الگوریتم های موازی ناهمگون برای حل مسایل بهینه سازی فضای پیوسته

بهینه سازی در واقع شامل حل یک مساله تصمیم گیری، شامل انتخاب مقادیر برای متغیر های مساله با در نظر گرفتن یک هدف است. روشها و الگوریتم های متفاوتی برای حل مسایل بهینه سازی ابداع شده اند. به کار بردن دو یا چند روش برای حل یک مساله بهینه سازی به شکلی که همکاری بین روشها نتیجه بهتر و سریعتری را عاید ما سازد همیشه مورد توجه بوده است. این ایده به خصوص با ورود روش های جدید به حیطه بهینه سازی تقویت شد. برای ترکیب الگوریتم های مختلف با یکدیگر روشهای متفاوتی به کار برده شده است استفاده از عمگرهای یک الگوریتم در دل الگوریتم دیگر، اجرای موازی بر روی زیر جمعیت های مختلف و اجرای نوبتی آن ها بر روی یک جمعیت مشترک. در حالتی که الگوریتم های مختلف بر روی زیر جمعیت ها جدا از هم اجرا می شود معمولا از یک عملگر برای تعویض برخی اعضای زیر جمعیت ها استفاده می شود. در الگوریتم های بهینه سازی همیشه باید به گونه ای بین جستجوی محلی و سراسری تعادل ایجاد نمود. چرا که جستجوی محلی بیشتر منجر به افتادن در دام بهینه های محلی و تمرکز بیشتر بر روی جستجوی سراسری باعث کاهش سرعت همگرایی و بعضا به دست نیامدن جواب قابل قبول می باشد. در این رساله چندین الگوریتم بهینه سازی مختلف با خواص متفاوت ترکیب شده است جواب های دست آمده نسبت به هر کدام از الگوریتمهای قبلی بهتر می باشد.الگوریتمهایی که برای این منظور استفاده شده الگوریتم ژنتیک و ترکیب های مختلف آن با دیگر الگوریتم ها ، الگوریتم بهینه سازی تجمعی ذرات و ترکیب های مختلف و ارتقا یافته آن و همچنین الگوریتم ژنتیک چند عاملی می باشد الگوریتم های ذکر شده به روشهای مختلفی با یکدیگر ترکیب شده و روش حاصل با توابع محک گوناگون و مسایل با ابعاد بالا تست شده است در اغلب موارد پایداری الگوریتم ترکیبی نسبت به فضاهای گو ناگون و ابعاد بالا بیشتر شده است ترکیب الگوریتم های مختلف با خصوصیات مکمل باعث شده تا نقاط ضعف یک الگوریتم در یک فضا توسط الگوریتم های دیگر پوشش داده شود.