الگوریتم تکاملی مبتنی بر مدل با استفاده از خوشه بندی فازی C-میانگین و تحلیل مولفه های اصلی

ساختار عملگرها در بیشتر الگوریتم های تکاملی چند هدفه سنتی بر اساس قوانین ثابت اکتشافی مانند تقاطع و جهش است که قادر به یادگیری ساختارها یا خصوصیات مسایل بهینه سازی نیستند.  برای تجهیز الگوریتم های تکاملی به توانایی های یادگیری، اخیرا الگوریتم های تکاملی مبتنی بر مدل ارایه شده است. در الگوریتم های تکاملی مبتنی بر مدل، عملگرهای ابتکاری با مدل های یادگیری ماشین مانند مدل های آموزش و نمونه جایگزین می شوند. در این مقاله یک الگوریتم تکاملی چند هدفه مبتنی بر مدل ارایه شده است که در آن هر نسل، یک ناحیه محتمل از فضای جستجو، به وسیله یک مدل احتمالی، می شود. بر روی ناحیه محتمل در فضای جستجو، که همان نقاط غالب، با مرتبه بهتر می باشند، خوشه بندی یا بر اساس روش های فازی انجام می گیرد و یا این که بر روی نقاط غالب با مرتبه اول، یک عملگر انتخاب مسابقه ای ازدحام، صورت می پذیرد تا نقاط بافاصله نزدیک به هم، حذف شوند و نتیجه حاصل به عنوان نقاط مرکزی خوشه ها در نظر گرفته می شود و سپس، خوشه بندی بر اساس نزدیک ترین همسایه ها، صورت می پذیرد. از الگوریتم تجزیه تحلیل مولفه های اصلی، که بهترین روش برای کاهش ابعاد داده به صورت خطی می باشد، برای مدل سازی، استفاده شده است. راه حل های جدید از مدل ساخته شده، بر اساس یک توزیع نرمال، به دست آمده می آیند. روش پیشنهادی مورد آزمایش قرارگرفته است و نتایج حاصل از آن با روش الگوریتم های ژنتیک مرتب سازی نامغلوب، مقایسه شده است. نتایج نشان می دهد که این روش سریع تر از روش های قبلی می باشد و با تعداد کمتری تکرار و ارزیابی توابع، نتایج بهتری به دست می آید.