این پروژه که با زبان برنامه نویسی متلب نوشته شده است یکمقاله IEEE با عنوان

 A Multiobjective Optimization-Based Evolutionary Algorithm for ConstrainedOptimization را پیاده سازی میکند. این پروژهالگوریتم بهینه سازی شده چند هدفه را مبتنی بر الگوریتم های تکاملی بصورت ژنتیکپیاده سازی میکند.

کلیه سورس های نوشته شده دارای کامنت گذاری بوده و تنهاکافیست جهت ارائه به استاد مطالعه بروی مقاله ی پیاده شده و کدهای نوشته شده داشتهباشید.

در قسمت “دانلود دمو” میتوانید مقاله پیاده سازیشده را دانلود کنید.

این پروژه از چندین تابع تشکیل شده است که عبارتند از :

·       crossover.m : در این تابعکدهای مربوط به ترکیب در الگوریتم ژنتیک نوشته شده است.

·       fitness.m : فیت نس مربوطبه الگوریتم ژنتیک نیز در قالب این اسکریپت یا متد نوشته شده است.

·       و …

چکیده لاتین مقاله به صورت ذیل میباشد :

A considerable number of constrained optimization evolutionaryalgorithms (COEAs) have been proposed due to

increasing interest in solving constrained optimization problems (COPs) by evolutionary algorithms (EAs). In this paper, we first review existing COEAs. Then, a novel EA for constrainedoptimization is presented. In the process ofpopulation evolution, our algorithm is based onmultiobjective optimization techniques, i.e., anindividual in the parent population may be replaced if it is dominated by a nondominated individual in the offspringpopulation. In addition, three models of apopulation-based algorithm-generator and an infeasiblesolution archiving and replacement mechanism

are introduced. Furthermore, the simplex crossover is used as a recombination operator to enrich the exploration and exploitation abilities of the approach proposed. The new approach istested on 13 well-known benchmark functions, and the empirical evidence suggests that it is robust, efficient, and generic whenhandling linear/nonlinear equality/inequality constraints. Comparedwith some other state-of-the-art algorithms, our algorithmremarkably outperforms them in terms of thebest, mean, and worst objective function values andthe standard deviations. It is noteworthy that

our algorithm does not require the transformation of equality constraints into inequality constraints.