هدف از حل مسأله برنامه ریزی توسعه تولید (gep)، تعیین طرح توسعه تولید با کم ترین هزینه است، به گونه ای که بتواند تقاضای بار پیش بینی شده را در عین برآوردن معیارهای قابلیت اطمینان و قیود فنی و اقتصادی مختلف تأمین نماید. مسأله برنامه ریزی توسعه تولید به صورت یک مسأله بهینه سازی گسسته، غیرخطی و مقید به مجموعه ای از قیود مدل می شود. در این پایان نامه، با صرف نظر کردن از هزینه آلودگی و بازنشستگی واحدهای تولیدی، تابع هدف به صورت کمینه کردن مجموع هزینه های سرمایه گذاری، تعمیرات و بهره برداری، نرخ سوخت و انرژی تأمین نشده، با لحاظ کردن ارزش بازیافتی هزینه های سرمایه گذاری درنظر گرفته می شود. به منظور محاسبه انرژی خروجی واحدهای تولیدی و شاخص های قابلیت اطمینان، از یکی از روش های شبیه سازی احتمالاتی تولید به نام روش تابع انرژی معادل استفاده می شود. حل مسأله gep به عنوان یک مسأله بهینه سازی غیرخطی، نیازمند روش های بهینه سازی فراابتکاری و هوشمند است. اخیراً الگوریتم بهینه سازی فاخته (coa)، و نسخه اصلاح شده آن (mcoa)، به عنوان یک الگوریتم بهینه سازی قوی در حل مسائل بهینه سازیِ دارای متغیرهای پیوسته، کارآیی موثری داشته است. اما این الگوریتم برای حل مسائل دارای متغیرهای گسسته مانند مسأله gep از کارآیی لازم برخوردار نیست. در این پایان نامه، ضمن بررسی نقاط قوت و ضعف این روش، الگوریتم جدیدی تحت عنوان الگوریتم بهینه سازی فاخته بهبودیافته (icoa) پیشنهاد می شود و کارآیی مناسب آن برای حل مسائل بهینه سازی گسسته مانند مسأله gep نشان داده می شود. در این الگوریتم، اصلاحات متنوع و مختلفی در عملگرهای الگوریتم استاندارد coa صورت گرفته است تا در عین حفظ بدنه اصلی و توانایی های الگوریتم coa، کارآیی آن را در حل مسائلی با متغیرهای گسسته بهبود بخشد. بهبود سبک تخم گذاری بر اساس شایستگی، اصلاح شعاع تخم گذاری، اصلاح عملگر پرواز به سمت ناحیه بهینه، افزودن عملگر مهاجرت به الگوریتم و شکل گیری نسل جدید با استفاده از عملگرهای ژنتیکی، باعث بهبود کارآیی الگوریتم در رسیدن به جواب بهینه می شود. یکی از روش های فراابتکاری موفق که تاکنون در حل مسئله gep استفاده شده است، الگوریتم بهینه سازی ازدحام ذرات (pso) است که در این تحقیق، برای مقایسه عملکرد الگوریتم پیشنهادی به کار گرفته می شود. جهت ارزیابی عملکرد الگوریتم پیشنهادی، برنامه ریزی توسعه تولید در یک سیستم نمونه انجام می شود و نتایج حاصل از الگوریتم پیشنهادی با نتایج الگوریتم های pso، coa و mcoa، و نیز نتایج منتشرشده از برنامه ریزی توسعه تولید همین سیستم به روش های الگوریتم ژنتیک (ga) و الگوریتم جهش قورباغه های به هم آمیخته (sfla)، مقایسه می شود. برای نشان دادن تأثیر افزایش ابعاد در حل مسأله، برنامه ریزی توسعه تولید سیستم مذکور برای دو افق 10ساله و 20ساله انجام می شود. الگوریتم پیشنهادی icoa در حل مسائل دارای متغیرهای پیوسته نیز نقاط قوت و توانایی موثری نسبت به الگوریتم coa دارد. برای نشان دادن این موضوع، icoa برای حل مسأله بهینه سازی پیوسته پخش بار اقتصادی نیز مورد استفاده قرار گرفته و نتایج آن با نتایج حاصل از به کارگیری الگوریتم های مذکور مقایسه شده است. بررسی نتایج حل هردو مسأله گسسته و پیوسته نشان می دهد که علاوه بر بهبود کیفیت جواب و سرعت همگرایی بهتر، الگوریتم پیشنهادی نسبت به سایر روش های مذکور عملکرد بهتری در رسیدن به جواب بهینه دارد.