ژنتیک مرتب سازی نامغلوب

هدف پژوهش ارائه الگوی بهینه سازی فین تک براساس شاخص های هوش مصنوعی در بازار مالی بوده است. پژوهش به علت ارائه الگو از نوع پژوهش های اکتشافی است و چون بهره وران از نتایج آن استفاده می کنند، کاربردی تلقی می شود. الگوریتم ژنتیک مرتب سازی نامغلوب (NSGA-II) به عنوان یک روش فراابتکاری برای حل 9 شبیه سازی مسئله مورد استفاده قرار گرفت سپس جوابهای بدست آمده از این روش با روش اپسیلن محدودیت مقایسه شدند، ارتباط بین جواب ها نشاندهنده آن است که الگوریتم توسعه داده شده NSGA-II توانایی رسیدن به جواب مناسب در زمان کوتاه تر در مقایسه با روش اپسیلن محدودیت علی الخصوص برای تست مسئله های بزرگ مقیاس را دارا می باشد. نتایج حاصل از حل مدل ریاضی پیشنهادی با ارائه نه شبیه سازی مسئله به وسیله الگوریتم های مورد نظر بیان شده و در نرم افزار GAMS و MATLAB حل گردید. مدلی که در این تحقیق در نظر گرفته شده است یک مدل دو هدفه برای حداقل سازی حرکات بین سلولی و خرید فین تک (تشکیل سلول) و بیشینه سازی روابط عملگرهای هوش مصنوعی با ملاحظات شبکه ای و کارایی عملگرها بر روی فین تک ها (تخصیص عملگر) می باشد. این الگو، نه تنها بهبود در کارایی فین تک ها را فراهم می کند بلکه با ارائه رویکردی نوین و مؤثر، امکان تطبیق با چالش های مختلف بازار مالی را نیز فراهم می سازد. از این رو، استفاده از این الگوی بهینه سازی می تواند به بهبود عملکرد و سودآوری در بازار مالی کمک کرده و به توسعه و پیشرفت در فضای مالی کمک نماید.