مسائل بهینه سازی ازجمله مسائل پرکاربرد در انواع سیستم های هوشمند هستند و ازآنجایی که برای حل چنین مسائلی با چند هدف متعارض مواجه هستیم، حل آن ها کاری چالش برانگیز است. به عبارت دیگر، در دنیای واقعی ما اکثراً با مسائلی مواجه هستیم که دارای بیش از یک هدف بوده و برای تصمیم گیری باید به هرکدام از این اهداف توجه شود. تاکنون الگوریتم های بهینه سازی چندهدفه ی متفاوتی برای حل این گونه مسائل طراحی و پیشنهاد شده اند. امروزه با بیشتر شدن تعداد اهداف، مسائل پیچیده تر شده و روش های چندهدفه در مواجهه با آن ها دچار مشکل می شوند. بنابراین، برای حل مسائل با ابعاد بالاتر مدل های موجود نیازمند تغییراتی هستند. بنابر چالش های موجود در این حوزه و پس از بررسی نقاط ضعف و قوت الگوریتم های ارائه شده، در این پایان نامه دو روش برای حل مسائل بهینه سازی چندهدفه و بسیارهدفه پیشنهاد شده است. روش های پیشنهادی تلاش دارند تا در هر مرحله جواب هایی را تولید و انتخاب نماید که ضمن حفظ تنوع، دارای همگرایی خوبی نیز باشند. به منظور طراحی چنین الگوریتم هایی، عملگر انتخاب نسبت به بقیه عملگرها در فرآیند تکاملی از اهمیت بیشتری برخوردار است. برای طراحی یک عملگر انتخاب مناسب، می بایست راهکاری برای ایجاد تعادل بین دو مؤلفه ی همگرایی و تنوع سنجیده شود : 1) در روش اول از یک استراتژی تجزیه استفاده شده به طوری که مسئله ی چندهدفه را به چند زیر مسئله کوچک تر با استفاده از خوشه بندی مبتنی بر گراف تبدیل می کند. در ادامه، این روش جواب های موجود در هر خوشه را جداگانه بررسی و بهینه سازی می کند. 2) در روش دوم برای طراحی یک مدل بسیارهدفه با الهام از روش اول؛ الگوریتمی پیشنهاد شده که هم زمان با حفظ همگرایی، برای ایجاد تنوع بین جمعیت هر نسل، از یک استراتژی امتیازدهی براساس خوشه بندی حداکثر چگالی استفاده می کند. این الگوریتم با رویکردی مانند رویکرد انتخاب مراکز خوشه ها در روش خوشه بندی حداکثر چگالی، بهترین اعضا برای نسل بعد را از بین اعضای پرچگال به گونه ای انتخاب می کند که نقاطی با بیشترین چگالی محلی و بیشترین فاصله از نقاط پرچگال دیگر به عنوان جمعیت نسل بعد انتخاب شوند.به منظور ارزیابی کارایی روش های پیشنهادی، نتایج حاصل از روش اول با دو مدل بهینه سازی چندهدفه، بر چهار مسئله مورد مقایسه قرار گرفته اند که نتایج، حاکی از برتری روش پیشنهادی اول است. همچنین در آزمایشات متنوعی، روش دوم پیشنهادی با شش مدل بهینه سازی چندهدفه و بسیارهدفه بر دو مجموعه ی گسترده از توابع محک مقایسه گردید که نتایج با استفاده از تحلیل های آماری نشان دهنده ی برتری مدل پیشنهادی دوم هستند.
