۶- نتیجه گیری

در این مقاله الگوریتم تکاملی مانکی کینگ را مطرح کردیم و به تحلیل سه طرح به روز رسانی پرداختیم و آنگاه از توابع معیار برای تایید الگوریتم پیشنهادی استفاده کردیم. مقایسه های بین الگوریتم خود و مدل های بهینه سازی دسته ذرات پیشرفته، انجام شد و نتایج آزمایشات نشان داد که الگوریتم ما سرعت و دقت همگرایی بهتری دارد. مدل های بهینه سازی دسته ذرات دارای نقطه ضعف عمده اند و اینکه اندازه جمعیت بزرگ به طور عمده نتایج بهینه سازی را بهبود نمی بخشد و لذا این ضعف در بهینه سازی مسائل ابعد بالا وجود دارد. الگوریتم ما استفاده بهتری از هماهنگی ذرات داشته و این مسئله به طور کامل در بهینه سازی مقیاس بزرگ نشان داده می شود. به کارگیری تردد خودروهای نواحی شهری در چارچوب مصرف حداقل سوخت بحث می شود و الگوریتم ما تردد با مصرف سوخت حداقل مطرح می کند و بهتر از الگوریتم A*و دیکسترا عمل می کند. الگوریتم ما همچنین می تواند به شکل بهینه سازی دسته ذرات و شکل تکامل دیفرانسیلی تجزیه شود. همچنین می توانیم از تکرارها/تولد های تکامل ذره با افزایش اندازه جمعیت ذره استفاده کنیم تا به تعداد برابر ارزیابی های توابع برسیم که عملکرد بهتری از خود نشان داده و این تحلیل در مقاله بعدی بحث خواهد شد.