طراحي الگوريتم بهينه‌سازي چندهدفه به كمك الگوريتم جغرافياي زيستي و الگوريتم تكاملي تفاضلي

Multi Objective Optimization Using Biogeography Based Optimization and Differentional Evolution Algorithm

بهينه‌سازي بر پايه‌ جغرافياي زيستي، الگوريتم تكاملي جديدي بر اساس جمعيت است كه رياضيات جغرافياي زيستي، بر آن حاكم است و الگوريتم تكامل ‌تفاضلي، الگوريتمي قدرتمند براي حل بسياري از مسائل بهينه‌سازي است. الگوريتم تكامل ‌تفاضلي در اكتشاف فضاي جستجو و تعيين مكان مينيمم سراسري خوب، ولي در استخراج راه‌حل مسأله كند است. در اين مقاله قابليت اكتشاف الگوريتم تكامل ‌تفاضلي با قابليت استخراج الگوريتم بهينه‌سازي بر پايه‌ جغرافياي زيستي، ادغام شده و با معرفي يك عملگر مهاجرت تركيبي، الگوريتم جديدي براي حل مسائل بهينه‌سازي چندهدفه ارائه شده است. در الگوريتم پيشنهادي از فرايند مرتب‌سازي غير مغلوب براي بهبود همگرايي و از مفهوم فاصله جمعيتي محلي براي حفظ پراكندگي اعضاي موجود در مجموعه پرتو استفاده شده است. در اين مقاله كارايي الگوريتم پيشنهادي با استفاده از چند تابع آزمون رايج آزمايش شده و معيارهاي مطرح در مسائل بهينه‌سازي چند هدفه تكاملي، ارزيابي و با الگوريتم‌هاي مطرح در اين زمينه مقايسه شده است. نتايج حاصل بيانگر كارايي مطلوب الگوريتم پيشنهادي در رقابت با ساير الگوريتم‌هاي مطرح است.

Biogeography-Based Optimization (BBO) which is a new population based evolutionary optimization method inspired by biogeography and Differential Evolution (DE) is a fast and robust evolutionary algorithm for optimization problems. DE algorithm is good at the exploration of the search space and finds global minimum but is not good in exploitation of solutions. In this paper, we combine the exploration of DE with the exploitation of BBO to solve multi-objective problems by introducing a hybrid migration operator effectively. The proposed algorithm (MOBBO/DE) makes the use of nondominated sorting approach improve the convergence ability efficiently and hence it can generate the promising candidate solutions. It also combines crowding distance to guarantee the diversity of Pareto optimal solutions. The proposed approach is validated using several test functions and some metrics taken from the standard literature on evolutionary multi-objective optimization. Results indicate that the approach is highly competitive and that can be considered a viable alternative to solve multi-objective optimization problems.