بهینه سازی توابعی از دسته مسائل np-hard، در سال های اخیر بسیار مورد توجه قرار گرفته است. بسیاری از مسائل بهینه سازی در مهندسی، پیچیده تر از آن هستند که با روش های مرسوم بهینه سازی نظیر روش های تحلیل ریاضی قابل حل باشند. بنابراین برای اینکه بتوان در فضای پیچیده اینگونه توابع، بهینه سراسری را یافت، بایستی از روش های ترکیبی یا فرامکاشفه ای استفاده کرد. در این پایان نامه دو روش بهینه سازی جدید ارائه می شود، بطوری که در روش laga، پارامتر های الگوریتم ژنتیک و در روش lakh، پارامتر های الگوریتم بهینه سازی گروه میگوها توسط اتوماتای یادگیر، به صورت بهینه تنظیم خواهد شد. ترکیب این روش ها که از الگوریتم های محاسبات نرم به شمار می روند، به روش هایی کارا برای حل مسائلی نظیر بهینه سازی تابع آزمون griewank، در شرایطی که تعداد ابعاد تابع بسیار بالا است، می انجامد. بدلیل اینکه پارامترهای الگوریتم ژنتیک و الگوریتم بهینه سازی گروه میگوها به دقت توسط اتوماتای یادگیر تنظیم می شوند، نسبت به زمانی که از روش های دیگر بهینه سازی استفاده می کنیم، به جواب بسیار بهتری دست پیدا می کنیم. برتری این دو روش ترکیبی، نسبت به سایر روش ها این است که از کارایی بالای اتوماتای یادگیر در محیط های تصادفی و ناشناخته و همچنین قابلیت بالای الگوریتم ژنتیک و الگوریتم بهینه سازی گروه میگوها در حل مسائل بهینه سازی، بهره می برد. نتیجه آزمایشات نشان می دهند که روش laga بهینه سراسری تابع griewank را در 100 بعد و روش lakh بهینه سراسری این تابع را در 200 بعد به طور دقیق می یابد. این در حالی است که سایر روش های بررسی شده در این پروژه، حداکثر در 20 یا 40 بعد، به صورت تقریبی موفق به بهینه سازی این تابع شده اند. روش های بهینه سازی ارائه شده در این پروژه، برای مسائل بهینه سازی تک هدفه و با محدودیت طراحی شده اند. در ضمن تابع هدف باید یک تابع ثابت باشد. برای تعمیم این روش ها به بهینه ساز توابع چند هدفه یا توابع بدون محدودیت و یا توابع پویا، با تغییراتی در اتوماتای یادگیر روش های پیشنهادی، می توان بهینه سازی را انجام داد.