بهینه سازی اهمیت زیادی در بسیاری از شاخه های علوم همچون فیزیک، شیمی و مهندسی دارد. پژوهشگران در این شاخه ها علاقه دارند تا طرح های بهینه ای برای ایجاد فرآیندهای مختلف به کار برند و میزان تولید محصول را با داشتن شروطی مثل هزینه و آلودگی کم، به حداکثر برسانند. در این راستا در برازش غیر خطی مدل و منحنی نیز، به نوعی به بهینه سازی نیاز است. با توجه به اهمیت بحث بهینه سازی در جهان پیرامون، مسائل شناخته شده ای در زمینه ی بهینه سازی ترکیبی وجود دارد. بهینه سازی ترکیبی شاخه ای از بهینه سازی است که به آن دسته از مسائلی می پردازد که در حالت عمومی حلشان سخت به نظر می رسد و سعی می شود این گونه مسائل را با بررسی کارآمد فضای معمولاً بزرگی از پاسخ های امکان پذیر آن نمونه، به بهترین پاسخ مسئله رسید. این مسائل با فضای گسسته سروکار دارند. گسسته سازی مسائل به سه دسته طبقه بندی شده است: حل مسائل گسسته با ماهیت پیوسته الگوریتم، حل مسائل گسسته با نمایش بردارهای عدد صحیح در الگوریتم ها، حل مسائل گسسته با الگوریتم های باینری. با توجه به اهمیت حل مسائل ترکیبی، روز به روز روش هایی سریعتری در هر سه دسته جهت حل آن ها ارائه می گردد و از هم پیشی می گیرند. مسئله رنگ آمیزی گراف از جمله مسائلی است که در فضای گسسته قابل حل می باشند. با توجه به دلایل اهمیتی که برای این مسئله مطرح شد، همین انگیزه ای شد تا به حل مسئله رنگ-آمیزی گراف به وسیله ی الگوریتم فاخته بپردازیم. از طرفی به دلیل نوظهور بودن الگوریتم فاخته، گسسته سازی آن هنوز بررسی نشده است. لذا در این پژوهش هدف گسسته سازی الگوریتم فاخته و تست آن بر روی مسئله رنگ آمیزی گراف می باشد. که با مطالعات انجام شده موفق به ارائه 4 مدل از گسسته سازی الگوریتم فاخته شدیم و نتایج حاصل از این گسسته سازی را با الگوریتم های مطرح در این زمینه مقایسه نمودیم که نتایج مقایسه به خوبی دقت و سرعت گسسته سازی های انجام شده را اثبات می کند

با توجه به گسترش روزافزون اطلاعات در دسترس از طریق اینترنت، لزوم استفاده از روش های خلاصه سازی خودکار متن، بیش از پیش احساس می شود. روش هایی که با استخراج مهمترین مطالب موجود در اسناد مانع از مطالعه کامل حجم انبوه از آنها شوند. خلاصه سازی عبارت است از فشرده سازی متن (متون) منبع و تولید یک نسخه کوتاه تر از آن به نحوی که محتوای اطلاعاتی آن حفظ شود. اغلب سیستم های خلاصه ساز با استفاده از روش های سطحی و معیارهای آماری به استخراج مهمترین بخش های متن منبع پرداخته و خلاصه نهایی را شکل می دهند. هدف این پژوهش استفاده از یک روش مبتنی بر پایگاه دانش در فرآیند خلاصه سازی است. در این راستا از پایگاه دانش هستی شناسی فارس نت به منظور دستیابی به مفاهیم موجود در متون و تولید خلاصه آنها استفاده خواهد شد. هستی شناسی یکی از مباحث مربوط به علم فلسفه است که یک ساختار سلسله مراتبی از همه موجودیت های عالم هستی به همراه روابط حاکم بر آنها فراهم می کند. در این پژوهش ابتدا با نگاشت متن مورد خلاصه سازی با پایگاه دانش هستی شناسی، گرافی تحت عنوان گراف موضوعی شکل می گیرد که حامل شمای مفهومی متن منبع است. سپس با استفاده از معیارهای مختلف تعیین اهمیت گرافی، اهمیت نسبی هر یک از گره های گراف ارزیابی می شود. سرانجام از این مقادیر به منظور تعیین اهمیت جملات مختلف موجود در متن منبع و ساخت خلاصه نهایی استفاده خواهد شد. نتایج حاصل از ارزیابی خلاصه های تولید شده، حاکی از برتری روش پیشنهاد شده در این پژوهش نسبت به سیستم های خلاصه ساز موجود است.

الگوریتم رقابت استعماری در سال 2007 توسط فردی ایرانی موسوم به آتشپز ارائه شد، که این الگوریتم بهینه سازی جدید از فرآیند سیاسی-اجتماعی انسان ها در دنیای واقعی نشات گرفته است. الگوریتم ذکر شده اولین الگوریتمی است که برای توسعه آن از مبانی فرهنگی استفاده شده است. از آن جا که الگوریتم رقابت استعماری الگوریتم جدیدی است و نقاط ضعف فراوانی دارد، در این پایان نامه سعی شده است تا با یافتن تعدادی از ایرادها و ارائه پیشنهاداتی به منظور مرتفع نمودن آنها، کارآیی الگوریتم افزایش یابد. در الگوریتم رقابت استعماری تنها دو دسته کشورهای مستعمره و استعمارگر و روابط میان آنها در نظر گرفته شده است. در این تحقیق روابط کشورهای دیگر و تاثیر آنها در الگوریتم مورد بررسی قرار گرفته است. ایده چنین تغییراتی بر این مبنا است که در دنیا تنها این دو دسته کشور نیستند که باعث بهبود جهان می شوند، بلکه مباحث پیچیده تر و روابطی فراتر از این نیز وجود دارند که در الگوریتم رقابت استعماری به آنها توجهی نشده است. بعد از بررسی ها و تحقیقات مفصلی که در مورد الگوریتم رقابت استعماری انجام شد و با توجه به راه کارهایی که برای بهبود آنها مطرح شده است به تدریج مشاهده شد که رفتار الگوریتم از شبیه سازی فرهنگی به شبیه سازی رفتارهای انسانی تبدیل می شود. در واقع عمل گرهای تعریف شده بیش از آن که روابط کشورها را در ذهن ایجاد کنند، تداعی گر رفتارهای یک انسان بودند. لذا تغییرات انجام شده در الگوریتم رقابت استعماری را توسعه داده و شبیه سازی رفتار انسانی در حل مسائل بهینه سازی مورد مطالعه قرار گرفت. ایده ای که پشت این جستجو وجود داشت اعتقاد به این مسئله بود که هوش انسان قدرت بیشتری نسبت به هوش جمعی حیوانات، جهش های ژنتیکی تصادفی و غیره دارد. به منظور پیاده سازی رفتارهای هوشمند یک انسان سعی شد تا عمل گرهای جدیدی تعریف شوند که رفتار انسان را تقلید می نمایند. لازم به ذکر است که برای شباهت بیشتر فعالیت عمل گرها با محیط مسائل و اضافه کردن ابهامات موجود در مسائل بهینه سازی، کلیه عمل گرها با فرض وجود یک انسان در یک اتاق تاریک و بدون روشنایی تعریف شده اند تا فضای بسته مسئله بیشتر خودنمایی کند. در این راستا در این پایان نامه روش هایی به منظور بهبود کارآیی الگوریتم رقابت استعماری با اضافه کردن کشورهای مستقل، استقلال طلب و مشترک المنافع ارائه شد، که در توابع آزمایش شده در 100 درصد موارد نتایج بهتری به دست آمد که به صورت میانگین 15/54 درصد بهبود حاصل گردید. سپس با توسعه بیشتر ترفندهای قبلی به الگوریتمی دست یافتیم که با استفاده از شبیه سازی رفتارهای انسانی سعی در حل مسائل بهینه سازی دارد، که نسبت به الگوریتم هایی که مورد مقایسه قرار گرفت در 55 درصد از موارد به نتایج بهتری دست یافت. نتایج حاصل از الگوریتم پیشنهادی نشان داد که حدس عمل کرد مناسب عمل گرهای شبه انسانی می تواند درست باشد و تحقیقات بیشتری را برای اثبات خود می طلبد.

الگوریتم فاخته نیز، با الهام گرفتن از روش زندگی پرنده ای به نام فاخته ایجاد شده است. هر کدام از این الگوریتم ها دارای معایبی می باشند که در بعضی مواقع برای یافتن جواب بهینه دچار مشکل می گردند. برای رفع چنین ایرادهایی راه حل هایی ارائه شده است و بهبودهایی بر روی این الگوریتم ها انجام شده است که منجر به عملکرد بهتر هر الگوریتم می گردد. از این روی الگوریتم gcs که از رفتار تابع توزیع نرمال برای تنظیم پارامتری در الگوریتم جستجوی فاخته جایسازی شده است، معرفی می گردد. همچنین، رفتاری هوشمندانه در الگوریتم بهینه سازی ازدحام ذرات اضافه شده است که منجر به ایجاد الگوریتم ipso شده است. با توجه به اینکه هر دو الگوریتم الهام گرفته شده از رفتار پرندگان در طبیعت می باشند و با توجه به مزایای هر کدام از این دو الگوریتم، رویکرد ترکیبی این دو الگوریتم به همراه بهبودهای اعمال شده بر روی هر کدام و نیز افزوده شدن عملگر جدید جهت بهبود کارایی در راستای ترکیب این دو الگوریتم، در این پایان نامه به طور کامل مورد بررسی قرار می گیرد. پس از انجام بهبودها بر روی هر یک از این الگوریتم ها و ترکیب آنها، آزمایش هایی بر روی هر کدام صورت گرفت. طبق نتایج به دست آمده الگوریتم gcs، در آزمایش ها نشان داده شد است که در 90% مواقع عملکرد بهتری نسبت به الگوریتم جستجوی فاخته استاندارد از خود نشان می دهد. همچنین الگوریتم ipso که نسبت به الگوریتم بهینه سازی ازدحام ذرات رفتار هوشمندانه تری دارد، در پیاده سازی ها و آزمایش های انجام شده در 95% مواقع بهتر عمل کرده است. در نهایت رویکرد ترکیبی این دو الگوریتم در طی سه مرحله مورد آزمایش قرار گرفته است و نتایج آن با سایر الگوریتم های تکاملی مورد مقایسه قرار گرفته شده است که نتایج به دست آمده نشان دهنده عملکرد مناسب و توانایی بالای این الگوریتم است.