توسعه الگوریتم تکامل شوراهای شهر برای حل مسائل بهینه‌سازی چندهدفه

پیشرفت فناوری و ظهور مسائل بهینه‌سازی چندهدفه در شاخه‌های علوم مختلف باعث تحقیق و ارائه الگوریتم‌های فراابتکاری جدید برای حل چنین مسائلی شده‌اند. اگرچه این الگوریتم‌ها تا حدودی توانسته‌اند تقریب به نسبت خوبی از جبهه بهینه پرِتو را پیدا کنند ولی هنوز بهینه‌سازی به‌طور کامل انجام نشده است. در این مقاله، برای افزایش میزان بهینگی جبهه پرِتو تولید شده، نسخه چندهدفه‌ای از الگوریتم تکامل شوراهای شهر (cce) با نام الگوریتم تکامل شوراهای شهر چندهدفه (mocce) ارائه می‌شود. در الگوریتم ارائه شده، یک آرشیو با اندازه ثابت برای ذخیره و بازیابی راه‌حل‌های بهینه پرِتو در نظر گرفته می‌شود. از این آرشیو برای تعریف ساختار هرم‌گونه شوراهای شهرها و شبیه‌سازی تکامل آن در فضاهای جستجوی چندهدفه استفاده می‌شود. کارایی الگوریتم mocce روی 18 تابع آزمون چندهدفه شناخته شده موسوم به uf و imop مورد ارزیابی قرار گرفته و با نتایج الگوریتم‌های بهینه‌سازی شیر مورچه چندهدفه (moalo)، کپک مخاطی چندهدفه (mosma) و مرغ مگس‌خوار مصنوعی چندهدفه (moaha) مقایسه شده‌اند. مطابق با نتایج آزمون میانگین رتبه فریدمن، در همه توابع آزمون uf، الگوریتم mocce اولین رتبه را در بین الگوریتم‌های مقایسه شده از لحاظ معیارهای فاصله نسلی (gd)، فاصله نسلی معکوس (igd) و بیشینه گستردگی (ms) کسب می‌کند. همچنین، این الگوریتم اولین رتبه را در همه توابع آزمون imop از لحاظ معیار gd و دومین رتبه را از لحاظ معیارهای igd و ms به خود اختصاص می‌دهد.

development of city councils evolution algorithm for multi-objective optimization problems

the advancement of technology and the emergence of multi-objective optimization problems in various scientific domains have led to the research and presentation of new meta-heuristic algorithms to solve such problems. although these algorithms have been able to find a relatively good approximation of the optimal pareto front، a complete optimization has not been carried out yet. in this paper، to increase the optimality of the generated pareto front، we present a multi-objective version of the city council evolution (cce) algorithm called the multi-objective city council evolution (mocce) algorithm. in the proposed algorithm، an archive with a fixed size is considered for storing and retrieving optimal pareto solutions. this archive is used to define the hierarchical structure of city councils and to simulate its evolution in multi-objective search spaces. the efficiency of the mocce algorithm has been evaluated on 18 well-known multi-objective test functions known as uf and imop and compared with the results of multi-objective ant lion optimizer (moalo)، multi-objective slime mould algorithm (mosma) and multi-objective artificial hummingbird algorithm (moaha). according to the results of the friedman mean rank test، in all uf test functions، the mocce algorithm achieves the first rank among the compared algorithms in terms of generational distance (gd)، inverted generational distance (igd)، and maximum spread (ms) criteria. also، this algorithm ranks first in all imop test functions in terms of the gd criterion and takes the second rank in terms of igd and ms criteria.