک می سازد . هدف بالا بردن بهره بری طراحان بوسیله آدرس دهی موضوعهای اصلی و فرآیند طراحی چیدمان می باشد .
یک الگوریتم موثر برای تولید آلترنتیو چیدمان برتر مهمترین قدم در این ملاحظه می باشد ، در نتیجه ما از یک سیستم ترکیبی فازی – ژنتیک تولید کننده چیدمان هوشمند برای این مقصود استفاده کرده ایم . علت استفاده از لفظ هوشمند ، بدلیل استفاده از قوانین و اولویتهای فازی برای تعیین جریمه ها و پاداش ها در ارزیابی تابع سازگاری ژنتیک است . بر این اساس ، یک عامل اولویت فازی هسته اصلی چنین سیستمی است . اگر چه ، او لویت ها و قوانین طراحی چیدمان به طور طبیعی بصورت دینامیکی هستند ، همانطور که مردم نمونه های اولیه جدید را یاد میگیرند و ایده های قدیم را پرورش میدهند ، خواسته های طراحان برای بروز رسانی قوانین طراحی را بیا ن میکنند . این طبیعت دینامیکی قوانین پیشنهاد میکنند که یک شبکه عصبیآنلاین بر اساس کشف الگو ها و عامل اعتباردهی باید مقدار بیکرانی برای تولید الگوهای قوانین و اولویت های طراحی در یک رفتار خودکار و خود به روز رسان داشته باشد
وظایف مختلفی که در طراحی چیدمان درگیر است ، شامل انتخاب فضاهای چیدمان میباشد . اگرچه برای هدف این تحقیق فرض شده است که طراحان یک ساختار کلی از فضای طراحی را دارا میباشد و بقیه ی فرآیند نیاز به آرایش فضایی مدولهای مستطیلی در محل قرار گیری مدولها دارند. این مدولهای مستطیلی میتوانند ساختاری در یک چیدمان تسهیلات ماکروسل های VLSL یا تاثیر محصولات در فروشگاه الکترونیکی باشند .
این مقاله قسمتی از سعی و تحقیق در حال پیشرفت که معطوف شده است به تولید تصمیم های هوشمند که به طراحان چیدمان کمک میکند [1] و [3] در این تحقیق روی دو تا از سه اجزای هوشمند ( به نامهای تولید کننده ی چیدمان هوشمند و عامل اولویتهای فازی ) متمرکز شده است .
این به دلیل باور ماست که این دو جزء مقادیر قابل توجهی از خودکار سازی مستدل در تولید و به کار گیری آلترنتیو برتر چیدمان را مجهز میکند و به موضوع اصلی در ساخت کل سیستم دستور میدهد . علاوه بر این ، این دو جزء یک وسیله ی حمل تحقیقات بشر در این جهت را مجهز مینماید. بحث در مورد هر یک از اجزاء سیستم تا حدی در اینجا آورده شده است.
تولید کننده ی چیدمان هوشمند (ILG)

الگوریتمهای ژنتیک در مسئله طراحی چیدمان به روشهای مختلف به کار برده شده است . اگرچه بسیاری از تحقیقات در این زمینه با مسائلی سرو کار دارند که مشتمل بر شناسایی مدول هاست به نحوی که با مسائل به صورت یک تخصیص ساده ی شناسایی مدولها به سلولهای داده شده یا وقتی که نسبت مدولها میتواند تغییر کند ، رفتار میشود . اگرچه ، الگوریتمهای ژنتیک به عنوان یک روش امید بخش در طراحی چیدمان ار طریق تولید مختلف و برتر آلترنتیو چیدمان شناخته شده است . [1] ،[3]
هسته ی این چنین روشهایی بسیار ساده است و مستلزم رفتار نمودن با چیدمان به عنوان مسئله ی کلی به وسیله تعریف " درجه مدول " و " دانش تجربی جایگذاری " برای مکان یابی مدولها در درجه ای که تعیین شده اند.
در نتیجه ، یک الگوریتم جایگذاری موثر و کارآمد برای تولی آلترنتیو چیدمان برتر در زمان معقول حیاتی میباشند . دانش تجربی جایگذاری در نوشته های مختلفی در دسترس میباشند . [5]،[6] . مانند استراتژی پایین – چپ (BL) ، استراتژی فرآیند اختلافی (DP)و غیره . اگرچه ، الگوریتم جایگذاری موجود دارای چندین عقب ماندگی مانند استفاده ی فضایی ضعیف میباشند همان طور که در شکل 3 و 4 نشان داده شده است به علاوه این دانش تجربی فاقد قدرت برای تولید چیدمانهای برتر میباشند که بیشتر متقارن و دارای ارتباط منطقی هستند در نتیجه ما دانش تجربی جایگذاری خاصی را تولید کردیم که برای استراتژیهای موجود در به کارگیری مکانی و کیفیت چیدمان ها بسیار برتر میباشند .
لازم به ذکر است که نیازهای انعطاف پذیری بیش از یک دانش تجربی موثر را برای در دسترس بودن نشانه ی تصمیم گیری فرامی خوانند.
اگرچه ، اینجا ما شرح میدهیم که یک دانش تجربی به نام کمینه نمودن مساحت مستطیل محیطی ( MERA) که برای سیستم ما ایجاد شده است . این دانش تجربی جایگذاری مدول پیشنهاد شده با این حقیقت برانگیخته شده است که برای فضای کل داده شده ، تعداد مدول های در دسترس برای جایگذاری بک عدد صحیح کوچک است . در نتیجه ، انفجار ترکیبی نباید یک مسئله ی ناموجه شود . اگریک تحقیق ساختگی و کامل برای بهبود کاربرد مکانی و کیفیت چیدمان در یک رفتار تجربی به کار گرفته شود . این روش ساختگی و کامل در این جا به صورت خلاصه نشان داده شده است

Step 1: Place module 1 at the bottom- left corner of the page
Step 2: Set OBJ to a big value
Step 3: FOR K = 2 to Blocks (Blocks = no. of modules available for placement)
FOR L = 1 to Nplaced (NPlaced = no. of modules already placed)

FOR A = 1 to 4 (select each corner of module L)
FOR B = 1 to 4 (select each corner of module K)
Place corner B of module MK on corner A of module ML
Check Overlap conditions
Check Boundary conditions
IF No_Overlap_Violation AND No_Boundary_Violation THEN
Calculate the newOBJ
IF newOBJ is less than OBJ THEN
OBJ = newOBJ; SAVE placement of module MK
END B
END A
END L
END K
Step 4: Stop when there is no room for more modules
مطالعات ما برتری MERA را بر BL در کاربردهای مکانی و کیفیت خروجی نشان میدهد . برای نمونه ، اجرای صد توالی تصادفی برای یک مسئله ی به طور تصادفی تعریف شده از 50 مدول نشان میدهد که MERA خروجی برتری را بر طبق ارتفاع بسته ( هر چه پایین تر بهتر) و تنگی مدول (اختلاف بین مساحت مستطیل محیطی و مجموع مساحت مدول ها- هرچه بالاتر بهتر ) نتیجه میدهد . به علاوه یک زوج محقق و شاغل طراحی چیدمان قصد داشتند رتبه بندی آلترنتیو چیدمان بر اساس تشابه در مقیاس 1 تا 10 را تولید کنند . یکبار دیگر MERA امتیاز قابل توجه بالاتری نسبت به BL دریافت نمود . این تشابه نتایج در جدول 1 نشان داده شده است. یک نمونه از تجربیات ما با یک مسئله ی 8 مدوله برای مقایسه دیداری در شکل های 5 و 6 نشان داده شده است. اگرچه این کیفیت بهبود یافته به دلیل زمان محاسبه بیشتر MERA است که چندین برابر زمان محاسبه برای BL میباشد . با این حال کیفیت نتایج و گوناگونی آلترنتیوهای چیدمان آن را به عنوان یک مبادله با ارزش معین نموده است . شرح جزئیات در پیچیدگی محاسبات در هر جای دیگری گزارش شده است به علاوه تولید کننده ی چیدمان هوشمند دانش ماهر و اولویت های کاربر رادر فرآیند طراحی از طریق توابع سازگاری ترکیبی با یکدیگر ترکیب میکنند این توابع سازگاری شامل موضوعاتی از قبیل یادآوری کننده ، ارتفاع کلی ، تنگی مدول ، نسبت تناسب ، تشابه ، تعادل ، چگالی و غیره میباشد.
این توابع سازگاری توابع وزنی مجهز شده با عامل اولویتهای فازی را به کار میگیرند . به کاربر ها در صورت درخواست گزینه هایی برای کنترل دستی این توابع وزنی و قوانین فازی و توابع عضویت داده شده است .چنین رویکردی به فرآیند بهینه سازی چیدمان انعطاف پذیر تر و احاطه کننده تری منجر میشود.
عامل اولویت فازی (FPA)

مغز یک سیستم خبره ، موتور استنتاج است که شامل الگوریتم های کلی قادر به دستکاری و استدلال در مورد دانش ذخیره شده در پایگاه دانش است [13]. لازم به ذکر است که دانش مربوط به حل مسائل طراحی چیدمان معمولا غیر دقیق ، ناقص ، متناقض و نامشخص است. بی صحت بودن به مقادیری اشاره دارد که نمیتوانند به طور درست اندازه گیری شده یا مبهم تعریف شوند ؛ ناقص بودن اشاره به در دسترس نبودن برخی یا تمامی ویژگیهای مقادیر دارد ؛ ناسازگاری به تفاوت یا حتی تناقض در دانش استخراج شده ار متخصصان اشاره دارد عدم قطعیت اشاره به برآورد موضوعی در مورد مقادیر یا اعتبار یک واقعیت یا قانون دارد[2].
نوعا رویکرد های تک کاره مانند تئوری قطعیت برای مدیریت عدم قطعیت در سیستم های خبره سنتی که استدلال تقریبی به کار میگیرند ، استفاده میشود [11] ، [13]. این روش از عوامل قطعیت برای نشان دادن سطح باور به یک فرضیه استفاده میکند که این یعنی یک اتفاق مشخص مشاهده شده است [2]. سایر روش های معمول آماری برای مدیریت عدم اطمینان بر اساس مدارک قانون Bayesian هستند که در احتمالاتی تجدید نظر میکند که با وقایع معینی تحت ظهور مدارک جدیدی درگیراست که عدم قطعیت ها را در سراسر سیستم منتشر میکنند
منطق فازی همچنین به طور موفق برای ارائه و نتیجه گیری دانش موجود در سیستمهای ماهر به کار گرفته شدند . آن به وسیله ی نمایش خیلی طبیعی از ادراک بشری و تطابق پاره ای مجهز شده است . فرآیند تصمیم گیری بشری به طور ذاتی به حس های عمومی و استفاده از بخش های مبهم و غیر معلوم بستگی دارد. به طور امکان پذیر ، بیشتر راهنماها و قوانین طراحی به طور ذاتی غیر معلوم ، رقابتی و حتی ناسازگار هستند در طبیعتی که تکنولوژی فازی را ارائه میکنند که بهترین نامزد برای به کار گیری موتور استنتاج است . به علاوه ، منطق فازی روی عدم دقت وقایع خودش تمرکز میکند در حالی که پارمتر های معین و احتمالات Bayesian مربوط به عدم دقت هایی میباشند که با خروجی یک رویداد درست تعریف شده شریک هستند.
ایده ی اصلی استفاده از عامل اولویت های فازی ای است که مشتمل بر دسته های قوانین و اولویت های فازی برای تعیین پاداش و جزا ها برای تعیین تابع سازگاری میباشد . این توابع سازگاری چند ضابطه ای برای تولید خودکار ، محاسبه و مقایسه آلترنتیو چیدمان مناسبتر از توابع سنتی سازگاری صلب میباشد . در نتیجه انعطاف پذیری زیادی را در فرایند طراحی چیدمان ارائه میدهد.
مفهوم اساسی تئوری مجموعه فازی این است که هر المان به یک مجموعه از فازی دلالت کننده با یک درجه معین عضویت ، تععلق دارد . چنانکه ، یک گزاره نه درست و نه غلط است اما ممکن است با درجه ای درست یا غلط میباشد . این درجه به طور معمول یک عدد حقیقی در بازه [1،0] در نظر گرفته میشود . به عنوان مثال ، خبره ها میتواند اولویت ها را در فضایی که بین مدولها (فضای سفید ) در چیدمان مطلوب است.، با عبارتهای فازی مانند " کوچک" ، "متوط" و بزرگ تشریح کنند . یک مجموعه ی جهانی "X"که به وسیله تابع ìA(x) تعریف شده است به عنوان تابع عضویت MF شناخته میشود ìA(x) : X_ [0, 1]. که در آنìA(x) = 1 است اگر x کاملا متعلق به A باشد وìA(x) = 0 است اگرx در A نباشد و0 < ìA(x) < 1 است اگر x به طور جزئی در A باشد.
یکی از اولین نیازها در کاربرد منطق فازی تعیین توابع عضویت از طریق دانش خبره میباشد . توابع عضویت معمولی که در سیستم های دانش محور فازی مورد استفاده قرار میگیرد توابع ذوزنقه ای و مثلثی میباشد به دلیل این که توابع یک نمایش مناسب از دانش خبره ارائه میدهند و به طور قابل توجه ای فرآیند محاسبات را ساده مینمایند [11]
چنانکه ، ما توابع مثلثی و ذوزنقه ای را در مدل اولیه خود بکار گرفته ایم . قابل ذکر است که پارامتر های مشخصی میتوانند اثر متقابل قابل توجهی با دیگر پارامترهایی داشته باشند که روی بیشتر از یک مقدار تابع وزنی عددی مورد استفاده در فاز ارزیابی چیدمان تاثیر میگزارند.
در نتیجه ، به عنوان جهت تحقیقات آینده، ما قصد داریم که مکانیزم خاصی را از طریق FPA ایی ایجاد کنیم که میتواند چنین اثرات متقابلی و وابستگی ها را بکارگیرد توانایی منطق فازی در فهم ارتباط ورودی و خروجی غیر خطی پیچیده به عنوان ترکیب چندین ارتباط ورودی و خروجی ساده ، میتواند در این ملاحظه بی ارزش قلمداد گردد .
جهت مقاصد کمی ، ما یک مثال ساده را در نظر میگیریم که در آن مقدار " فضای سفید " و " اندازهBin " روی تعداد ماکزیمم " مدولهای Bin " تاثیر میگذارد که ممکن است در یک Bin ساده جایگذاری شود.
این یک پارامتر مهم است که جهت تعیین راندمان و درجه تاثیر کل سیستم تعیین میشود به عنوان مثال ، آن روی طول کروموزوم انتخابی در الگوریتم ژنتیک تاثیر می گذارد که برای تولید خودکار الترناتیو برتر طراحی شده است . آن اثر بسیار زیادی روی بازده و کیفیت نتایج دارد همانطور که ان فضای جستجورا در الگوریتم ژنتیک تعیین می کند. ما یک مسئله ساده " Bin پکینگ" را در نظر گرفتیم که در آن اندازه محدود شده Bin ممکن برخی از مدول ها را در خارج چیدمان نتیجه شده ترک کند . در مثال ما ، سه متغییر زبانی x وy وz را بعنوان "فضای سفید" ،" اندازه Bin " و "مدول Bin "، سه مقدار زبانی A1, A2, و A3 بعنوان "کوچک " ، "متوسط " ، " بزرگ " که بوسیله مجموعه فازی در فضای جهانی X "فضای سفید" معین شده اند ، چهار مقدارزبانی B1, B2,، B3 و B4 بعنوان " کوچک " ، " متوسط "، " بزرگ "، "خیلی بزرگ " که بوسیله مجموعه فازی در فضای جهانی Y "اندازه Bin "معین شده است ، سه مقدار زبانی C1, C2, و C3 که بوسیله مجموعه فازی در مجموعه فضای جهانی Z "مدول Bin " معین شده اند را در نظر می گیریم . توابع عضویت برای این متغییر های زبانی در شکل 7 نشان داده شده اند. ما یک طرح دو ورودی و یک خروجی را در نظر گرفتیم که شامل دو قانون زیر است بعنوان اولین قدم ، ما همه مقادیر ورودی عددی را فازی سازی می کنیم و درجه ای را تعیین می کنیم که این ورودی ها با آن به هر یک از مجموعه های فازی تعلق دارند ورودی عددی x1 (فضای سفید که بوسیله افراد متخصص بعنوان 20درصد نرخ گذاری شده است ) به توابع عضویت A2 و A3 ( متوسط و بزرگ) به ترتیب با درجات 0.6 و 0.2 تعلق دارد . به توابع عضویت B3 و B4 ( بزرگ و خیلی بزرگ ) به ترتیب با درجات 0.15 و 0.5 تعلق دارد . ارزشیابی قوانین با اعمال ورودی های فازی شده به مقدم ها در قوانین فازی سروکار دارند . در اینجا ، از عملگر ( مینیمم ) برای محاسبه عملکرد " OR فازی " و از عملکرد ماکزیمم برای محاسبه " AND فازی " استفاده میکنیم. این نتایج در ذیل آورده شده است :
ì C2(z) = max[ìA2(x), ìB3(y)] = 0.6; ìC3(z) = min[ìA3(x), ìB4(y)] = 0.2.
نتایج محاسبه مقدم ها به توابع عضویت تعالی بوسیله جمع نمودن توابع عضویت تعالی به یک سطح از مقدار درست از قانو مقوم اعمال میگردد. مرحله جمع کردن شامل یکپارچه نمودن خروجی همه قوانین میباشد . در این ملاحظه ، ما از توابع عضویت تعالی بریده شده و قیاس شده استفاده کردیم . این روش است که ما قوانین طراحی چیدمان فازی را محاسبه نمودیم اگرچه خروجی های نهایی FPA نیاز به مقدار عددی برای استغاده در تابع سازگاری دارد مورد استفاده ترین روش " غیر فازی سازی " روش " مرکز سطح" میباشد که در آن یک خط عمودی مجموعه فازی یکپارچه شده را به دو جرم مساوی تقسیم میکند .
با استفاده از روش " ممدانی " در این مثال ، مقدار عددی برای " مدول Bin" حدود 0.27 بدست می آید . مکانیزم استنتاج در شکل 8 نشان داده شده است . در این روش ، تولید کننده چیدمان خودکار خود را با عبارت " مدول Bin " بر اساس اولویت های تجهیز شده بوسیله خبره ها سازگار میکند
آن نشان میدهد که چطور قوانین زبانی مبهم میتواند برای ایجاد مقادیر عددی مفید و مهم مورد استفاده قرار میگیرد . به همین صورت ، FPA میتواند برای تجهیز دیگر پارامترها برای مقاصد بعدی مورد استفاده قرار گیرد. جزئیاتی که در بکارگیری FPA مورد توجه قرار میگرد در جاهای درگر نیز گزارش شده است [1] و[2] . به طور خلاسه ، مطالعه مقدماتی ، نشان میدهد که منطق فازی یک ازار موثر برای استنتاج مکانیزم در طراحی چیدمان میباشد . آن قابلیت انعطاف ، قدرت بیان و توانایی مدل سازی اولویت های مبهم بیشتری را دارد
عوامل کشف الگو ( PDA)
طبیعت دینامیکی و فاعلی اولویت های چیدمان معمولا ایجاد اساس دانش به روز را خنثی میکند . در این ملاحظه ، اهمیت نیازها و انتظارات نشان های تصمیم گیری از طریق آنالیز کمی داده های رفتاری درک ناپذیر نمیتواند بیش از حد مورد تا مورد تاکید قرار گیرد . توانایی شبکه های عصبی هوشمند برای یادگیری مورد های آزمایش میتوانست قوانین را به طور خودکار با فرآیندهای پر هزینه فراگیری دانش اعتباردهی و تجدید نظر ، تجهیز کند.
چنین یادگیری خودکار غیر قابل سنجش و غیر پویای قوانین طراحی ممکن است ناشی از محک چیدمان های برتر و محاسبه و به کارگیری آلترنتیوهای چیدمان توسط افراد خبره و متخصصین در یک اساس در حال پیشرفت باشد . ادقام چنین مکانیزم یادگیری خودکار بازدهی و اثر گذاری فرآیند طراحی چیدمان را بهبود خواهد بخشید . اگرچه در فقدان دو مولفه اصلی فوق الذکر آن میتواند از اولویتها بهرهبرداری کند و عامل کشف کننده ی اولویت ها نمیتواند ساخته و آزمایش گردد . چنانچه در حال حاضر ما روی بهبود ILG و FPA کار میکنیم .
محیط کاربر
محیط کاربر به روشی اطلاق میشود که در آن یک سیتم خبره با کاربر ، محیط و دیگر سییستمهای وابسته مانند پایگاه داده تعامل میکند. یک محیط کاربر تعاملی و کاربر پسند دارای اجزای ضروری برای ارائه ی سیستم به صورت آسان جهت یادگیری و استفاده است . ما یک محیط کاربری گرافیکی برای نمونه ی اولنه ی مان ایجاد کردیم و افراد خبره تاثیر و به افراد مبتدی سادگی در زمینه ی طراحی چیدمان را ارائه می نماید این محیط کاربری توانایی وارد کردن و لغو کردن اولویت ها و تسهیلات را بصورت سریع و آسان و نشان دادن کاربرد دانش محور از الترناتیو های چیدمان را دارا می باشد . محیط کاربر به طراحان اجازه می دهد که مدول ها به داخل و خارج از چیدمان منتقل کنند و آنها را در چیدمان داده شده بازار آیی نمایند در حالیکه مشاهده کننده ها در مدول های مختلف تصویری مناسب تغییر می کنند و راههای آنالیز چیدمان یکسان را در چشم انداز های مختلف مانند توانایی بازتاب روی شهود نشانه های تصمیم گیری ایجاد می نمایند.
یک تصویر از محیط کاربری که چنین کاربردی را تسهیل می کند در شکل 9 نشان داده شده است چنبن محیط تعاملی یک مرحله بحرانی برای موفقیت تمام سیستم ما می باشد .
ابزار تشریح
توانایی پیگیری مسئولیت برای نتیجه گیری به منبع آن برای هر دو انتقال تخصص وحل مسئله بسیار مهم می باشد واحد تشریح می تواند چنین مسئولیتی را پیگیری کند و رفتار سیستم خبره را بوسیله پرسش وپاسخ تعاملی تشریح نماید در واقع توانایی سیستم خبره برای تشریح استدلال علاوه بر توصیه آن یک از مهمترین دلایل انتخاب این نمونه نسبت به دیگر رویکردهای هوشمند برای انجام طرح اولیه ما می باشد. یکبار دیگر محیط کاربری موثر ، تعاملی و خوب طراحی شده یک جزء مهم در توانا سازی وسیله تشریح مناسب است .
اساس دانش
دانش ماده خام اولیه در هر سیستم خبره می باشد بطور معمول استخراج دانش از طریق چرخه عمر تحول سیستم و استفاده آن ادامه می یابد ، مدل مفهومی ازدانش استخراجی به تبدیل شدن به یک فرمت مناسب برای کاربرد کامپیوتری از طریق ارائه دانش نیاز دارد ، دانش سیستم از حقایق و تجربیات یا الگوها تشکیل شده است همچنین از یک دامنه ویژه وابسته و دانش کنترلی لازم برای فهم ، فرمول بندی و حل مسئله تشکیل شده است . راههای مختلفی برای ذخیره سازی و باز یابی اولویت ها و قوانینی وجود دارد که قوانین تولید " اگر – آنگاه " را شامل می شود . این حقیقت که دانش ارائه کننده در شکل چنین قوانین تولیدی سنتی مدول بندی سیستم را ارتقاء می بخشد به ما تذکر می دهد که این رویکرد را وفق دهیم اگر چه ارائه مبتنی بر قانون سنتی براحتی با آلترناتیو تصمیم گیری جدید در یک سیستم خبره ترکیب نمی گردد و بنابر این انعطاف ناپذیری آن را بالقوه می گرداند ، این دلیل دیگری برای انتخاب منطق فازی برای ساخت موتور استنتاج می باشد .
واحد فراگیری دانش
فراگیری دانش انتقال انبوه و تبدیل تخصص حل مسئله از منبع دانش مستند یا خبره به یک برنامه کامپیوتری برای ساختن و گسترش اساس دانش است ، فراگیری دانش یک تنگنای اصلی در ایجاد سیستم تطبیق پذیر می باشد دلیل اصلی آن این است که فعالیت ذهنی که در مرحله زیر شناختی اتفاق می افتد جهت تبدیل شدن به لفظ ، استفاده و حتی مطلع شدن از استفاده رویکرد متفکر فراگیری دانش از افراد خبره بسیار مشکل می باشد در نتیجه وظیفه استخراج دانش از افراد خبره بسیار وقت گیر و خسته کننده است در نتیجه ما به سیستم خودمان برای داشتن توانایی استخراج دانش دستی و خودکار توجه نمودیم اگر چه استخراج دانش خودکار در طول دوره حاضر در این تحقیق مورد استفاده قرار نمی گیرد، در حال حاضر سیستم اجازه تلفیق و کاربرد مجموعه های فازی و توابع عضویتی را می دهد که فراگیر دانش زبانی بیشتری را قادر می سازند.

فلسفه و اشتراک مولفه های هوشمند
IL-DSS با سیستم های خبره سنتی از طریق سه مولفه هوشمند به نامهای ILGو FPA و PDA تفاوت دارد ما اعتقاد داریم اهمیت فلسفه و اشتراک این مولفه های هوشمند شایسته بحث بیشتری می باشد ، بعنوان یاد آوری حاضر ، ILG آلتر ناتیوهای چیدمان برتر را بر اساس محدودیت ها و اولویت های از پیش تعیین شده و بوسیله کاربر تعیین شده تولید می کند و FPA دانش نرم افزاری را در موتور استنتاج ترکیب می نماید .یک PDA می تواند ILG و FPA را از طریق کشف و پالایش قوانین و اولویت ها بصورت خودکار با استفاده از شبکه عصبی مصنوعی آنلاین کامل نماید .
اشتراک ILG و PDAو FPA پیشنهاد شده در شکل 2 نشان داده شده است FPA قوانین و اولویت های فازی را از منابع مختلف از قبیل خبره های این زمینه ، اساس دانش و PDA دریافت می کند این قوانین و اولویت های فازی بوسیله FPA که توابع عددی را برای استفاده در ILG تجهیز می کنند ، غیر فازی می گردد ILG ، به نوبه خود آلترناتیو های چیدمان برتر را برای ملاحظه و کاربرد بیشتر طراحان تولید می نماید . آلترناتیو های چیدمان برتر که بوسیله ILG تولید شده اند می توانند بوسیله کاربر یا PDA مورد اعتبار سنجی قرار گیرد بعنوان یاد آوری ILG و FPA بدلیل نقش با اهمیت در فرآیند خودکار طراحی چیدمان دو جزء اصلی در IL-DSS می باشند این دو جزء می توانند پشت سر هم با PDA کار کنند تا توان این سه روش محاسبه نرم افزاری مهمی را با هم ترکیب کنند که جنبه های مکمل مختلفی از هوش بشری که نیاز و دستگیری مسئله را دارند نشان می دهد . قدرت واقعی بوسیله اشتراک اشاعه می یابد و سعادت همکاری سیستم خبره با منطق فازی ، الگوریتم ژنتیک و محاسبات عصبی سازگاری ، مقاومت ، تلرانس نقص و سرعت سیستم های دانش محور را بهبود می بخشد PDA نمی تواند بدون مولفه های اساسی مانند ILGو FPA در محل خود ایجاد و آزمایش گردد.
در نتیجه ما ابتدا روی ILG و FPA کار کرده ایم و سپس با یک اشتراک از پایین به بالا با ILG که هدف اصلی دنبال شده بوسیله FPA است ادامه داده ایم ما قصد داریم که توسعه و ادغام PDA با ILG و FPA را در مراحل بعدی در دست اقدام داشته باشیم .

خلاصه
انگیزه این کار بطور اصلی بدلیل نارسایی تصمیم گیری ، طراحی و کمک های دستورالعملی موجود برای طراحان چیدمان می باشد برای پاسخگویی به این نیاز ها ما یک چارچوب برای ایجاد سیستم پشتیبانی تصمیم گیری طراحی چیدمان هوشمند تعاملی با استفاده از نمونه سیستم خبره معرفی نمودیم . این چارچوب از یک تولید کننده طراحی چیدمان هوشمند تشکیل شده است که اولویت های عددی را از یک عامل اولویت فازی دریافت می کند عامل اولویت فازی به نوبه خود اولویت ها و قوانین عامل را از منابع دانش مختلف تعیین می کند بعلاوه این چارچوب تولید و بکار گیری دانش محور از آلترناتیو چیدمان برتر را پشتیبانی می کند . قید های زمان معمولی و فرکانس به روز رسانی که برای تهیه چیدمان مورد نیاز است سیستم نمونه و پیشنهادی را بعنوان یک ابزار برتر و ضروری توجیه می کند . نقطه قوت این تحقیق ایجاد ابزاری است که می تواند دانش ، تجربه و شهود طراحی طراحان چیدمان را تکمیل نماید آزمایش های اولیه و نمونه IL-DSS ما سرعت و کیفیت بالای خروجی را نشان می دهد بعلاوه این وسیله جهت تحقیقات آتی و تلاشهای آموزشی در این جهت مهم می باشد اگر چه اخطار این است که IL-DSS می تواند منجر به نتایجی موسوم به اثر لنگری گردد تمایل به تصمیم گیری بر اساس تنظیمات ناکافی تخمین های متوالی از تخمین اولیه که بعنوان لنگر عمل می کند اثر لنگری نام دارد اگر چه مزایای بالقوه سیستمی مانند IL-DSS کاستی های آن را جبران می کند بعلاوه این کاستی ها می تواند با کمی ملاحظه و فکر خلاق که لازمه هر فرهنگ تصمیم گیری است به آسانی رفع گردد . این مقاله می تواند پژوهش گران و شاغلان در زمینه طراحی چیدمان را به فهم بهتر از ابزارها وایده ها در مسئله طراحی چیدمان مجهز گرداند بعلاوه انتظار می رود که این تحقیقات در زمینه طراحی چیدمان را شبیه سازی کند و دیگر زمینه های متصور برای چنین رویکردهای حل بین رشته ای را شناسایی کند بعنوان کار آتی ما قصد داریم که ILG را برای پشتیبانی تولید چیدمان در چندین سناریو تغییر دهیم کشف اولویت خودکار و توانایی در نظر گرفتن وابستگی و بر هم کرنش اولویت های مختلف در مکانیزم استنتاج کننده تحقیقات سودمند و چالش بر انگیزی را در آینده ایجاد خواهد نمود.
منابع


1. A.R. Ahmad, O. Basir, K. Hassanein, “Intelligent Expert System for Decision Support in the Layout
Design”, Working Paper, Systems Design Engineering, University of Waterloo, 2004.
2. A.R. Ahmad, O.Basir, K.Hassanein, “Fuzzy Inferencing in the Web Page Layout Design”, Proc. of the
1st Workshop on Web Services: Modeling, Architec. & Infrastructure, France, pp. 33-41, April 2003a.
3. A.R. Ahmad, O. Basir, K. Hassanein, “Efficient Placement Heuristics for Ge netic Algorithm based
Layout Optimization”, Working Paper, Systems Design Engineering, University of Waterloo, 2003b.
4. E. L. Blair, S. Miller, “An interactive approach to facilities design using microcomputers”, Journal of
Computers in Industrial Engineering, Vol. 9, pp. 91-102, 1985.
5. K.A. Dowsland, S. Vaid, W.B. Dowsland, “An algorithm for polygon placement using a bottom-left
strategy”, Euro J of Op Res., Vol. 141 (Special issue on cutting and packing), pp. 371-381, 2002.
6. M.G. El-Said, G. Fischer, S.A. Gamael-Din, M. Zaki, “ADDI: A tool for automating the design of
visual interfaces”, Computers & Graphics, Vol 21, No. 1, pp. 79-87, 1997.
7. Engineering Optimization Software Inc., “VIP-PLANOPT: A Visual Tool for Automating the Design
of Facilities Layout”, www.PlanOpt.com, 2003.
8. M.R. Garey, D.S. Johnson, “Computers & Intractability”, W.H. Freeman Press, New York, 1979.
9. M.M.D. Hassan, G.L. Hogg, “On constructing the block layout by graph theory”, International Journal
of Production Research, vol. 32, No. 11, pp. 2559-2584, 1994.
10. M. Mir, M.H. Imam, “A hybrid optimization approach for layout design of unequal-area facilities”,
Computers and Industrial Engineering, Vol. 39, 2001.
11. M. Negnevitsky, “Artificial Intelligence: A Guide to Intelligent Systems”, Pearson, Sydney, 2002.
12. J.A.Tompkins, J.White, Y.A.Bozer, et al., “Facilities Planning”, 3rd Ed., John Wiley, NY, 2002.
13. E.Turban,J.Aronson,“Decision Support Systems & Intelligent Systems”,6th ed.,PrenticeHall,NJ, 2001.
14. Unigraphics Solutions Inc., “VisFactory and FactoryOpt”, www.ugs.com, 2003.
15. R. Lee, J-M.Moore, “CORELAP-computerized relationship layout planning”, Journal of Industrial
Engineering, Vol. 18, No. 3, pp.195-200, 1967.
16. T.W. Leung, C.K. Chan, M.D. Troutt, “Application of a mixed simulated annealing-genetic algorithm
heuristic for the two-dimensional orthogonal packing”, Euro.J. of Op. Res, Vol. 145, pp. 530-542, 2003.
17. D. S. Johnson, M. R. Garey e F. R. K. Chung, “On packing two-dimensional bins”, SIAM J. Alg. Disc.
Meth. Vol. 3, pp. 66-76, 1982.
18. J.A. Svestka, “MOCRAFT: a professional quality microcomputer implementation of craft with
multiple objectives”, Computers & Industrial Engineering, 1990, Vol. 18, No. 1, p. 13-22.
19. J. Foley, W. Kim, S. Kovacevic, and K. Murray, “UIDE-An Intelligent User Interface Design
Environment”, In J W Sullivan and S.W. Taylor (Eds.), Intelligent User Interface, ACM, NY, 1991.
20. J.M. Seehof, and W.O.Evans, Automated layout design programme, Journal of Industrial Eng., Vol.
18, No. 12, pp. 690-695, 1967

منبع (http://www.njavan.com/forum/redirector.php?url=http%3A%2F%2Fwww.ksna.ir%2Farti cles%2Fengineering%2Findustry%2F3070--qfd.html)

استفاده از تمامی مطالب سایت تنها با ذکر منبع آن به نام سایت علمی نخبگان جوان و ذکر آدرس سایت مجاز است

استفاده از نام و برند نخبگان جوان به هر نحو توسط سایر سایت ها ممنوع بوده و پیگرد قانونی دارد