نویسندگان:

محسن ظهیری¹ ، زهرا سلامی شهیدی² ، محسن جلالی³ .

¹دانشجوی، کارشناسی ارشد گروه مدیریت مشهد دانشگاه آزاد اسلامی مشهد ایران

²دانشجوی ، کارشناسی ارشد گروه مدیریت مشهد دانشگاه آزاد اسلامی مشهد ایران

³عضو هیات علمی تمام وقت گروه مدیریت واحد مشهد دانشگاه آزاد اسلامی مشهد ایران

چکیده فارسی: نخستین الگوریتم با استفاده از استراتژی های بهینه سازی چند منظوره کلاسیک MOO بطور غیر مستقیم اختلالات فیزیکی را از طریق طول مسیر و تعداد گام های رایج در پروسه تحقیق بررسی می کند دومین الگوریتم یک الگوریتم تکوینی تک منظوره GA است که فاکتور Q را برای ارزیابی امکان اجرای محلول RWA منتخب به کار می برد فاکتور Q در هر تکرار الگوریتم در یک شیوه خود یادگیری به منظور ارزیابی شایستگی هر محلول برای مسئله RWA و راه انداز تکامل جمعیت استفاده می شود نتایج پیشرفت نشان داده است که ملاحظه طول مسیر و تعداد گام های رایج برای بررسی غیر مستقیم اختلالات، یک راه حل موثر برای مسئله IA RWA ارائه می دهد عملکرد جهش برای موفقیت آمیز بودن الگوریتم های جهش، بسیار تعیین کننده می باشد، زیرا مسیرهای جستجو متنوعی ایجاد کرده و باعث اجتناب از همگرایی به نقاط بهینه محلی می شود الگوریتم های ژنتیک ابتدایی، صرفا از یک عملگر جهش برای تولید نسل بعدی، استفاده می کنند هر مساله، و حتی هر مرحله از پروسه ژنتیک در یک تک مساله، ممکن است نیازمند عملگرهای جهش متفاوت مناسب، جهت کسب بهترین نتایج باشد تعیین این که کدام عملگر جهش می بایستی به کار گرفته شود، بسیار دشوار بوده و معمولا با تجربه یا سعی و خطا حاصل می شود این مقاله الگوریتم ژنتیکی جدیدی را برای رفع این مشکلات، معرفی می نماید؛ در شبکه های WDM شفاف بصری آینده، کیفیت سیگنال ارسال QoT ناشی از اختلالات لایه فیزیکی کاهش خواهد یافت در این مقاله، ما دو الگاریتم تکوینی را برای حل مشکل RWA آگاهانه اختلال آماری IA RWA بوسیله محاسبه اثر اختلالات فیزیکی در پروسه بهینه سازی پیشنهاد می کنیم در حالی که در جستجوی کانال طول موج و مسیر ارسال بهینه هستیم

کلمات کلیدی: فرزند ، نسل ، الگوریتم ژنتیک ، بهینه سازی ، جهش دینامیک ، میزان برازش ، نسبت جهش ، ازدواج .