گردآورنده : احمد احتیاطی، دکتری فناوری مواد غذایی
بهینه سازی یا بهینه یابی، نیاز صنعت
مفهوم بهینه سازی، رسیدن به ساختار و فرایندی است که نزدیک ترین حالت به اهداف مورد نظر و بیشترین بهره وری باشد. این اهداف گاهی صرفا یک هدف و در عمده موارد چند هدفه است. بهینه سازی باید در محدوده تعریف شده و اصطلاحا قید ها انجام شود و کمک می کند تا با صرف حداقل هزینه، بهترین نتیجه در دسترس حاصل شود. بهینه سازی در صنعت غذا، یک راه حل مشخص ونهایی ندارد زیرا تابع عوامل متعددی است و صرفا در محدوده دانش موجود قابل انجام است. بهینه سازی به این دلیل انجام میشود که در عمده موارد، تغییر فرایند به نفع یک هدف، با از دست دادن سایر ویژگی ها، همراه است. در این شرایط، یافتن نفطه ای که بیشترین حد از همه اهداف را فراهم سازد، چالش اصلی تکنیک بهینه سازی و یا به نقلی دیگر، بهینه یابی است.
ساختار کلی بهینه سازی
به طور کلی، بهینه سازی، چه به لحاظ فرمولاسیون و چه فرایند، در سه مرحله انجام می شود. مرحله اول شناخت محصول و تعیین اهداف یا حد ویژگی های مورد نظر است. مرحله دوم، کسب دانش در ارتباط با اثر عوامل بر ویژگی های مورد نظر است که با انجام آزمایش ها، تحلیل آماری و تعیین مدل های پیش بینی کننده انجام میشود. در نهایت در مرحله سوم، با کمک الگوریتم های بهینه سازی، مدل ها، تجمیع و شرایط بهینه تعیین میشود.
تعیین مدل های پیش بینی کننده
احتمالا اساسی ترین مرحله در بهینه سازی فرمولاسیون و فرایند، تعیین مدل های پیش بینی کننده است. ایجاد مدل های با قدرت پیش بینی بالا، تنها با کسب داده های دقیق آزمایشگاهی و در قالب طرح های آزمایشی مناسب قابل انجام است. پس از تهیه طرح آزمایشی و جمع آوری داده های کافی، مدل های رگرسیونی و یا تجربی- تحلیلی تعیین می شود. مرحله مدلسازی، مرحله ای حساس است که نیازمند بکارگیری تکنیک صحیح مدلسازی و جلوگیری از ایجاد حافظه در مدل است. در برخی موارد که حجم داده ها، زیاد باشد و متغیر های اولیه و پاسخ های زیادی، موجود باشد، مدل های شبکه عصبی ترکیب با منطق فازی، برای تهیه یک مدل جامع ممکن است، ایده مناسب تری باشد. با این حال، بالاترین قدرت پیش بینی، مربوط به مدل های خطی خواهد بود.
اهداف و الگوریتم های بهینه سازی
پس از ایجاد مدل، بهینه سازی با استفاده از الگوریتم های بهینه سازی انجام می شود. الگوریتم بهینه سازی، الگوریتمی است که کمینه عدد هدف را پیدا می کند. عدد هدف، در واقع ترکیب ریاضی از مدل های پیش بینی کننده، بر اساس اهداف مورد نظر است. یک مثال ساده، بهتر این موضوع را توضیح می دهد. فرض کنیم هدف بهینه سازی، یافتن دمای یک خشک کن برای یک محصول مشخص، با هدف کمترین رطوبت نهایی، کمترین زمان خشک کردن و کمترین میزان تیرگی باشد. برای چنین مساله ای، هر دمایی ممکن است برای یکی از اهداف مناسب باشد. لذا، در اینجا با یک بهینه سازی سه هدفه روبرو هستیم. پس از تعیین مدل های پیش بینی کننده هر یک از ویژگی ها بر اساس متغیر دمای خشک کن، یک تایع هدف به شکل حاصل ضرب همه مدل های پیش بینی کننده تعریف می شود. با اعمال الگوریتم بهینه یابی، دمای خشک کن که کمترین مقدار تابع هدف را داشته باشد، نتیجه بهینه یابی خواهد بود. اگر در بهینه سازی چند هدفه، بعضی از اهداف، دارای اهمیت بالاتری باشند، با اعمال ضرایب روی مدل پیش بینی کننده، بهینه سازی به سمت هدف مورد نظر میل خواهد کرد.
محدودیت ها یا قید ها در بهینه سازی
هر بهینه سازی، مقید به محدوده آزمایش است. برای مثال خشک کن، دمای بهینه سازی به دست آمده تنها در محدوده دمای مورد مطالعه، مورد قبول است. در ارتباط با فرمولاسیون های غذایی، دومین عامل محدود کننده، استاندارد های ملی و بین المللی است. برای مثال، محصول نهایی باید از نظر پارامتر های شیمیایی در محدوده تعریف شده در استاندارد محصول مورد مطالعه باشد. در این موراد، پارامتر های شیمیایی، در هنگام بهینه سازی به قید “در محدوده” تعریف می شود. سومین عامل محدود کننده در بهینه سازی، هزینه تمام شده فرمولاسیون است که نیاز به مدل پیش بینی کننده ندارد و فرمول محاسباتی معینی دارد با این حال در بهینه سازی به صورت یک قید محاسباتی درج می شود.
