چکيده— الگوریتم ژنتیک – که یک روش مبتنی بر جمعیت می باشد – به خوبی برای حل مسائل بهینه سازی چند منظوره مناسب سازی شده است. یک الگوریتم ژنتیک تک منظوره عمومی را می توان به آسانی بگونه ای اصلاح نمود که بتواند مجموعه ای شامل چندین جواب غیر غالب را در یک بار اجرا شناسایی کند. قابلیت الگوریتم ژنتیک در جستجوی همزمان نواحی مختلف یک فضای جواب این امکان را فراهم می آورد تا مجموعه متنوعی از جواب های مربوط به مسائل دشوار را با درنظر گرفتن فضاهای جواب غیر محدب، گسسته و چند وجهی تعیین نماید. عملگر تقاطع در الگوریتم ژنتیک می تواند از ساختار های مربوط به جواب های خوب و مناسب مربوط به اهداف مختلف بهره برداری نماید تا اینکه جواب های جدید و غیر غالب را در بخش های کاوش نشده جبهه Pareto ایجاد نماید. بعلاوه الگوریتم های ژنتیک چند منظوره مستلزم این نمی باشند که کاربر اهداف را اولیت بندی، مقیاس دهی و یا وزن دهی کند. لذا الگوریتم ژنتیک مشهورترین روش ابتکاری برای مسائل طراحی و بهینه سازی چند منظوره بشمار می رود. Jones و همکارانش (در مرجع شماره 60) عنوان می دارند که 90 درصد از روش های بهینه سازی چند منظوره تلاش دارند تا جبهه Pareto صحیح مربوط به مساله تحت بررسی را تخمین بزنند. اکثریت این روش ها از یک تکنیک فراابتکاری استفاده می کنند و پایه و اساس 70 درصد روش های فراابتکاری، روش های تکاملی می باشد. اساسا 4 روش برای بهینه سازی چند منظوره در الگوریتم ژنتیک وجود دارد: روش های تجمیع ساده، روش های جمعیت-محور غیر Pareto، روش های استنتاج نیچینگ و روش های مبتنی بر Pareto

Abstract:  Being a population based approach, GA are well suited to solve multi-objective optimization problems. A generic single-objective GA can be easily modified to find a set of multiple non-dominated solutions in a single run. The ability of GA to simultaneously search different regions of a solution space makes it possible to find a diverse set of solutions for difficult problems with non-convex, discontinuous, and multi-modal solutions spaces. The crossover operator of GA may exploit structures of good solutions with respect to different objectives to create new non-dominated solutions in unexplored parts of the Pareto front. In addition, most multi-objective GA do not require the user to prioritize, scale, or weight objectives. Therefore, GA has been the most popular heuristic approach to multi-objective design and optimization problems. Jones et al. [60] reported that 90% of the approaches to multi-objective optimization aimed to approximate the true Pareto front for the underlying problem. A majority of these used a meta-heuristic technique, and 70% of all meta-heuristics approaches were based on evolutionary approaches. Manly there are four approaches for multi objective optimization in genetic algorithm [56-58]: plain aggregating approaches, population-based non-Pareto approaches, Niched induction approaches, and Pareto-based approaches.