الگوريتم جستجوي گرانشي چندهدفه مبتني بر مرتب‏ سازي جبهه‏‏ هاي مغلوب ‏نشده

Multi Objective Gravitational Search Algorithm Using Non-dominated Fronts

چكيده: در سال‏هاي اخير روش‏هاي فراواني بر اساس الگوريتم‏هاي بهينه‏سازي ابتكاري براي بهينه‏سازي مسايل چند‏هدفه ارايه شده ‏است. هر چند اين روش‏ها ضمانتي بر يافتن جبهه بهينه پرتو ندارند ولي براي يافتن تقريب نسبتاً خوبي از اين مجموعه تلاش مي‏كنند. در اين مقاله، روشي بر اساس الگوريتم جستجوي گرانشي (GSA) براي بهينه‏سازي مسايل چند‏هدفه بر مبناي مفاهيم پرتو ارايه شده كه موسوم به الگوريتم جستجوي گرانشي چند‏هدفه با جبهه‏‏هاي مغلوب نشده (NF-MOGSA) است. در روش پيشنهادي از مفاهيم جبهه‏هاي مغلوب نشده براي تخصيص شايستگي و فاصله ازدحامي راه‏حل‏ها براي حفظ تنوع جمعيت استفاده شده است. براي ارزيابي الگوريتم پيشنهادي، مجموعه‏اي از آزمايش‏ها انجام و در آن الگوريتم پيشنهادي به توابع محك استاندارد SCH، KUR، FON، POL، ZDT1، ZDT2، ZDT3 و ZDT6 اعمال شد. نتايج به دست آمده بر روي توابع محك استاندارد و مقايسه با الگوريتم‏هاي مطرح در اين زمينه، نشان دهنده مناسب بودن روش پيشنهادي در حل مسايل بهينه‏سازي چند‏هدفه است.

Abstract- Nowadays, many techniques based on the heuristic optimization algorithms have been presented for multi-objective optimization problems. Although these techniques don’t guarantee to find the Pareto optimal front, they quest to achieve a good approximation of this set. In this paper, a technique based on gravitational search algorithm (GSA) is presented for optimization of multi-objective problem named multi-objective optimization gravitational search with non-dominated fronts (NFMOGSA). In the proposed method, the non-dominated front and the crowding distance of solutions are used to fitness assignment and diversity preservation. To evaluate the proposed algorithm, some experiments are done and the NFMOGSA is applied to the standard benchmark functions, SCH, KUR, FON, POL, ZDT1, ZDT2, ZDT3 and ZDT6. The results of applying NFMOGSA on the standard benchmark functions and comparison with other well known multi-objective optimization techniques confirm the efficiency and effectiveness of our technique in the multi-objective optimization problems.