بهبود الگوریتم های بهینه سازی چندهدفه مبتنی بر جمعیت

در این پایاننامه الگوریتمهای تکاملی چند هدفه و روشهای مورد استفاده برای ایجاد همگرایی و گوناگونی در مجموعه جوابهای یافت شده مورد بررسی قرار گرفته است. پیدا کردن این روشها یکی از چالشهای موجود در حوزه بهینهسازی چندهدفه میباشد. هدف اصلی در این کار طراحی روشهایی برای کاستن از نقایص روشهای معمول و تولید جوابهایی با همگرایی و گوناگونی بیشتر است. بزرگترین چالشهایی که در طراحی این الگوریتمها با آن مواجه میشویم کم کردن فاصله جواب پیدا شده با مجموعه بهینه پَرِتو و بیشتر کردن گوناگونی و تنوع جوابهای یافت شده میباشد. هر کدام از الگوریتمها سعی دارند با روش خاص خود بر این چالشها غلبگی یابند. در این پایاننامه سعی شده است با استفاده از تخمین چگالی در بایگانی و استفاده از چگالی محاسبه شده در انتخاب قربانی و رهبر توده زنبورها جوابهای مناسبی به دست آید. در این پایاننامه دو الگوریتم جدید a-moabc و moabc-mf ارائه شده است. الگوریتم a-moabc سعی دارد با استفاده از ادغام دو روش فاصله ازدحام و روش پنجرهگذاری چالشهای مورد اشاره را برطرف نماید. نتایج حاصله نشان میدهد که این الگوریتم نتایج بسیار خوبی را ارائه داده است. الگوریتم moabc-mf نیز با ارائه یک روش جدید مبتنی بر تابع کوه سعی در محاسبه چگالی در اطراف عناصر بایگانی دارد. این روش با توجه به خصوصیاتی که دارد، قابلیت استفاده در الگوریتمها دیگر را دارد. این الگوریتمها به دلیل استفاده از تکنیکهای جدید توانستند گوناگونی و همگرایی بسیار خوبی را در مجموعه جوابهای به دست آمده ایجاد کنند. روشهای جدید معرفی شده در این پایاننامه نتایج بسیار مناسبی را از خود نشان دادند و جبهه پَرِتو مناسب با گوناگونی خوبی را تولید کردند. این الگوریتمها با تعداد زیادی از الگوریتمهای جدید تکاملی چندهدفه مقایسه شدند و توانستند در مسائل با محدودیت و همچنین بدون محدودیت رتبههای بالایی را از آن خود کنند. با توجه به این نتایج الگوریتمهای ارائه شده توانستند مشکلات و چالشهای ذکر شده را تا حدود زیادی بهبود بخشند.