امروزه الگوریتمهای فرا ابتکاری از جایگاهی ویژه در حل مسائل بهینه سازی برخودارند . از جمله این الگوریتمها می توان از الگوریتمهای تکاملی نام برد اساس ایده الگوریتمهای تکاملی همانا، کد کردن جوابهای کاندید برای یک مسئله خاصی و تشکیل جمعیت کروموزمه ا و در ادامه کار کردن با جمعیت کروموزومی درتکامل این جمعیت توسط روشهایی همچون انتخاب و تولید مثل می باشد . الگوریتم ژنتیک یکی از شناخته شده ترین روشها در این قالب می باشد. تابع هدف m مسائل چند هدفه، مسائلی می باشند که مقصود از طرح آنها همواره بهینه سازی همزمان گوناگون است . در این راستا ممکن است که متصور کمینه سازی همه توابع باشد یا اینکه ترکیبی از کمینه تابع هدف مورد نظر باشد که در ادامه به بررسی کامل آنها می پردازیم. m سازی و بیشینه سازی این الگوریتمهای ژنتیک یکی از معمول ترین روشها در حل مسائل بهینه سازی چند هدفه می باشند . فونسکاوفمینگ اولین کسانی بودند که به طرح رابطه بینی تابع برازندگی از الگوریتم ژنتیک و مفهوم بهینگی پرتو در مسائل بهینه سازی چند هدفه پرداختند . در این پایان نامه در مورد این مفاهیم و روشهای جدیدتر بحث خواهیم کرد. در نهایت الگوریتمهای با همه تکاملی ژنتیک گونه ای از الگوریتمهای تکاملی می باشند که در آنها برازندگی هر کاندیدا بر اساس رابطه آنها کاندید با بقیه افراد، ارزش گذاری می شود یکی از انواع این روشها را با تغییراتی از نحوه ی تأمین moccga می باد در این پایان نامه، بر آنیم تا روش moccga گوناگونی، به روشی کار آمدتر و سریع تر از لحاظ سختی محاسبات تبدیل کنیم.