الگوریتم فاخته نیز، با الهام گرفتن از روش زندگی پرنده ای به نام فاخته ایجاد شده است. هر کدام از این الگوریتم ها دارای معایبی می باشند که در بعضی مواقع برای یافتن جواب بهینه دچار مشکل می گردند. برای رفع چنین ایرادهایی راه حل هایی ارائه شده است و بهبودهایی بر روی این الگوریتم ها انجام شده است که منجر به عملکرد بهتر هر الگوریتم می گردد. از این روی الگوریتم gcs که از رفتار تابع توزیع نرمال برای تنظیم پارامتری در الگوریتم جستجوی فاخته جایسازی شده است، معرفی می گردد. همچنین، رفتاری هوشمندانه در الگوریتم بهینه سازی ازدحام ذرات اضافه شده است که منجر به ایجاد الگوریتم ipso شده است. با توجه به اینکه هر دو الگوریتم الهام گرفته شده از رفتار پرندگان در طبیعت می باشند و با توجه به مزایای هر کدام از این دو الگوریتم، رویکرد ترکیبی این دو الگوریتم به همراه بهبودهای اعمال شده بر روی هر کدام و نیز افزوده شدن عملگر جدید جهت بهبود کارایی در راستای ترکیب این دو الگوریتم، در این پایان نامه به طور کامل مورد بررسی قرار می گیرد. پس از انجام بهبودها بر روی هر یک از این الگوریتم ها و ترکیب آنها، آزمایش هایی بر روی هر کدام صورت گرفت. طبق نتایج به دست آمده الگوریتم gcs، در آزمایش ها نشان داده شد است که در 90% مواقع عملکرد بهتری نسبت به الگوریتم جستجوی فاخته استاندارد از خود نشان می دهد. همچنین الگوریتم ipso که نسبت به الگوریتم بهینه سازی ازدحام ذرات رفتار هوشمندانه تری دارد، در پیاده سازی ها و آزمایش های انجام شده در 95% مواقع بهتر عمل کرده است. در نهایت رویکرد ترکیبی این دو الگوریتم در طی سه مرحله مورد آزمایش قرار گرفته است و نتایج آن با سایر الگوریتم های تکاملی مورد مقایسه قرار گرفته شده است که نتایج به دست آمده نشان دهنده عملکرد مناسب و توانایی بالای این الگوریتم است.