ارائه راهکاری نوین برای بهبود الگوریتم های تکاملی چندهدفه مبتنی بر تجزیه

الگوریتم تکاملی چند هدفه مبتنی بر تجزیه (moea/d-de) یکی از الگوریتم های تکاملی است که به منظور برآورد نقاط بهینه پارتو با پیچیدگی کمتر محاسباتی در مسائل با ابعاد زیاد استفاده می شود. عملکرد الگوریتم moea/d-de به تنظیم مناسب پارامترهای کنترلی آن بستگی دارد و بهترین نحوه تنظیم این پارامترها تاثیر بسزای در افزایش توانایی و بهبود عملکرد آن دارد. یکی از این پارامترهای کنترلی ، پارامتر همسایگی می باشد. به منظور بررسی توانایی پارامتر همسایگی در رسیدن به راه حل های مناسب در فضای اهداف، در این مطالعه مدل های یکنواخت و غیر یکنواخت جزیره ارائه شده و در الگوریتمmoea/d-de اعمال شده است. مدل غیر یکنواخت جزیرهmoea/d-de به منظورارزیابی اثر فرایند مهاجرت و اندازه همسایگی در رسیدن به راه حل های متنوع تر به کار گرفته شده است. همچنین در این پایان نامه مدل یکنواخت جزیرهmoea/d-de نیز جهت ارزیابی اثر روند مهاجرت به تنهایی در عملکرد مدل معرفی گردیده است. نتایج تجربی نشان می دهند که اثر اندازه همسایگی منجر به بهبود عملکرد مدل غیر یکنواخت جزیرهmoea/d-de به طور چشمگیری نسبت به نسخه اصلی moea/d-de در تمام موارد آزمون شده است.