امروزه استفاده از مدل های خطی محلی (local linear models) برای مدل سازی یک فرایند غیر خطی عملی بسیار رایج در علم مهندسی کنترل است. هدف از انجام این کار تعمیم دادن تئوری ها و ابزار گوناگون و قدرتمند در دسترس برای سیستم های خطی، بر روی سیستم های غیر خطی می باشد. لذا نیاز کاربر به استفاده از روش های پیچیده غیرخطی (چه در مدل سازی و چه در کنترل) به طرز قابل ملاحظه ای کاهش می یابد. نحوه تولید و انتخاب مدل های خطی مناسب، همواره جزو چالش های ذاتی این دسته روش ها بوده که در این پروژه عمدتاً به آنها پرداخته شده است. ابتدا با به کارگیری چندین معیار غیرخطی گری (nonlinearity measures)، سعی گردیده که نقاط کاری (operation points) فرآیند را که در آنها رفتار غیرخطی تری دارد شناسایی کرد. بدیهی است که تخمین مناسب برای چنین نقاطی باید متشکل از تخمین های خطی بیشتری باشد. به عبارت دیگر به کمک این معیارها، نقاطی که نیاز به تراکم مدل بیشتر دارند را می یابیم. در فاز بعدی اقدام به حذف مدل های اضافی می-نماییم. بدین ترتیب که با بهره گیری از معیار فاصله (gap metric)، مدل هایی را که بیش از اندازه به یکدیگر شبیه هستند را شناسایی و حذف می نماییم. این کار علاوه بر کاهش بار محاسباتی، گاه به بهبود عملکرد کنترل گر نیز می انجامد. در نهایت این دو دسته از معیارها، برای نشان دادن توانایی-هایشان در تولید بانک مدل برای کنترل گر چندگانه، بر روی یک دستگاه کنترل ph آزمایشگاهی پیاده سازی گردیده اند.

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.