ارائۀ سيستم پشتيباني تصميم نوين به‎منظور موازنۀ هزينه ـ انتشار دي‌اكسيدكربن گسسته در پروژه‌هاي ساخت: كاربردي از الگوريتم ژنتيك الگوبرداري

A Novel Decision Support System for Discrete Cost-CO2 Emission Trade-off in Construction Projects: The Usage of Imitate Genetic Algorithm

در وضعیت پررقابت امروزی، اگرچه صنعت ساخت‎وساز با فشارهای زیادی برای برآوردن انتظارات مشتریان روبه‎روست، بودجه‎های كمتری در اختیار دارد. حال آنكه در سال‌های اخیر، این صنعت به ایجاد دامنۀ وسیعی از مشكلات زیست‌محیطی، ازجمله مصرف زیاد منابع جهان و آلوده‎كردن محیط اطراف متهم شده است. بر اساس آمارهای منتشرشده، صنعت ساخت‎وساز یكی از صنایع اصلی تولید گازهای گلخانه‌ای جهان است؛ از این رو، با توجه به حساسیت‌های روبه‌رشد در زمینۀ محیط ‌زیست و قابلیت‌های توانمندساز سیستم‌های پشتیبان تصمیم‌گیری، این مقاله به ارائۀ نوعی سیستم پشتیبانی تصمیم مبتنی بر الگوریتم ژنتیك در مسئلۀ تصمیم‌گیری موازنۀ میان هزینۀ انجام پروژه­های ساخت و میزان انتشار دی‌اكسیدكربن حاصل از اجرای آن در فضای گسسته می­پردازد. الگوریتم پیشنهادی، الگوریتم ژنتیك الگوبرداری نام­گذاری شده است. برای اعتبارسنجی الگوریتم مذكور، نتایج حاصل از اجرای آن برای حل 108 مسئلۀ نمونه با اندازه‌های مختلف با عملكرد الگوریتم ژنتیك كلاسیك، مقایسه شده است. نتایج حاصل، گویای برتری رویكرد ارائه‌شده در مقایسه با الگوریتم ژنتیك كلاسیك است.

Under an intensive competitive environment, the construction industry is facing pressure to meet the higher customer expectations under a tighter budget. On the other hand, construction is one of the main sectors generating greenhouse gases. According to published statistics, construction industry is one of the most important resources of greenhouse emissions in the world. Therefore, based on the growing attention to the environment situation and according to the enabler capabilities of the decision support systems, in this paper, a genetic algorithm-based decision support system for solving a trade-off problem between the cost and the amount of CO2 emissions in construction projects is proposed. The genetic algorithm proposing here, is the new algorithm, named “imitate genetic algorithm”. For showing the reliability of the proposed algorithm, the results of its application have been compared with the results of classic genetic algorithm for 108 problems with different sizes. The results show the excellence of the proposed algorithm in comparison with classic genetic algorithm.