حل مسائل بهينهسازي چندين هدفه به كمك زيرگروههاي فشرده

الگوريتمهاي ژنتيك فشرده (CGAS) به جاي كار با جمعيتي از پاسخ ها ، بر روي يك شرح آماري از جمعيت كار ميكنند. در نتيجه اين الگوريتمها در مراحل اوليه جستجو به دليل ماهيت تصادفي خود رفتار اكتشافي بالايي دارند. به خصوص در مسائل با جبهه متمايل (وجود تراكم متمايل بر ، به همين دليل براي حل مسائل بهينه سازي در ابعاد بالا روي جبهه پارتو)، توانايي خوبي در فرار از بهينه هاي محلي از خود نشان ميدهند .در مقابل عملگرهاي تكاملي والد مركزمانند SBX در ابعاد بالا توانايي خوبي در استخراج محيط نزديك به والدين دارند. در اين مقاله، با تركيب اين دو SBX مركزب مانند روش تعادل خوبي بين رفتار اكتشافي و استخراجي الگوريتم بهينهسازي ايجاد شده است. همچنين، راهكارهايي براي افزايش فشار انتخاب و حفظ تنوع جمعيت پيشنهاد شدهاند. الگوريتم پيشنهادي با شش تا از جديدترين الگوريتم هاي حل مسائل بهينه سازي چندين هدفه برروي مسئله چندين هدفه DTLZ4 با جبهه متمايل با تعداد اهداف تا پانزده هدف مقايسه شده است. نتايج نشان دهنده برتري روش پيشنهادي در پيدا كردن يك توزيع خوب از پاسخ ها بر روي جبهه پارتو در تابع تست انتخاب شده ميباشد