انجمن علمی مهندسی صنایع

مدتی پیش سر کلاس یکی از استادان برجسته مهندسی صنایع بودم که بحث به حاشیه های علمی و البته مرتبط با درس کشیده شد.استاد در خصوص مسائل بهینه سازی و عاجز ماندن بشر در حل برخی مسائل پیچیده آن صحبت می کرد و به این نکته اشاره داشت که کلید حل بسیاری از این مسائل پیچیده و گاها حل نشدنی در طبیعت وجود دارد. از این رو بشر ناگزیر بوده تا با دقیق شدن در طبیعت اطراف خود و حتی نوع زندگی و رفتار موجودات زنده راه حل هایی را برای مسائل پیچیده خود پیدا کند که شاید بیشتر به دلایل فلسفی شبیه باشد. موضوع در ابتدا کمی عجیب به نظر می رسد، ولی واقعیت اینگونه است. نکته اینجاست که در پیدا کردن جواب بهینه، گاهی اوقات به پیچیدگی ها و یا محدودیت های گوناگونی برمی خوریم که یافتن راه حل بهینه به روابط اثبات شده و ریاضی و یا تجربی قابل انجام نیست. در این زمان شبیه سازی موثرترین راه برای کشف حل مسئله است. به این دقت کنید که گاهی مسئله آنقدر بااهمیت است که عدم یافتن مسیر بهینه می تواند لطمه ها و ضررهای هنگفت و جبران ناپذیری را به سیستم وارد کند. شبیه سازی علم و هنر ساختن نمایشی )مدلی( از یک پروسه یا سیستم است که به منظور ارزیابی و آزمایش راهبردها انجام می گیرد. به عبارت دیگر شبیه سازی روشی برای آگاهی از نتایج ایده های پیشنهادی قبل از اجرای آنها است. اینکه چه زمان باید شبیه سازی را انجام داد نیز از اهمیت زیادی برخوردار است. معمولا در شرایطی که تجزیه تحلیل جبری میسر نمی باشد )سیستم های غیرقطعی، سیستم های پویا، سیستم های پیچیده( و نیز در شرایطی که امکان آزمایش در دنیای واقعی وجود ندارد شبیه سازی صورت می گیرد. به جز الگوریتم های احتمالی و الگوریتم های ترکیبی که هر کدام جوا بها نزدیک به بهینه را برای ما مشخص می کنند، می توان الگوریتم هایی را پذیرفت که هیچ تضمینی در ارائه جواب ندارند اما بر اساس شواهد و سوابق نتایج آنها، به طور متوسط بهترین تقابل کیفیت و زمان حل برای مسئله مورد بررسی را به همراه داشته اند؛ به این الگوریتم ها، الگوریتم های هیوریستیک گفته می شود. هیوریستیک ها عبارتند از معیارها، رو شها یا اصولی برای تصمیم گیری بین چندین خط مشی و انتخاب اثربخش ترین برای دستیابی به اهداف موردنظر. هیوریستیک ها نتیجه برقراری اعتدال بین دو نیاز هستند؛ نیاز به ساخت معیار های ساده و در همان زمان توانایی تمایز درست بین انتخا بهای خوب و بد. به عنوان مثالی دیگر از استفاده هیوریستیک ها، یک استاد بزرگ شطرنج را در نظر بگیرید که با انتخاب بین چندین حرکت ممکن روبرو شده است. وی ممکن است تصمیم بگیرد که یک حرکت خاص، اثربخش ترین حرکت خواهد بود، زیرا موقعیتی فراهم می آورد که به نظر می رسد بهتر از موقعیت های حاصل از حرکت های دیگر باشد. به کارگیری معیار به نظر می رسد خیلی ساده تر از تعیین دقیق حرکت یا حرکاتی خواهد بود که حریف را مجبور به مات کند. این واقعیت که اساتید بزرگ شطرنج همواره پیروز بازی نخواهند بود نشان دهنده این است که هیوریستیک های آنها انتخاب اثربخش ترین حرکت را تضمین نمی کنند. نهایتا وقتی از آنها خواسته می شود که هیوریستیک خود را تشریح نمایند آنها فقط توصیفی ناقص از قواعدی ارائه می دهند و به نظر خود آنها، انجام آن قواعد از توصیف آنان ساده تر است. از اواسط دهه هفتاد میلادی موج تاز های از رویکردها آغاز شد. این رویکردها شامل الگوریتم هایی است که صریحا یا به صورت ضمنی تقابل بین ایجاد تنوع جستجو )وقتی علائمی وجود دارد که جستجو به سمت مناطق بد فضای جستجو می رود(  و تشدید جستجو )با این هدف که بهترین جواب در منطقه مورد بررسی را پیدا کند(  را مدیریت می کنند. این الگوریتم ها متاهیوریستیک نامیده می شوند و شامل مواردی از جمله بازپخت شبیه سازی شده، جستجوی ممنوع، الگوریتم های ژنتیک، شبک ههای عصبی مصنوعی، بهینه سازی مورچه ای یا الگوریتم های مورچه. در این میان الگوریتم های مورچه از جالب ترین الگوریتم های متاهیورستیک است. الگوریتم های مورچه برای اولین بار توسط “دوریگو” و همکارانش به عنوان یک راه حل چند عامله Multi Agent ) ) برای مسائل مشکل بهینه سازی ترکیبی ارائه شد که کاربردهایی در مسائلی از جمله مسیریابی وسائل نقلیه، مرتب سازی ترتیبی، رنگ کردن گراف، مسیر یابی در شبکه های ارتباطی و … دارد. این الگوریتم از رفتار اجتماعی مورچه ها به خصوص در پیدا کردن کوتاه ترین مسیر بین منبع غذایی و لانه )که خود یک راه حل بهینه است( برگرفته می شود. هنگامی که مورچه ها به سوی منابع غذایی یا بر عکس از منابع غذایی به سوی آشیانه حرکت می کنند روی زمین ماده ای را ترشح می کنند که نام آن فرمون است و به این وسیله یک دنباله از فرمون را شکل می دهند. مورچه ها می توانند فرمون را بچشند و وقتی که راه خود را انتخاب می کنند احتمالاً راهی را انتخاب می ک‌نند که دارای تمرکزفرمون زیادتری است. دنباله فرمون، مورچه ها را قادر می سازد تا راه خود را به سوی منابع غذایی یا به سوی آشیانه پیدا کنند. همچنین این دنباله فرمون می تواند توسط مورچه های دیگر برای پیدا کردن موقعیت غذایی پیدا شده توسط هم آشیانه های آنها مورد استفاده قرار گیرد. به طور تجربی مشاهده شده است که این رفتار پیروی از دنباله فرمون می تواند پیشرفته تر باشد و توسط یک کلونی از مورچه ها برای پیدا کردن کوتاه ترین مسیر مورد استفاده قرار گیرد. به طوری که وقتی که تعداد زیادی مسیر از آشیانه به منابع غذایی وجود دارد، یک کلونی از مورچ هها می توانند از دنباله های فرمون در جهت پیدا کردن کوتاه ترین مسیر از آشیانه به منابع غذایی و بر عکس با دنبال کردن دنباله های باقی مانده از یک مورچه خاص، استفاده کنند. کلونی مورچه ها نمونه ای از استفاده از علم متاهیورستیک در به دست آوردن جواب بهینه مسائل پیچیده است. در هر صورت سیستم های طبیعی و دقت در نوع کارکرد آنها نتایج خوبی را برای بشر به همراه داشته، تا آنجا در بسیاری موارد عصای دست او برای حل مسائل علمی و ریاضی بوده و هست.