در مطالعات مالی، سبد سهام را می توان به معنی مجموعه ی سرمایه گذاری هایی دانست که توسط یک فرد و یا یک موسسه انتخاب و پذیرفته می شود. انتخاب سبد سهام یکی از اصلی ترین دغدغه های سرمایه گذاران در بازارهای مالی است. مدل میانگین - واریانس با مولفه های مقید به عنوان یکی از مدل های اصلی در حل مساله بهینه سازی سبد سرمایه شناخته می شود. این مدل از لحاظ پیچیدگی، از نوع مسائل غیرخطی چند جمله ایNP-hard  است که به صورت دقیق قابل حل نیستند. در این پژوهش با استفاده از الگوریتم ترکیبی شیرمورچه - ژنتیک (ALOGA) و الگوریتم ترکیبی یادگیری افزایشی مبتنی بر جمعیت و تکامل تفاضلی (PBILDE) که از مدل های فراابتکاری نوین در حل مسائل بهینه سازی هستند، برای بهینه سازی سبد سرمایه گذاری با هدف افزایش بازده و کاهش ریسک استفاده شده است. از میان 591 شرکت حاضر در بورس اوراق بهادار تهران، 150 شرکت در بازه زمانی فروردین 1391 الی اسفند 1393 با استفاده از روش غربالگری به عنوان نمونه نهایی انتخاب شدند. داده های مربوط به این شرکت ها توسط الگوریتم های بکار رفته در تحقیق مورد تجزیه و تحلیل قرار گرفت و کارآیی آنها با یکدیگر مقایسه گردید. نتایج پژوهش حاکی از آن است که الگوریتم های ALOGA و PBILDE کارایی مناسبی برای حل مساله ی بهینه سازی سبد سهام دارند. بعلاوه، با استفاده از الگوریتم ALOGA می توان با دقت و کارایی بالا سبد سهام بهینه تشکیل داد.

تست جامع سیستم­های نرم­افزاری با تعداد زیادی پارامتر ورودی و ترکیبات بین آنها اغلب باعث وقوع مشکل انفجار ترکیبی می­شود. تست ترکیبی t-ستونی تکنیکی است که با تولید آرایه­ای از نمونه­های تست به پوشش حداکثری ترکیبات ما بین پارامترهای ورودی می­پردازد. تولید آرایه پوشش کمینه یک مساله بهینه­سازی است که الگوریتم­های فراابتکاری زیادی از جمله بهینه­سازی مبتنی بر آموزش و یادگیری، ازدحام توده ذرات، ژنتیک و الگوریتم جستجوی فاخته برای حل آن به کار رفته­­اند. اگر چه این الگوریتم­ها توانسته­اند آرایه­های پوشش با اندازه­های کوچک تر را تولید کنند ولی هنوز کمینه­سازی کامل انجام نشده است. در این مقاله، یک استراتژی جدیدی برپایه الگوریتم تکامل تفاضلی تطبیقی مبتنی بر تاریخچه موفقیت و کاهش خطی اندازه جمعیت (معروف به LSHADE) که جزو برندگان کنگره IEEE در محاسبات تکاملی است، جهت تولید آرایه پوشش کمینه ارائه می­کنیم. نتایج آزمون فریدمن نشان می­دهند که استراتژی LSHADE دارای اولین رتبه از نظر معیارهای تولید آرایه پوشش با کمترین اندازه و کمترین تعداد متوسط فراخوانی­های الگوریتمی در مقایسه با استراتژی­های مبتنی بر ریاضی از جمله TConfig، حریصانه از جمله IPOG، Jenny وPICT و فراابتکاری از جمله GS، TLBO،HC-BAT، PSTG، WOA، BAPSO و GSTG است. در حالی­که، از نظر معیارهای تعداد متوسط ارزیابی­های تابع محاسبه وزن و متوسط زمان اجرا، این استراتژی بعد از استراتژی GS، دارای اولین رتبه است. ضمناً، نمودارهای همگرایی سرعت همگرایی بالایِ این استراتژی را در مقایسه با استراتژی­های فراابتکاری دیگر تایید می­کنند.

یکی از وظایف اپراتور مستقل سیستم و یا اپراتور بازار، دریافت پیشنهادات سمت عرضه و تقاضا به منظور تعیین برنامه ریزی نیروگاه ها در سمت عرضه، برنامه ریزی توان مصرفی مشتریان و قیمت برق در دوره برنامه ریزی دربردارنده چندین بازه زمانی است. معیار اصلی اپراتور مستقل سیستم، حداکثرشدن رفاه اجتماعی بازیگران است. برای این منظور لازم است علاوه بر تابع هزینه سمت عرضه، تابع منفعت سمت مصرف نیز در تابع هدف گنجانده شود. در این مقاله، الگوریتم بهینه سازی ترکیبی جدیدی مبتنی بر الگوریتم غذایابی باکتری و تکامل تفاضلی برای حل مساله پخش بار اقتصادی دینامیکی - زیست محیطی مبتنی بر حداکثر رفاه اجتماعی ارائه شده است. الگوریتم ترکیبی ارائه شده علاوه بر جست وجو در یک فضای گسترده برای دستیابی به پاسخ بهینه کلی، سرعت همگرایی پذیرفتنی را نیز داراست. برای نشان دادن کارایی الگوریتم، چندین سیستم تست بررسی شده است و نتایج به دست آمده با دیگر روش ها مقایسه شده است. نتایج نشان دهنده برتری روش پیشنهادی نسبت به دیگر روش هاست.

موقعیت یابی بر اساس فیلتر ذره ای یکی از مهمترین روش ها است. با وجود این، این روش دارای مشکل هزینه محاسباتی بالا، عدم سازگاری و تباهیدگی است. در این مقاله برای رهایی از این مشکلات به مساله موقعیت یابی ربات از زاویه جدیدی به مساله موقعیت یابی نگاه شده است. در روش پیشنهادی، مساله موقعیت یابی به یک مساله بهینه سازی تبدیل شده و سپس از یک الگوریتم تکامل تفاضلی (DE) برای تخمین موقعیت و جهت ربات استفاده شده است. الگوریتم پیشنهادی در فضای حالت ربات شروع به جستجو می کند و موقعیت ربات را با توجه به اطلاعات مسافت پیمایی، فاصله یاب لیزی و نقشه محیط در هر لحظه بدست می آورد. یکی از مزایای موقعیت یابی بر اساس روش پیشنهادی در این است که مانند موقعیت یابی بر اساس فیلتر ذره ای نیاز به تابع توزیع پیشنهادی و گام نمونه برداری مجدد ندارد. بنابراین خطر تباهیدگی کاهش می یابد. عملکرد موقعیت یابی مبتنی برتکامل تفاضلی با موقعیت یابی مبتنی بر فیلتر کالمن توسعه یافته و فیلتر ذره ای مورد ارزیابی قرار گرفته است. نتایج نشان می دهد که عملکرد موقعیت یابی مبتنی بر الگوریتم تکامل تفاضلی بهتر از سایر الگوریتم های موقعیت یابی می باشد.

شبکه های فازی-عصبی به دلیل کاربرد گسترده ای که در مدل سازی فرآیندهای پیچیده براساس داده های آزمایشگاهی دارند مورد توجه محققین قرار گرفته اند. در سیسم استنتاج فازی-عصبی هدف کاهش خطای پیش بینی سیستم نسبت به داده های اصلی است. تنظیم پارامترهای شبکه فازی-عصبی از اهمیت بسیار بالایی برخوردار است و بر عملکرد آن تاثیرگذار می گذارد. برای این منظور الگوریتم بهینه سازی جدیدی مبتنی بر ترکیب دو روش بهینه سازی تکامل تفاضلی و تجمعی ذره ارایه شده است. در این الگوریتم ضرایب سرعت عملگرها با استفاده از منطق فازی به صورت دینامیکی محاسبه می شوند. این ضرایب با توجه به شماره نسل و واریانس ذرات تنظیم می شوند. در الگوریتم پیشنهادی سعی شده است که در محل های کم جمعیت تر فضای جست وجو بیشتر کاوش شود و از گیرافتادن الگوریتم در نقاط بهینه محلی جلوگیری شود. در ادامه با بهینه سازی سه تابع معیار نتایج حاصل از الگوریتم تکامل تفاضلی و تجمعی ذرات و روش پیشنهادی با هم مقایسه می شوند و عملکرد قابل قبول الگوریتم ارایه شده، قابل لمس است. در انتها شبکه فازی-عصبی برای پیش بینی سری زمانی تابع مکی-گلاس تعریف شده است که با استفاده از الگوریتم ارایه شده و الگوریتم های تکامل تفاضلی و تجمعی ذره، توابع تعلق مربوط به ورودی و خروجی شبکه فازی-عصبی به صورت دوهدفه بهینه می شوند و نمودار پارتو به دست آمده از این روش ها با هم مقایسه می شوند که نشان دهنده عملکرد بهتر الگوریتم پیشنهادی است.

رمزنگاری تصاویر به عنوان یکی از روش های حفظ امنیت اطلاعات در ارسال و دریافت آن به شمار می رود. در این میان، روش های زیادی جهت رمزنگاری وجود دارد. واضح است که استفاده از ترکیبی از این الگوریتم ها می تواند باعث افزایش امنیت الگوریتم رمزنگاری گردد. در این مقاله سعی شده است که با ترکیب دادن الگوریتم تبدیل آرنولدی با یکی از الگوریتم های تکاملی به نام الگوریتم تکامل تفاضلی، یک روش جدید جهت رمزنگاری تصاویر دیجیتال ارائه شود. الگوریتم تکامل تفاضلی پاسخ های بهینه را به روش منحصربه فرد خود تولید می کند که موجب می شود تا روش رمزنگاری تصویر متفاوت بوده و موجب افزایش امنیت و مقاومت الگوریتم رمزنگاری گردد. یک تصویر دیجیتال ابتدا با الگوریتم تبدیل آرنولدی رمزنگاری می شود و سپس روی این تصویر، تکامل تفاضلی اعمال می گردد. بدین ترتیب، مقاومت تصویر رمزنگاری شده در مقابل انواع حملات افزایش می یابد.