الگوریتم ژنتیک چندهدفه (MOGA - Multi-Objective Genetic Algorithm)، در ریاضیات (Mathematics)
انواع روش های بهینه سازی (Optimization Methods) را در آموزش زیر شرح دادیم :
الگوریتم ژنتیک چندهدفه (MOGA - Multi-Objective Genetic Algorithm) :
📌 تعریف: الگوریتم ژنتیک چندهدفه (MOGA - Multi-Objective Genetic Algorithm) یکی از اولین الگوریتم های تکاملی برای حل مسائل بهینه سازی چندهدفه است که توسط فونسکا و فلمینگ در سال ۱۹۹۳ معرفی شد. MOGA از یک رویکرد رتبه بندی مبتنی بر پارتو استفاده می کند و مکانیسم هایی برای حفظ تنوع در جمعیت دارد.
🔧 ویژگی های کلیدی MOGA
رتبه بندی مبتنی بر پارتو (Pareto-based Ranking): به هر فرد یک رتبه بر اساس تعداد افرادی که بر آن غلبه می کنند اختصاص داده می شود. افراد غیرمغلوب رتبه ۱ می گیرند. سپس این رتبه ها برای محاسبه برازندگی استفاده می شوند.
اشتراک گذاری برازندگی (Fitness Sharing): برای حفظ تنوع و جلوگیری از همگرایی به یک ناحیه از مرز پارتو، برازندگی افراد بر اساس فاصله آنها در فضای اهداف تعدیل می شود. اگر دو فرد به هم نزدیک باشند، برازندگی آنها کاهش می یابد.
الیتیسم (Elitism): در برخی نسخه ها، بهترین افراد غیرمغلوب مستقیما به نسل بعد منتقل می شوند.
📈 مزایا و معایب
مزایا: سادگی نسبی، معرفی مفاهیم کلیدی مانند رتبه بندی پارتو و اشتراک گذاری.
معایب: حساسیت به پارامتر اشتراک گذاری، کارایی پایین تر نسبت به نسخه های جدیدتر مانند NSGA-II.
