ABSTRAK

Masalah untuk mendapatkan model parsimoni yang secukupnya bagi

mewakili sistem dinamik dengan keupayaan ramalan yang baik adalah objektif

utama dalam pemodelan system dinamik. Oleh itu, kesilapan ramalan dan kerumitan

model adalah dua fungsi objektif yang perlu dioptimumkan. Kajian ini memaparkan

algoritma evolusi yang dilaksanakan sebagai pengoptimuman multi-objektif untuk

mencapai objektif-objektif di atas. Salah satu masalah utama dalam pemodelan

sistem dinamik adalah untuk memilih model yang minimum daripada sebahagian

besar kemungkinan model. Kajian ini bertujuan untuk meperlihatkan keperluan

algoritma pengoptimuman multi-objektif dengan membandingkan ia dengan

algoritma tunggal objektif pengoptimuman. Dalam kajian ini, dua jenis algoritma

pengoptimuman digunakan dalam pemodelan sistem diskret masa. Ini adalah

algoritma genetik penyusunan tak dominan (NSGA-II) untuk pengoptimuman multi-

objektif dan algoritma genetik yang diubahsuai (MGA) untuk pengoptimuman

tunggal objektif. Data sistem disimulasi dan system sebenar dikaji untuk

perbandingan dari segi ketepatan model ramalan dan kerumitan model. Keputusan

menunjukkan kelebihan algoritma pengoptimuman multi-objektif berbanding dengan

algoritma tunggal objektif pengoptimuman dalam membangunkan model yang

bersesuaian dan parsimoni untuk sistem diskret masa. Sebuah algoritma baru yang

berdasarkan algoritma multi-objektif pengoptimuman untuk pemilihan struktur

model telah dicadangkan iaitu multi-objektif pengoptimuman dengan menggunakan

DE (MOODE). Ia dibandingkan dengan algoritma genetik penyusunan tak dominan

(NSGA-II) untuk pemilihan struktur model dalam pemodelan system dinamik.

Keputusan menunjukkan bahawa MOODE adalah lebih baik daripada NSGA-II. Dua

kajian kes telah dipertimbangkan dalam kajian ini untuk menyiasat keberkesanan

algoritma yang dicadangkan iaitu sistem rasuk fleksibel dan enjin diesel automotif.

Akhirnya, ujian kesahihan model digunakan untuk memilih model akhir untuk

mewakili sistem dinamik.