به کارگیری واحدهای تولید پراکنده در شبکه های توزیع به علت مزایای بسیار آن، توجه مدیران شبکه قدرت را به خود جلب کرده است. در این تحقیق، جایابی و تعیین ظرفیت منابع تولید پراکنده با اهداف مختلف به صورت همزمان بررسی شده است. اهداف برنامه ریزی در این تحقیق کاهش تلفات، بهبود پروفیل ولتاژ، بهبود پایداری ولتاژ و کاهش سطح اتصال کوتاه شبکه است. برای محاسبه مقادیر توابع هدف از پخش بار جاروب رفت و برگشت و محاسبات اتصال کوتاه استفاده شده است. برای حل مسیله از یک الگوریتم بهینه سازی چندهدفه موسوم به الگوریتم بهینه سازی ژنتیک چندهدفه نامغلوب بهبودیافته استفاده شده است. این الگوریتم منجر به ایجاد جواب های متنوعی می شود که کاربر می تواند برحسب نیاز، هرکدام از آن ها را انتخاب کند. برای انتخاب بهترین پاسخ از جواب های بهینه از روش فازی استفاده شده است. روش پیشنهادی بر روی شبکه استاندارد 33 شینه IEEE بررسی شده است. برای این منظور سناریوهای مختلفی لحاظ شده و جواب بهینه در هریک از این حالات تعیین گردیده است. نتایج حاصل از روش پیشنهادی، کارایی آن را نشان خواهند داد.

مسئله انتخاب و بهینه سازی سبد سهام از مباحث مهم در حوزه سرمایه گذاری محسوب شده که موجب ارائه مدل های مختلفی جهت حل آن ها گردیده است. این قبیل مسائل غیر خطی و NP-Hard بوده و حل آن ها به روش دقیق بسیار مشکل و زمان بر است. با عنایت به اینکه روش های فرا ابتکاری قابلیت بالایی در حل مسئله بهینه سازی سبد سهام داشته، ازاین رو در این پژوهش با ارائه مدل میانگین – واریانس و نوعی از مدل میانگین - ارزش در معرض ریسک که در آن موضوع ارزش در معرض ریسک از منظری دیگر بررسی می گردد، و لحاظ محدودیت های دنیای واقعی، به حل مسئله بهینه سازی سبد سهام در بورس اوراق بهادار تهران با استفاده از الگوریتم های ژنتیک رتبه بندی نامغلوب II،کلونی مورچگان چندهدفه و کلونی زنبور مصنوعی چندهدفه پرداخته و در همین راستا عملکرد الگوریتم ها و مدل های موردمطالعه، مقایسه و بررسی شده است. نتایج این مطالعه نشان می دهد، در تکرار پایین در اجرای الگوریتم های موردبررسی، عملکرد الگوریتم ژنتیک رتبه بندی نامغلوب II بهتر از الگوریتم های کلونی زنبور مصنوعی چندهدفه و کلونی مورچگان چندهدفه است. با افزایش تکرار، عملکرد الگوریتم ها بهبودیافته، لیکن نرخ بهبود عملکرد آن ها یکسان نیست ، به نوعی که عملکرد الگوریتم کلونی زنبور مصنوعی چندهدفه از دو الگوریتم دیگر موردمطالعه بهتر بوده است. برای مقایسه عملکرد مدل های موردمطالعه، هر دو مدل در الگوی استاندارد میانگین- واریانس مورد مقایسه قرار گرفت که نتایج آن حاکی از کارآمدی بالاتر معیار ارزش در معرض ریسک به نسبت معیار واریانس در بهینه سازی سبد سهام است.

دسته موتورهای لاستیکی عملکرد مناسبی در محدوده ی بسامد کاری ندارند؛ از این رو، دسته موتورهای هیدرولیکی برای حل این مشکل پیشنهاد شدند. در این مقاله دسته موتور هیدرولیکی در بسامدهای پایین بررسی شده و نشان داده شده است که افزایش سفتی دینامیکی و ضریب میرایی با کاهش انتقال پذیری دسته موتور، سه هدف متضادند؛ بنابراین از الگوریتم ژنتیک با اهداف کاهش انتقال پذیری و افزایش سفتی دینامیکی و ضریب میرایی استفاده شده و نمودار جبهه ی پارتو رسم شده است. همچنین به منظور انتقال بیشینه ی نمودار انتقال پذیری به خارج بازه ی کاری موتور از تابع جریمه استفاده شده است. با توجه به تضاد اهداف، بهینه سازی پاسخ یکتا ندارد و شامل مجموعه یی از پاسخ هاست. در نهایت به ازای سه دسته پارامتر بهینه، نمودار انتقال پذیری، سفتی دینامیکی و ضریب میرایی رسم و اثر بهینه سازی مشخص شده است. نتایج نشان دهنده ی کاهش انتقال پذیری در بازه ی بسامد کاری موتور و همچنین انتقال بیشینه ی مقدار آن به خارج بازه ی کاری موتور است.

در موضوعات مالی سبد سهام را می توان به معنی یک ترکیب و یا مجموعه ای از سرمایه گذاری ها دانست که بوسیله یک موسسه و یا یک فرد نگهداری می شود. بهینه سازی سبد سهام به منظور حداکثر سازی سود یکی از اصلی ترین دغدغه های سرمایه گذاران در بازارهای مالی است. تشکیل سبد سهام به عنوان یک تصمیم گیری حساس و حیاتی برای شرکتها شناخته شده است. در واقع مساله انتخاب سبد سهام مساله تخصیص سرمایه بین گزینه های مختلف سهام می باشد. به همین دلیل انتخاب یک سبد سهام با نرخ بازدهی بالا و ریسک کنترل شده یکی از موضوعاتی است که مورد توجه بسیاری از محققان قرار گرفته است. روش های فعلی در بهینه سازی سبد سهام از کارائی لازم برخوردار نبوده و لذا برای حل این مشکل الگوریتم های ابتکاری مورد توجه قرار گرفته اند. الگوریتم ژنتیک یکی از الگوریتم های ابتکاری است که می تواند مسائل بهینه سازی سبد سهام را با کارائی بالا انجام دهد. هدف تحقیق حاضر توضیح کامل الگوریتم ژنتیک و استفاده از این الگوریتم در مسائل بهینه سازی سبد سهام می باشد. مساله انتخاب سبدهای سهام آن قدر پیچیده هستند که روشهای حل فعلی در برابر آن ناتوان بوده، از این رو استفاده از الگوریتم های ابتکاری برای حل آنها مورد توجه قرار گرفته و توسعه یافته است. در این پژوهش روشی بر مبنای الگوریتم ژنتیک چند هدفه NSGA-II برای تشکیل سبد سهام ارائه می شود. همچنین ما داده های 30 شرکت برتر را از شرکتهای بورس اوراق بهادار تهران به عنوان نمونه آماری انتخاب نموده و اطلاعات سهام آنها را از ابتدای سال 1386 تا پایان سال 1390 مورد استفاده قرار داده ایم. نتایج نشان می دهد که الگوریتم ژنتیک چند هدفه NSAG-II طراحی شده برای انتخاب سبد سهام ابزاری مناسب و کارا برای کمک به سرمایه گذاران در انتخاب سبد سهام می باشد.

هدف اصلی این مقاله اتخاذ طرح بهینه بال هواپیما در رده هوانوردی عمومی، به منظور دست یابی به برد و وزن بهینه می باشد. بدین منظور از الگوریتم ژنتیک با مرتب سازی نامغلوب به عنوان ابراز بهینه سازی به جهت کاهش سه مولفه مهم طراحی هواپیما شامل: تصمیمات نیازمند مصالحه، زمان و هزینه استفاده شده است. تابع هزینه مسئله بهینه سازی، افزایش برد هواپیما و کاهش وزن بال می باشد، که توسط پنج تابع جریمه و محدود کردن بازه متغیر های تصمیم مقید شده است. تابع جریمه اول ضریب برآ را که باید با ضریب برآ مورد نیاز جهت تحمل وزن هواپیما در فاز کروز پرواز برابر باشد، مقید میکند. تابع جریمه دوم و سوم نسبت باریک شوندگی بال، نسبت بیشینه ضخامت نوک به ریشه بال، که باید بین صفر و یک باشد را مقید می کند. تابع جریمه چهارم، جمع قدر مطلق زاویه پیچش با زاویه نصب بال که باید بیشتر یا برابر با قدر مطلق زاویه حمله برآ صفر بال باشد را مقید می سازد. تابع جریمه پنجم اجازه تخطی نسبت برآ به پسا از حد بیشینه آن را نمی دهد. متغیر های تصمیم نیز شامل طول بال، وتر ریشه بال، وتر نوک بال، زاویه پیجش، زاویه نصب، زاویه حمله در برآ صفر ایرفویل، بیشیه ضخامت ریشه و نوک بال بوده است. در انتها طرح بهینه شکل بال ارائه شده و صحت سنجی آن صورت گرفته است. نتایج حاکی از آن است که نسبت به کارا ترین هواپیما هدف میزان 6/84 درصد بهبود در برد اما 2/87 درصد وزن بیشتر حاصل شده است.

مسائل بهینه سازی بهره برداری از مخازن سدها از جمله مسائل مهم در علوم آب می باشد که تا کنون با انواع روش های بهینه سازی مورد بررسی قرار گرفته است. در سال های اخیر تعداد زیادی از الگوریتم های تکاملی چندهدفه معرفی شده است. از جمله این الگوریتم ها می توان به نسخه دوم الگوریتم ژنتیک چندهدفه با مرتب سازی نامغلوب اشاره نمود که در سال 2002 توسط دب و همکاران معرفی شد. در این تحقیق نوآوری و هدف استفاده از الگوریتم ازدحام ذرات با رویکرد مرتب سازی نامغلوب و بررسی کارایی این الگوریتم در بحث بهینه سازی بهره برداری از مخزن سد است. در نهایت نتایج حاصل از آن با الگوریتم NSGA-II مقایسه گردد تا در نهایت به یک سیاست مدیریتی پایدار در سیستم های منابع آب و به ویژه بهره برداری از مخزن سد رسید. مواد و روش ها در این تحقیق نسخه چندهدفه الگوریتم ژنتیک و ازدحام ذرات با به کارگیری مفاهیمی همچون غلبه و فاصله ازدحامی مورد بررسی قرار گرفتند و برای حل مسئله بهینه سازی بهره برداری از مخزن سد ملاصدرا واقع در استان فارس به کار برده شدند. مسئله بهینه سازی با دو هدف تعریف گردید. یکی از آن ها کمینه سازی اختلاف نیاز کشاورزی از رهاسازی بوده است و تابع هدف دوم بیشینه سازی حجم ذخیره سیلاب تعریف گردید. دو الگوریتم با توجه معیارهایی مانند زمان اجرا، تعداد راه حل هایی که در جبهه پارتو قرار می گیرند، معیار فاصله و معیار عملکرد مقایسه شدند. یافته ها نتایج تحقیق نشان داد که هر دو الگوریتم توانایی حل این مسئله بهینه سازی را دارا می باشند. همچنین نتایج نشان داد که هر یک از الگوریتم ها در برخی از معیارها، عملکرد مناسب تری نسبت به دیگر داشته است. نتایج بررسی زمان اجرای هر یک از الگوریتم ها نشان داد که سرعت اجرای الگوریتم چندهدفه ازدحام ذرات (NSPSO-II) به مراتب بیشتر از الگوریتم چندهدفه ژنتیک (NSGA-II) می باشد به طوری که میانگین زمان اجرای الگوریتم NSGA-II در تعداد جمعیت 50 با مقدار 3897/21 ثانیه تقریبا سه برابر میانگین زمان اجرا در الگوریتم NSPSO-II با مقدار 3169/6 ثانیه است. با توجه به معیار عملکرد نیز الگوریتم NSPSO-II عملکرد مناسب تری نسبت به الگوریم NSGA-II داشته است. اما از سوی دیگر با توجه به معیار تعداد راه حل های واقع در جبهه پارتو الگوریتم NSGA-II تعداد راه حل های بسیار بیشتری را در جبهه پارتو یافته است و به همین دلیل فاصله در الگوریتم NSGA-II کمتر از NSPSO-II بوده است. نتیجه گیری الگوریتم NSGA-II تعداد راه حل های بسیار بیشتری را در جبهه بهینه پارتو یافته است و راه حل های واقع در جبهه بهینه پارتو به طور مناسبی جبهه پارتو را بر خلاف الگوریتم NSPSO پوشش دادند. همچنین مقایسه راه حل های واقع در جبهه بهینه پارتو نشان داد که الگوریتم NSPSO-II در راستای بیشینه سازی تابع هدف دوم گام برداشته در حالی که الگوریتم NSGA-II در راستای کمینه سازی تابع هدف اول حرکت کرده است.

در این مقاله، یک چارچوب برای بهینه سازی چندهدفه سیستم ترکیبی فتوولتائیک/دیزل ژنراتور (PV/DG) ارائه شده است. این مطالعه طراحی سیستم PV/DG را با اهداف کاهش هزینه، کاهش آلایندگی و افزایش قابلیت اطمینان دنبال می کند. هزینه خالص فعلی (TNPC)، آلایندگی دی اکسیدکربن و احتمال ازدست دادن منبع تغذیه (LPSP) به عنوان توابع هدف مسئله انتخاب شده اند. این سیستم در سه وضعیت 1-بدون در نظر گرفتن عدم قطعیت و رزرو، 2-با در نظر گرفتن عدم قطعیت و 3-با در نظر گرفتن عدم قطعیت و رزرو بررسی شده است. به منظور حل مؤثر این مسئله بهینه سازی، نسخه چندهدفه الگوریتم جستجوی کلاغ (MO-CSA) توسعه داده شده و نتایج شبیه سازی با نتایج حاصل از الگوریتم پرطرفدار ژنتیک مبتنی بر رتبه بندی نامغلوب II (NSGA-II) مقایسه شده است. کدنویسی مسئله در محیط نرم افزار متلب انجام گرفته و مرزهای پارتو حاصل از بررسی سیستم در هر یک از سه وضعیت مذکور با یکدیگر مقایسه شده است. نتایج حاصل نشان می دهند که ترکیب دیزل ژنراتور و سیستم فتوولتائیک گزینه مناسبی برای تحقق اهداف در نظر گرفته شده و تأمین توان الکتریکی مناطق مستقل از شبکه است. ضمن آن که الگوریتم جستجوی کلاغ چندهدفه نتایج بهتری نسبت به الگوریتم ژنتیک مبتنی بر رتبه بندی نامغلوب II پیدا می کند.

این مقاله الگوریتم ژنتیک چندهدفه (eV-MOGA) را برای بهینه سازی هزینه تولید، آلودگی و تلفات انتقال توان اکتیو در سیستم های قدرت مجهزشده به سیستم های انتقال ac قابل انعطاف (FACTS) ارائه می کند. در رویکرد پیشنهادی، مساله پخش بار بهینه به عنوان یک مساله بهینه سازی چندهدفه فرمول بندی گردیده و ادوات FACTS در نظر گرفته شده شامل خازن سری کنترل شده با تایریستور (TCSC) است. رویکرد پیشنهادی روی یک سیستم تست 57باسه آزمایش شده و نتایج به دست آمده از رویکرد پیشنهادی با نتایج به دست آمده از روش های NSGA-II و MODE مقایسه شده اند.

مکان یابی کاربری ها یکی از مهمترین مسائل شهرسازی است که دارای مقیاس های متفاوتی می باشد. هنگامی که با یک مسئله ی مکان یابی کوچک مقیاس با شرایط و محدودیت های اندک روبه رو باشیم می توان با استفاده از روش های سنتی به جواب رسید ولی زمانی که با یک مسئله ی بزرگ مقیاس مکان یابی با شرایط و محدودیت های زیاد روبه رو باشیم، مشکل بتوان بدون استفاده از هوش مصنوعی و الگوریتم های تکاملی، مکان بهینه یا حتی نزدیک به آن را در مقیاس زمان و هزینه ی قابل قبول به دست آورد. هدف این مقاله، معرفی یک تکنیک کارآمد و مناسب برای حل مسائل مکان یابی چندهدفه است. در پژوهش حاضر نوع تحقیق کاربردی و روش تحقیق توصیفی-تحلیلی است. به همین منظور یک مسئله ی مکان یابی فرودگاه برای یکی از شهرهای بزرگ کشور، به عنوان مطالعه موردی بر اساس الگوریتم ژنتیک رتبه بندی نامغلوب (NSGA-II) بررسی شده و بنابر بر شاخص هایی مانند دسترسی آسان، کاهش آلودگی صوتی، میدان دید خلبان، دسترسی به تاسیسات و زیرساخت ها و. . . به صورت یک مدل برنامه ریزی ریاضی با 6 تابع هدف و تعداد مشخصی شرایط مورد نیاز پیکربندی شده است. در نهایت با حل مسئله از طریق الگوریتم پیشنهادی، از میان 200 جواب نهایی که شامل جبهه جواب های متفاوت بود، یک جبهه جواب با 4 نقطه به عنوان مکان بهینه برای احداث فرودگاه برگزیده شد. الگوریتم ژنتیک رتبه بندی نامغلوب(NSGA-II) که جز روش های مستقیم حل مسائل مکان یابی چندهدفه می باشد، با توجه به سرعت و دقت بیشتر نسبت به سایر روش ها و همچنین ارائه ی یک سیستم پشتیبان تصمیم، به عنوان رهیافتی تازه در مسائل مکان یابی چندهدفه، جانشین مناسبی برای روش های تجزیه و روش های سنتی خواهد بود.