كاربرد مدل رياضي چند سطحي چند هدفه در تعيين ميزان بهينه عوامل كيفي موثر بر كيفيت تزريق پلاستيك با استفاده از روش‌شناسي رويه پاسخ دوگان فازي:

Application of Multi-level, Multi-objective Mathematical Model to Determine the Optimal Level of Effective Quality Factors on Quality of Plastic Injection and Using Fuzzy Dual Response Surface Methodo

يكي از روش‌هاي كاربردي براي مدلسازي و حل مسايل بهينه‌سازي، روش شناسايي سطح پاسخ است. روش سطح رويه پاسخ مجموعه‌اي از ابزارها براي برازاندن يك سطح براي مجموعه‌اي از داده‌ها و تعيين سطوح بهينه مي‌باشد، اين روش از يك مدل رگرسيوني براي بهينه‌سازي مسايل استفاده مي‌كند. گروهي از مسايل دنياي واقعي شامل تعيين مقادير بهينه براي دسته‌اي از متغيرهاي ورودي جهت دستيابي به سطوح دلخواه از متغير خروجي (متغيرها يا متغير سطح پاسخ) مي‌باشند. در اين مقاله با توجه به اهميت به سزاي چهار عامل زمان خنك شدن، فشار تزريق، سرعت تزريق و دماي هيتر به عنوان متغيرهاي ورودي مستقل قابل كنترل بر سطوح پاسخ كيفي و كمي مورد نظر (به صورت توام و همزمان)، بر رابطه بين متغيرهاي ورودي و متغيرهاي سطح پاسخ با استفاده از مدل رگرسيون غيرخطي تعيين شدند. متغيرهاي پاسخ به صورت قطعي و فازي بودن و به همين دليل براي ايجاد مدل رگرسيون از مدل‌هاي رياضي چند‌سطحي و روش‌شناسي رويه پاسخ دوگان فازي استفاده شده است. سپس مقدار بهينه هر يك از عوامل با استفاده از الگوريتم متاهيورستيك تغيير يافته به منظور حل اين نوع مدل‌ها به‌دست آمده است.

One of the applicable techniques, used for modeling and solving optimization problems, is response surface methodology (RSM). It is a collection of tools for fitting a surface to a set of data, and determines the optimal levels. This method uses a regression model for optimization of problems Some real world problems include determining the optimum values of input variables in order to obtain the desired levels of output variable (response surface variable). This paper considers the importance of four factors: cooling time, pressure of injection, injection speed and heater temperature as the independent input variables for the variables of effective input factors and the response surface quantity and qualitative variable (twin and concurrently) in relation between the input variables and the response surface variables with the nonlinear regression model. Response variables would be crisp and fuzzy; for this reason, we used bi-level programming and fuzzy dual response surface methodology. Then the optimal value of each parameter is obtained by meta-heuristics algorithm (NSGA-II).