در بسیاری از کاربردهای پردازش سیگنال مانند بازیابی سیگنال های صوت و تصویر، اغلب لازم است که سیگنال مورد نظر از میان مجموعه ای از سیگنال های دیگر استخراج گردد. تفکیک یا جداسازی کور منابع به بازیابی مجموعه ای از منابع مستقل از یکدیگر اطلاق می شود که به وسیله یک سیستم ترکیب کننده ناشناخته آمیخته شده اند. در این روش، جداسازی تنها براساس مشاهده منابع ترکیب شده بدون داشتن هیچ گونه اطلاعاتی از سیستم ترکیب کننده و نوع سیگنال های اولیه صورت می گیرد. یکی از اساسی ترین روش ها در زمینه جداسازی کور منابع، استفاده از روش آنالیز مولفه های مستقل می باشد که هدف در آن، یافتن مولفه هایی از سیگنال است که بیشترین استقلال آماری را نسبت به یکدیگر دارا هستند. الگوریتم های دیگری مانند fastica، ماکزیمم کرتوسیس و ماکزیمم شباهت به منظور حل این مسئله مورد توجه قرار گرفته اند. در این خصوص شبکه های عصبی نیز مطرح شدند که عملکرد آن ها وابسته به فرمول به روز رسانیشان می باشد. این توابع به منظور مینیمم سازی استقلال میان مولفه های تخمینی به روز می شوند که این عمل وابسته به تابع توزیع سیگنال های منبع اولیه می باشد. با توجه به اینکه این جداسازی به صورت کور انجام می شود و اطلاعاتی در مورد تابع توزیع این سیگنال های منبع در دسترس نیست، تخمین تابع توزیع سیگنال های منبع الزامی می باشد. این تخمین با توجه به کور بودن مسئله، باعث کاهش دقت حل مسئله می گردد. به این منظور و برای جداسازی سیگنال ها بدون محدودیت بر روی توزیع آن ها، استفاده از الگوریتم های تکاملی مورد توجه قرار گرفته است. در این پژوهش، تفکیک کور منابع براساس الگوریتم های تکاملی ژنتیک پیوسته و باینری، کوچ پرندگان و کلونی زنبور عسل معرفی می گردد. عملکرد این روش با در نظر گرفتن توابع برازش مناسب براساس مفاهیم آمارگان مرتبه بالا، تئوری اطلاعات، همبستگی، آنتروپی و یا ترکیبی از این معیارها بررسی می گردد. همچنین روش های پیشنهادی با دو مرحله اصلی پیش پردازش؛ یعنی مرکزی سازی و سفید سازی اعمالی به سیگنال های مشاهده ای، تکمیل می گردد. معیار سنجش در این شبیه سازی برای بررسی کارایی سیستم با فرض دسترسی به منابع اولیه، فاصله اقلیدوسی بین دو بردار کرتوسیس منابع اصلی و تخمینی، نسبت سیگنال به نویز و نسبت پیک سیگنال به نویز می باشد. نتایج شبیه سازی بیانگر کارایی بالای الگوریتم تفکیک کور منابع براساس الگوریتم کوچ پرندگان و کلونی زنبور عسل نسبت به روش های موجود می باشد. همچنین نتایج نشان می دهد که روش پیشنهادی با سرعت همگرایی مناسب حتی در جداسازی تعداد منابع ترکیبی زیاد موفق عمل می کند. الگوریتم پیشنهادی به ازای هر تعداد از منابع ورودی این نتیجه را بدست می دهد که خطای تفکیک با افزایش تعداد منابع به صورت خطی افزایش می یابد. در سایر روش های ارائه شده، به علت افزایش یکباره خطا، جداسازی به تعداد مشخصی از منابع محدود می شود. همچنین کاربرد این روش در جداسازی نویزهای زمینه از جمله نویز سفید گوسی نشان داده شده است.