الگوریتم ژنتیک : الگوریتم ژنتیک (GA) یک تکنیک جستجو در علم رایانه برای یافتن راه حل بهینه و مسائل جستجو است. الگوریتمهای ژنتیک یکی از انواع الگوریتمهای تکاملیاند که از علم زیستشناسی مثل وراثت، جهش، [انتخاب ناگهانی(زیستشناسی)]، انتخاب طبیعی و ترکیب الهام گرفته شده است. الگوریتم ژنتیک که بهعنوان یکی از روشهای تصادفی بهینه یابی شناخته شده, توسط جان هالند در سال ۱۹۶۷ ابداع شدهاست. در واقع الگوریتمهای ژنتیک از اصول انتخاب طبیعی داروین برای یافتن فرمول بهینه جهت پیشبینی یا تطبیق الگو استفاده میکنند. کاربرد اصلی الگوریتم ژنتیک در کامپیوتر است. اما روشهای الگوریتم ژنتیک در مهندسی صنایع، برنامهریزی تولید، مدیریت تولید، مدیریت فناوری اطلاعات و مدیریت صنعتی نیز قابل استفاده است. از الگوریتم ژنتیک میتوان در مدیریت بازاریابی نیز استفاده کرد. برای نمونه استفاده از الگوریتم ژنتیک در بهینه سازی درختان تصمیم گیری برای اعتبارسنجی مشتریان بانکها یکی از موارد کاربرد الگوریتم ژنتیک در مدیریت بازاریابی است که میتواند برای پایان نامه استفاده شود.مدلهای برنامهریزی یکپارچه تولید و توزیع نیز با الگوریتم ژنتیک قابل طراحی است.
الگوریتم هیستوریک : هیوریستیکها عبارتند از معیارها ، روشها یا اصولی برای تصمیمگیری بین چندین خطمشی و انتخاب اثربخشترین برای دستیابی به اهداف موردنظر . هیوریستیکها نتیجه برقراری اعتدال بین دو نیاز هستند.سیستمهای پیچیده اجتماعی تعداد زیادی از مسائل دارای طبیعت ترکیباتی را پیش روی ما قرار میدهند . مسیر کامیونهای حملونقل باید تعیین شود ، انبارها یا نقاط فروش محصولات باید جایابی شوند ، شبکههای ارتباطی باید طراحی شوند ، کانتینرها باید بارگیری شوند ، رابطهای رادیویی میبایست دارای فرکانس مناسب باشند ، مواد اولیه چوب ، فلز ، شیشه و چرم باید به اندازههای لازم بریده شوند ؛ از این دست مسائل بیشمارند . تئوری پیچیدگی به ما می گوید که مسائل ترکیباتی اغلب پلینومیال(Polynomial) نیستند . این مسائل در اندازههای کاربردی و عملی خود به قدری بزرگ هستند که نمیتوان جواب بهینه آنها را در مدت زمان قابل پذیرش به دست آورد. چندین رویکرد برای طراحی جوابهای با کیفیت قابل پذیرش تحت محدودیت زمانی قابل پذیرش پیشنهاد شده است . الگوریتمهایی هستند که میتوانند یافتن جوابهای خوب در فاصله مشخصی از جواب بهینه را تضمین کنند که به آنها الگوریتمهای تقریبی میگویند . الگوریتمهای دیگری هستند که تضمین میدهند با احتمال بالا جواب نزدیک بهینه تولید کنند که به آنها الگوریتمهای احتمالی گفته میشود . جدای از این دو دسته ، میتوان الگوریتمهایی را پذیرفت که هیچ تضمینی در ارائه جواب ندارند اما بر اساس شواهد و سوابق نتایج آنها ، به طور متوسط بهترین تقابل کیفیت و زمان حل برای مسئله مورد بررسی را به همراه داشتهاند ؛ به این الگوریتمها، الگوریتمهای هیوریستیک گفته میشود.
متاهیستوریک : تحقیقات سال های گذشته پیرامون روش های حل مساله نشان می دهد، به دلیل طولانی بودن زمان حل مسائل با استفاده از الگوریتم های ابتکاری و همچنین روش های دقیق، بیشتر مطالعات در سال های اخیر بر روش های فراابتکاری متمرکز بوده و به نظر می رسد، در بیشتر تحقیقات و مطالعات مرتبط به رشته های مهندسی، استفاده از روش های مذکور ضروری می باشد. هیوریستیکها میتوانند خیلی خوب عمل کنند (گاهی اوقات تا حد بهینگی)، اما ممکن است در جوابهای دارای کیفیت پایین گیر کنند. یکی از مشکلات مهمی که این الگوریتمها با آن روبرو میشوند افتادن در بهینههای محلی است، بدون اینکه هیچ شانسی برای فرار از آنها داشته باشند. برای بهبود این الگوریتمها از اواسط دهه هفتاد، موج تازهای از رویکردها آغاز گردید . این رویکردها شامل الگوریتمهایی است که صریحا یا به صورت ضمنی تقابل بین ایجاد تنوع جستجو (وقتی علائمی وجود دارد که جستجو به سمت مناطق بد فضای جستجو میرود) و تشدید جستجو (با این هدف که بهترین جواب در منطقه مورد بررسی را پیدا کند) را مدیریت میکنند.این الگوریتمها متاهیوریستیک نامیده میشوند .
