الگوریتم رقابت استعماری در سال 2007 توسط فردی ایرانی موسوم به آتشپز ارائه شد، که این الگوریتم بهینه سازی جدید از فرآیند سیاسی-اجتماعی انسان ها در دنیای واقعی نشات گرفته است. الگوریتم ذکر شده اولین الگوریتمی است که برای توسعه آن از مبانی فرهنگی استفاده شده است. از آن جا که الگوریتم رقابت استعماری الگوریتم جدیدی است و نقاط ضعف فراوانی دارد، در این پایان نامه سعی شده است تا با یافتن تعدادی از ایرادها و ارائه پیشنهاداتی به منظور مرتفع نمودن آنها، کارآیی الگوریتم افزایش یابد. در الگوریتم رقابت استعماری تنها دو دسته کشورهای مستعمره و استعمارگر و روابط میان آنها در نظر گرفته شده است. در این تحقیق روابط کشورهای دیگر و تاثیر آنها در الگوریتم مورد بررسی قرار گرفته است. ایده چنین تغییراتی بر این مبنا است که در دنیا تنها این دو دسته کشور نیستند که باعث بهبود جهان می شوند، بلکه مباحث پیچیده تر و روابطی فراتر از این نیز وجود دارند که در الگوریتم رقابت استعماری به آنها توجهی نشده است. بعد از بررسی ها و تحقیقات مفصلی که در مورد الگوریتم رقابت استعماری انجام شد و با توجه به راه کارهایی که برای بهبود آنها مطرح شده است به تدریج مشاهده شد که رفتار الگوریتم از شبیه سازی فرهنگی به شبیه سازی رفتارهای انسانی تبدیل می شود. در واقع عمل گرهای تعریف شده بیش از آن که روابط کشورها را در ذهن ایجاد کنند، تداعی گر رفتارهای یک انسان بودند. لذا تغییرات انجام شده در الگوریتم رقابت استعماری را توسعه داده و شبیه سازی رفتار انسانی در حل مسائل بهینه سازی مورد مطالعه قرار گرفت. ایده ای که پشت این جستجو وجود داشت اعتقاد به این مسئله بود که هوش انسان قدرت بیشتری نسبت به هوش جمعی حیوانات، جهش های ژنتیکی تصادفی و غیره دارد. به منظور پیاده سازی رفتارهای هوشمند یک انسان سعی شد تا عمل گرهای جدیدی تعریف شوند که رفتار انسان را تقلید می نمایند. لازم به ذکر است که برای شباهت بیشتر فعالیت عمل گرها با محیط مسائل و اضافه کردن ابهامات موجود در مسائل بهینه سازی، کلیه عمل گرها با فرض وجود یک انسان در یک اتاق تاریک و بدون روشنایی تعریف شده اند تا فضای بسته مسئله بیشتر خودنمایی کند. در این راستا در این پایان نامه روش هایی به منظور بهبود کارآیی الگوریتم رقابت استعماری با اضافه کردن کشورهای مستقل، استقلال طلب و مشترک المنافع ارائه شد، که در توابع آزمایش شده در 100 درصد موارد نتایج بهتری به دست آمد که به صورت میانگین 15/54 درصد بهبود حاصل گردید. سپس با توسعه بیشتر ترفندهای قبلی به الگوریتمی دست یافتیم که با استفاده از شبیه سازی رفتارهای انسانی سعی در حل مسائل بهینه سازی دارد، که نسبت به الگوریتم هایی که مورد مقایسه قرار گرفت در 55 درصد از موارد به نتایج بهتری دست یافت. نتایج حاصل از الگوریتم پیشنهادی نشان داد که حدس عمل کرد مناسب عمل گرهای شبه انسانی می تواند درست باشد و تحقیقات بیشتری را برای اثبات خود می طلبد.