طراحی و پیاده سازی الگوریتم ژنتیک نخبه گرا برای بهینه سازی چندهدفه در سیستم های پیچیده

در این مطالعه، یک چارچوب پیشرفته برای الگوریتم ژنتیک نخبه گرا (Elitist Genetic Algorithm) توسعه داده شده است که هدف آن حل مسائل بهینه سازی چندهدفه (Multi-objective Optimization) در محیط های غیرخطی و با ابعاد بالا می باشد. الگوریتم پیشنهادی با بهره گیری از مکانیزم نخبه گرایی تطبیقی، به صورت پویا بهترین افراد هر نسل را حفظ کرده و همزمان با کنترل نرخ جهش و تقاطع، از همگرایی زودهنگام جلوگیری می کند. برای ارزیابی عملکرد، مجموعه ای از توابع تست استاندارد مانند ZDT، DTLZ و WFG مورد استفاده قرار گرفت و نتایج با الگوریتم های مرجع نظیر NSGA-II و SPEA۲ مقایسه شد. تحلیل های آماری با استفاده از شاخص های کیفیت مانند Hypervolume، Spread و IGD نشان داد که الگوریتم پیشنهادی در دستیابی به جبهه پارتو با تنوع بالا و همگرایی دقیق تر، عملکرد برتری دارد. همچنین، در یک مطالعه موردی مرتبط با زمان بندی منابع در رایانش ابری، الگوریتم نخبه گرا توانست بهینه سازی همزمان هزینه، زمان اجرا و مصرف انرژی را با دقت قابل توجهی انجام دهد. یافته ها نشان می دهند که ترکیب نخبه گرایی با تنظیمات تطبیقی، می تواند به عنوان یک رویکرد موثر در حل مسائل چندهدفه در حوزه های مهندسی، علوم داده و سیستم های هوشمند مورد استفاده قرار گیرد.

کلیدواژه ها:

الگوریتم ژنتیک ، نخبه گرایی ، بهینه سازی چندهدفه ، جبهه پارتو