حل مسائل بهینه سازی چندین هدفه به کمک زیرگروه های فشرده

الگوریتم های ژنتیک فشرده (CGA) به جای کار با جمعیتی از پاسخها، بر روی یک شرح آماری از جمعیت کارمی کنند. در نتیجه این الگوریتم ها در مراحل اولیه جستجو به دلیل ماهیت تصادفی خود رفتار اکتشافی بالایی دارند.به همین دلیل برای حل مسائل بهینه سازی در ابعاد بالا، به خصوص در مسائل با جبهه متمایل (وجود تراکم متمایل برروی جبهه پارتو)، توانایی خوبی در فرار از بهینه های محلی از خود نشان می دهند. در مقابل عملگرهای تکاملی والد-مرکز مانند SBX در ابعاد بالا توانایی خوبی در استخراج محیط نزدیک به والدین دارند. در این مقاله، با ترکیب این دو روش تعادل خوبی بین رفتار اکتشافی و استخراجی الگوریتم بهینه سازی ایجاد شده است. همچنین، راهکارهایی برایافزایش فشار انتخاب و حفظ تنوع جمعیت پیشنهاد شدهاند. الگوریتم پیشنهادی با شش تا از جدیدترین الگوریتم هایحل مسائل بهینهسازی چندین هدفه بر روی مسئله چندین هدفه DTLZ4 با جبهه متمایل با تعداد اهداف تا پانزده هدف مقایسه شده است. نتایج نشان دهنده برتری روش پیشنهادی در پیدا کردن یک توزیع خوب از پاسخ ها بر روی جبهه پارتو در تابع تست انتخاب شده می باشد.

کلیدواژه ها:

الگوریتم های ژنتیک فشرده ، بهینه پارتو ، بهینه سازی چندین هدفه ، محاسبات تکاملی