چکیده ای بر الگوریتم بهینه‌سازی ایمنی برای حل مسائل بهینه‌سازی چند معیاره‌ی غیرخطی همراه با محدودیت

مقایسه‌های ابتدایی بین فرآیند طبیعی تکامل با فرآیند بهینه‌سازی منجر به به‌وجود آمدن روش‌هایی به نام "الگوریتم‌های تکاملی (EA) شد. در این الگوریتم‌ها مهم‌ترین هدف شبیه‌سازی فرآیند تکامل به‌وسیله کامپیوتر است. به‌طور کلی سه نمونه جامع از الگوریتم‌های تکاملی شناخته شده‌اند که عبارتند از: استراتژی‌های تکامل، برنامه‌ریزی تکاملی و الگوریتم ژنتیک . برای حل مسائل به‌وسیله الگوریتم‌های تکاملی باید یک سری گام‌های مشخص پیاده شوند که عبارتند از: 1- تشخیص جواب‌های بالقوه مساله 2- ایجاد یک جمعیت اولیه از جواب‌ها 3- به‌دست آوردن تابع هدف که در واقع نقش محیط را بازی می‌کند و سپس سرت کردن جواب‌ها بر اساس تناسب با تابع هدف4- فرآیند انتخاب والدین 5- تعیین عملگرهای تکاملی برای شکل‌دهی به خصوصیات فرزندان (از جمله فرآیند چلیپایی و جهش) 6- مقادیر پارامترهای مختلفی که الگوریتم تکاملی از آن‌ها استفاده می‌کند.( مثل احتمالات گزینش، اندازه‌ی هر نسل و ...) این الگوریتم‌ها کاربردهای عملی بسیاری دارند اما نکته‌ی مهمی که باید مورد توجه قرار گیرد این است که این الگوریتم‌ها در حالت عادی برای مسائل بهینه‌سازی‌ای قابل اعمالند که هیچ‌گونه محدودیتی ندارند در حالی که در هر مساله واقعی حتما محدودیت‌هایی وجود دارد که اجازه‌ی تولید هر کروموزومی را به ما نمی‌دهد. به عبارت دیگر بسیاری از کروموزوم‌هایی(جواب‌هایی) که به‌وسیله این الگوریتم‌ها در حالت عادی ایجاد می‌شوند غیرموجه‌اند.بنابراین واضح است که به دنبال پیداکردن روش‌هایی برای حل مسائل با محدودیت بگردیم