‫‪𝑓2‬‬ ‫‪First front‬‬

‫‪Second front‬‬
‫‪Third front‬‬
‫) 𝑥𝑎𝑚‪(𝑓1𝑚𝑖𝑛 , 𝑓2‬‬

‫‪Cuboid‬‬
‫‪𝑗−1‬‬

‫𝑗‬
‫‪𝑗+1‬‬
‫) 𝑛𝑖𝑚‪(𝑓1𝑚𝑎𝑥 , 𝑓2‬‬

‫‪𝑓1‬‬
‫شکل ‪ :10-2‬محاسبه فاصله ازدلامی ]‪[15‬‬

‫‪ 2–2–6–2‬الگوریتم بهینهسازی ازدحام ذرات چندهدفه (‪)MOPSO‬‬

‫‪ MOPSO‬یکی از محبوبترین ا گوریتمها در لوزه بهینهسازی چندهدفه است که در سال ‪ 2004‬توسط‬
‫پروفسور کوئلو‪ 1‬و همکاران ]‪ [16‬معرفی شد این ا گوریتم تعمیمی از ا گوریتم ‪ PSO‬است که برای او ین‬
‫بار در سال ‪ 1995‬توسط کندی‪ 2‬و ابرهارت‪ [57] 3‬ارائه شد ا گوریتم ‪ ،PSO‬مبتنی بر لرکت توده ذرات‪،‬‬
‫با ا هام از رفتار دستهجمعی پرندگان در طبیعت اقدام به لل مسائل پیوسته میکند ‪ PSO‬با ساختاری ساده‬
‫و قابل فهم توانایی باالیی در یافتن راهللهای بهینه دارد‬
‫روند ا گوریتم به این صورت است که مجموعهای از ذرات به عنوان راهللها در فضای جستجو به‬
‫کاوش میپردازند هر کدام از ذرات از موقعیت‪ 4‬خود و بهترین موقعیت سایر ذرات آگاه هستند و این‬
‫اطالعات را به اشتراک میگذارند بهترین خاطره شخصی‪ 5‬هر ذره و بهترین موقعیت در میان گروه ذرات‪،6‬‬
‫دو فاکتور مهم و کلیدی در ساختار و روند ا گوریتم هستند همه ذرات به سمت بهترین موقعیت لرکت‬
‫میکنند تغییر موقعیت هر ذره تابعی از موقعیت قبلی و سرعت‪ 7‬ذره در جهت موقعیت بعدی است سرعت‬
‫ذره به نوبه خود تابعی از سرعت او یه‪ ،‬بهترین تجربه شخصی‪ ،‬بهترین موقعیت یافتشده توسط گروه ذرات‬

‫‪1‬‬
‫‪Coello‬‬
‫‪2‬‬
‫‪Kennedy‬‬
‫‪3‬‬
‫‪Eberhart‬‬
‫‪4‬‬
‫‪Position‬‬
‫‪5‬‬
‫‪Personal best experience‬‬
‫‪6‬‬
‫‪Global best experience‬‬
‫‪7‬‬
‫‪Velocity‬‬

‫‪50‬‬