اهمیت یادگیری مبانی محاسبات تکاملی و بهینه‌سازی هوشمندچیست؟ مبحث بهینه‌سازی (Optimization) شامل خانواده بزرگی از مسائل کاربردی و روش‌های پیشنهادی برای حل این مسائل است. تقریبا هیچ رشته کاربردی و تخصصی را نمی‌توان یافت که نیازمند حل مسائل بهینه‌سازی نباشد. علاوه بر این، زندگی روزمره ما انسان‌ها نیز تقریبا بدون حل روازنه ده‌ها مساله بهینه‌سازی ریز و درشت نیست. از منظر آکادمیک و یا حرفه ای، دانستن مفاهیم پایه بهینه‌سازی و آشنایی با روش‌های حل مسائل بهینه‌سازی، یکی از ضرورت‌های مهم است. از این رو، دانشجویان رشته های مختلف و همین طور متخصصین شاغل در صنایع مختلف، نیازمند آشنایی با مفاهیم و روش‌های بهینه‌سازی هستند. در این آموزش که عملا درس شماره صفر تمام دروس آموزشی بهینه‌سازی می‌تواند باشد، مفاهیم پایه و اساسی مربوط به مسائل بهینه‌سازی و الگوریتم‌های مورد استفاده برای حل این مسائل، مورد بحث و بررسی قرار می‌گیرند. مدرس این آموزش، دکتر سید مصطفی کلامی هریس است، که سال ها سابقه کار علمی، عملی و آموزشی در حوزه بهینه سازی را، در کارنامه خود دارد. تمام افرادی که قصد آموزش تئوری یا عملی روش‌های بهینه‌سازی را دارند، به مشاهده این آموزش توصیه می‌شوند. دانستن مفاهیم مورد بحث در این فرادرس و تسلط بر این موضوعات، ضامن یادگیری بهتر و تسلط بیشتر بر مباحث آتی در حوزه بهینه‌سازی خواهد بود. لذا، مطالعه و یادگیری آموزش «مبانی محاسبات تکاملی و بهینه سازی هوشمند» یا درس شماره صفر بهینه‌سازی را از دست ندهید. در این فرادرس چه چیزی یاد می‌گیریم؟ این آموزش، در درس یکم با مرور مفاهیم پایه بهینه‌سازی و مسائل مطرح در این حوزه شروع می‌شود. سپس، در درس‌های دوم و سوم، اجزای یک مساله بهینه‌سازی، شامل تابع یا توابع هدف، فضای جستجو، متغیرهای تصمیم و قیدها (محدودیت‌ها) مورد بررسی قرار می‌گیرند و مفاهیم بنیادین این مولفه‌ها، به شکلی نظام‌مند آموزش داده می‌شوند. یکی از مهم‌ترین انواع مسائل بهینه‌سازی، که دارای کاربردهای وسیعی در حوزه‌های مختلف علمی و صنعتی است، بهینه‌سازی چندهدفه (Multi-Objective Optimization) یا بهینه‌سازی برداری (Vector Optimization) است. در درس چهارم از این آموزش، مفاهیم اساسی بهینه‌سازی چند هدفه مورد بررسی قرار گرفته اند. دانستن این مفاهیم، برای ورود به حوزه بهینه‌سازی چندهدفه و آشنایی با روش‌های مورد استفاده در این زمینه، ضروری است. در درس پنجم، ساختار کلی و نحوه عملکرد الگوریتم‌های بهینه‌سازی بررسی شده است و الگویی مشترک برای نحوه عملکرد این روش‌ها، ارائه شده است. در درس ششم، با تمرکز بر روش‌های هوشمند، ساختار کلی الگوریتم‌های تکاملی، که به نام الگوریتم‌های فراابتکاری (متاهیوریستیک) هم شناخته می‌شوند، مورد بحث و بررسی قرار گرفته است. داشتن یک تصویر بزرگ و مشترک از الگوریتم‌های تکاملی، باعث آسان‌تر شدن یادگیری روش‌های بهینه‌سازی در آینده خواهد شد و این درس‌ها امکان رسیدن به یک مدل واحد را برای دانشجویان این فرادرس، فراهم می‌کنند. در درس‌های هفتم و هشتم، روش‌های مدل‌سازی فضای جستجو و توصیف متغیرهای تصمیم در انواع مسائل بهینه‌سازی مورد بررسی قرار گرفته‌اند و یکی از جامع‌ترین مرورهای موجود بر روی کدینگ پاسخ در مسائل بهینه‌سازی، در این درس‌ها انجام می‌شود. شناخت از ساختار فضای جستجو و متغیرهای تصمیم و تسلط بر روش‌های مدل‌سازی و کدینگ آن‌ها در زمان پیاده‌سازی عملی روش‌ها و مسائل بهینه‌سازی، یکی از ضرورت‌های مهم است که تا پیش از این، مرجع جامعی نیز برای آن در دسترس نبود. در درس های نهم و دهم از این مجموعه آموزشی، روش‌های مدل‌سازی و برخورد با محدودیت‌ها (قیدها) در مسائل بهینه‌سازی مقید، مورد بررسی قرار گرفته‌اند. در این درس‌ها، رویکرد کلی برخورد با قیدها، در قالب مراحلی ارائه می‌شود که از حذف قیدها با اطمینان از برآورده شدن شروع و سپس با مکانیزم‌های اصلاح یا تعمیر پاسخ و نیز تکنیک‌های تابع جریمه، ادامه می‌یابد. نهایتا، کاربرد دو روش بهینه‌سازی چندهدفه و بهینه سازی چند لایه (از طریق فرایند هم تکاملی) مباحث پایانی این درس ها هستند.