الگوریتم های یک هدفه تا چند هدفه

توابع یک هدفه Single Objective Functions یک معیاریا هدف را به یک مسئله نسبت می‌دهند. در این حالت، یک فرمول یا تابع برای بهبود یا کمینه کردن آن هدف وجود دارد. به عبارت دیگر،یک جواب به عنوان بهترین گزینه در مقایسه با سایر جواب‌ها بهینه است.

اما در توابع چند هدفه Multi-Objective Functions، معمولاً دو یا بیشتر از یک هدف وجود دارد که همگی باید همزمان برآورده شوند. این اهداف معمولاً متضاد هستند، به طوری که بهبود یک هدف ممکن است منجر به بدتر شدن هدف دیگر شود. این چالش، به دنبال یافتن "پارتو" یا "جواب پارتو" است که بهینه‌ای نزدیک به همه‌ی اهداف باشد و هیچیک را به طور قابل قبولی کاهش ندهد.

الگوریتم‌های بهینه‌سازی چند هدفه براییافتن مجموعه‌ای از جواب‌ها که به عنوان پاسخ‌های بهینه و بهینه‌ترین نقاط در فضای چندبعدی فضای هدف محسوب می‌شوند، استفاده می‌شوند.

الگوریتم‌های بهینه‌سازی تک هدفه برای حل مسائلی طراحی شده‌اند که یک هدف یا معیار را بهینه می‌کنند. این الگوریتم‌ها معمولاً به صورت تکراری عمل می‌کنند و تغییراتی روی متغیرها اعمال می‌کنند تا به بهینه‌سازی هدف برسند.

هوش تکاملی چیست؟

الگوریتم های تکاملی چیست؟

الگوریتم های تکاملی یک برنامه ی کامپیوتری مبتنی بر هوش مصنوعی تکاملی است که با استفاده از فرآیندهایی که رفتارهای موجودات زنده را تقلید می‌کنند، مسایل را حل می‌کند. به این ترتیب، از مکانیسم هایی استفاده می کند که معمولاً با تکامل بیولوژیکی مرتبط هستند، مانند تولید مثل، جهش و جایگزینی ترکیب.
به طور کلی الگوریتم‌های تکاملی یک رویکرد مبتنی بر اکتشافات و برای حل مسائلی هستند که به راحتی در زمان چند جمله‌ای قابل حل نیستند، مانند مسائل کلاسیک سخت از درجه NP-Hard، و هر چیز دیگری که پردازش کامل آنها بسیار طولانی است وزمانی که به تنهایی مورد استفاده قرار می گیرند، معمولاً برای مسایل ترکیبی استفاده می شوند. با این حال، الگوریتم‌های تکاملی ژنتیک اغلب همراه با روش‌های دیگر مورد استفاده قرار می‌گیرند تا عنوان یک راه حل سریع برای یافتن یک مکان شروع بهینه برای الگوریتم دیگرعمل می‌کنند.

هوش دسته جمعی(SI) یا هوش ازدحامی

هوش جمعی خاصیتی است سیستماتیک که در این سیستم، عامل ها به طور محلی باهم همکاری می نمایند و رفتار جمعی تمام عامل ها باعث یک همگرایی در نقطه ای نزدیک به جواب بهینه سراسری می شود، نقطعه قوت این الگوریتم عدم نیاز به یک کنترل سراسری می باشد. هر ذره (عامل) در این الگوریتم ها خود مختاری نسبی دارد که می تواند در سراسر فضای جواب ها حرکت کند و می بایست با سایر ذرات (عامل ها) همکاری داشته باشد. از الگوریتم های مشهور هوش جمعی : الگوریتم مورچگان، الگوریتم زنبور عسل، الگوریتم پرندگان، الگوریتم سیستم ایمنی مصنوعی و الگوریتم دسته ماهی ها می باشند. هوش دسته جمعی، زیرشاخه ای از هوش مصنوعی است که برپایه رفتار جمعی سیستم های غیرمتمرکز و خود سازمان بنا شده است. این اصطلاح برای اولین بار در سال 1989 در زمینه ی سیستم های روباتیک سلولار به کاربرده شد. سیستم های Swam Intelligence ) SI) به طور نمونه از یک گروه از عوامل ساده ساخته شده که به طور محلی با یکدیگر و نیز با محیط پیرامونشان برهم کنش دارند بنابراین در آنها ساختار کنترلی متمرکزی وجود ندارد که به هر عامل منفرد دستور دهد که چگونه رفتار کند.