بهینه سازی چند-هدفه

بهینه‌سازی چند هدفه تکاملی (Multi-Objective Evolutionary Optimization) یک حوزه مهم در علوم کامپیوتر و مهندسی بهینه‌سازی است که در آن دو یا بیشتر اهداف همزمان بهینه‌سازی می‌شوند. در این روش، یک جمعیت از افراد یا نقطه‌ها در فضای جستجو حول بهترین جواب‌ها تکامل می‌یابند.

برخی از ویژگی‌های بهینه‌سازی چند هدفه تکاملی عبارتند از:

1. نقاط تعادل (Pareto Front): به جای یافتن یک جواب واحد بهینه، به دنبال مجموعه‌ای از جواب‌ها (نقاط تعادل) در فضای هدف هستیم که به یکدیگر بازنده نباشند و هیچ کدام از آنها بهترین نیستند. این مجموعه به عنوان نقاط تعادل یا جلوه پارتو شناخته می‌شود.

2. پارتو بهینه (Pareto Optimal): جواب‌هایی که نمی‌توان یکی را بهبود داد بدون اینکه دیگری به تضاد بیافتد، به عنوان جواب‌های پارتو بهینه شناخته می‌شوند.

3. جمعیت و الگوریتم ژنتیک: این روش از اصول تکامل و ایده‌های موجود در ژنتیک برای بهبود جمعیت بهینه استفاده می‌کند. جمعیت از افراد مختلف تشکیل شده است که هر کدام یک نقطه در فضای هدف را نمایان می‌کنند.

4. عملکرد هدف (Objective Function): برای سنجش کیفیت هر حل، از یک یا چند تابع هدف استفاده می‌شود. این توابع هدف معمولاً نقاط تعادل پارتو را تعیین می‌کنند.

برای پیاده‌سازی چند هدفه تکاملی، می‌توان از الگوریتم‌های معروفی مانند NSGA-II (Non-dominated Sorting Genetic Algorithm II)،

SPEA2 (Strength Pareto Evolutionary Algorithm 2)

MOEA/D (Multi-Objective Evolutionary Algorithm based on Decomposition) استفاده کرد.