الگوریتم های تکاملی تلفیقی برای حل مسائل بهینه سازی چندهدفی

الگوریتم های تصادفی استفاده وسیعی در انواع مسائل بهینه سازی دارند. الگوریتم های تکاملی دسته ای از روش های تصادفی بر مبنای جمعیت می باشند. مثالی از این الگوریتم ها، الگوریتم ژنتیک می باشد که از تئوری تکاملی داروین الهام گرفته است. با این وجود، الگوریتم های تصادفی دیگری نیز وجود دارند که از رفتار حیوانات الهام می گیرند مانند بهینه سازی انبوه ذرات ( pso )، که از همکاری دسته پرندگان پیروی می کنند، و بهینه سازی علف های هرز ( iwo )، که الگوریتم الهام گرفته از محیط می باشد و از فرآیند تجمع سازی و پخش علف های هرز پیروی می کنند. به علاوه، الگوریتم های تصادفی توانایی حل مسائل بهینه سازی چندهدفی توسط مفهوم چیره را دارا می باشند. از این رو، مجموعه ای از جواب های که بر یکدیگر چیره نمی شوند، در عوض بهترین جواب، بدست می آید. در این پایان نامه یک الگوریتم تلفیقی چندهدفی iwo/pso ارائه می دهیم که از iwo و pso ، دو الگوریتم تکاملی جدید و با ویژگی های ممتاز، بدست می آید. نتایج شبیه سازی نشان داده می شوند و با سایر الگوریتم ها مقایسه می گردد. نتایج نشان می دهند که الگوریتم iwo/pso قابلیت رقابت بالایی دارد و می تواند به عنوان یک طرح مناسب برای حل مسائل بهینه سازی چندهدفی لحاظ شود.