مقدمه
در اکثر الگوریتم‌های فراابتکاری زیرمجموعه‌ای از راه‌حل‌ها نمونه‌برداری می‌شود چون فضا یا بعد مسئله آنقدر بزرگ است که نمی‌توان آن‌ها را به طور کامل برشمرد یا به‌طور دیگری کاوش کرد. الگوریتم فراابتکاری ممکن است مفروضات نسبتاً کمی در مورد حل مسئله بهینه سازی داشته باشد و بنابراین ممکن است برای مسائل مختلف قابل استفاده باشد.
در مقایسه با الگوریتم‌های بهینه‌سازی و روش‌های تکراری، الگوریتم فراابتکاری تضمین نمی‌کند که بتوان یک راه‌حل بهینه سراسری را برای برخی از کلاس‌های مسائل پیدا کرد. بسیاری از فراابتکاری ها نوعی از بهینه سازی تصادفی را اجرا می کنند، به طوری که راه حل یافت شده به مجموعه متغیرهای تصادفی تولید شده وابسته است. در بهینه‌سازی ترکیبی، با جست‌وجو در مجموعه بزرگی از راه‌حل‌های امکان‌پذیر، فراابتکاری اغلب می‌تواند راه‌حل‌های خوبی را با تلاش محاسباتی کمتر نسبت به الگوریتم‌های بهینه‌سازی، روش‌های تکراری یا اکتشافی ساده پیدا کند. در ادامه لیست الگوریتم های فرا ابتکاری آورده شده است.
فهرست الگوریتم های فرا ابتکاری
در این بخش لیست الگوریتم های فرا ابتکاری از ابتدا تاکنون را به نمایش خواهیم گذاشت و نوع دسته بندی این الگوریتم‌ها همراه با سال انتشار و اگر فایل‌ها یا آموزش‌های مرتبطی اعم از مقاله آموزش فارسی، سورس کد متلب یا پایتون برای پیاده سازی و پاورپوینت آماده ویژه ارائه کلاسی در این زمینه وجود داشته باشد را برای شما عزیزان معرفی خواهیم کرد.
برای استفاده و درک بهتر هر کدام از این الگوریتم ها داشتن درک کلی از فرآیند بهینه سازی برای حل یک مسئله بسیار مهم است. داشتن اطلاعات در حوزه های مختلف بهینه سازی این مزیت را دارد که شما می توانید الگوریتمی جدید ارائه دهید. برای شروع کار می توانید از دو الگوریتم معروف این حوزه یعنی الگوریتم ژنتیک و الگوریتم PSO را بخوبی یاد بگیرید. این دو الگوریتم دید کلی از مباحث موجود را به شما خواهد داد. در نهایت لیست الگوریتم های فرا ابتکاری در حال بروز رسانی هست و الگوریتم های جدید نیز به این لیست افزوده می شود.
