ارائه یک الگوریتم تکاملی نوین بهینه سازی با توابع هدف خیلی زیاد بر اساس روش جزیره ای مبتنی بر بردارهای جهت به کمک شاخص دو دویی

در این مقاله روش بهینه سازی جدیدی به نام MIDMOPSO بر مبنای شاخص دو دویی و بردارهای جهت برای حل مسائل دارای اهداف خیلی زیاد ارائه شده است. هر بهینه سازی چند منظوره صرف نظر از تعداد و نوع توابع، خود، مصالحه ای است بین حفظ تنوع جواب ها و همگرایی مساله. بنابراین، الگوریتم حاضر، برای سنجش برتری یک عضو، علاوه بر اصول بنیادی سلطه، شاخص I(ϵ+) 𝜀 را نیز در به روز رسانی تجربیات شخصی اعضای جامعه بکار برده است. استفاده از این بردارها که در واقع به شکل نوین تری از جزیره بندی منجر می شود، مساله بهینه سازی چند منظوره را به چند مساله تک منظوره تبدیل نموده و تنوع جمعیت را حفظ می کند. به هر یک از اعضای جامعه، یک بردار جهت اختصاصی تعلق گرفته و از سردرگمی آن در میدان پرچالش بهینه سازی می کاهد. از آنجا که ایده آل الگوریتم های تکاملی، نزدیک شدن به پدیده واقعی تکامل در طبیعت است، بر خلاف الگوریتم اولیه که در آن هوش جمعی تنها یک الگو، برای هدایت کل جامعه در فضای هدف معرفی می کرد، در MIDMOPSO هر عضو الگوی جداگانه ای دارد. این الگوها از بین اعضای آرشیو خارجی بر حسب کمینه فاصله آنها تا بردار هر عضو، انتخاب می شوند؛ آرشیوی که در هر گام، با استفاده از شاخص تناسب، اعضای خود را به روز می کند. تست های مقایسه ای متفاوتی بین الگوریتم حاضر و سایر روش های تکاملی بر روی توابع آزمایشی DTLZ انجام شده است که نشان دهنده انعطاف و کارایی آن در مواجه با توابع هدف خیلی زیاد است.