بهینه سازی کدهای EES با الگوریتم ژنتیک چندهدفه با مرتب سازی نامغلوب (NSGAII) در متلب: 

الگوریتم های فرا ابتکاری از جمله ابزارهای قدرتمند هوش مصنوعی، برای یافتن پاسخ مسائل بهینه سازی از طریق روش های هوشمند هستند که امروزه در شاخه های مختلفی از علوم و مهندس، کاربردهای فراوانی را به خود اختصاص داده اند. این الگوریتم ها، که اغلب از فرایندهای طبیعی الهام گرفته شده اند، در واقع روش های جستجو هستند که در فضایی همه جواب های ممکن برای یک مساله بهینه سازی جستجو می کنند و بهترین جواب یا جواب ها را پیشنهاد می دهند.

الگوریتم فراابتکاری NSGA II یکی از پرکاربردترین و قدرتمندترین الگوریتم های موجود برای حل مسائل بهینه سازی چند هدفه است و کارایی آن در حل مسائل مختلف، به اثبات رسیده است. در این روش جواب های بهتر دارای امتیاز بیشتری می شوند و سپس بر اساس این که چند جواب بهتر از آن ها وجود داشته باشند، رتبه بندی و مرتب می شوند. الگوریتم NSGA را می توان پایه شکل­گیری بسیاری از الگوریتم های بهینه سازی چند هدفه دانست.

در این الگوریتم، شایستگی یا برازندگی جواب ها، بر اساس رتبه جواب ها و عدم غلبه دیگر جواب، تعیین می شود برای جواب های نزدیک از روش اشتراک برازندگی استفاده می شود تا از این طریق پراکندگی جواب ها به نحو مطلوبی تنظیم شود و جواب های به طور یکنواخت در فضای جستجو پخش شوند. از آنجا که نحوه عملکرد و کیفیت جواب های الگوریتم NSGA حساسیت تقریباً زیادی به پارامترهای اشتراک برازندگی و سایر پارامترها دارند در سال ۲۰۰۲ نسخه دوم الگوریتم NSGA توسط دِب و همکارانش با نام الگوریتم فراابتکاری NSGA-II معرفی گردید. با توجه به سرعت و دقت بیشتر الگوریتم NSGA-II نسبت به سایر روش‌ها و همچنین ارائه‌ی یک سیستم پشتیبان تصمیم گیری، این روش به عنوان راهکاری تازه در مسائل مکان‌یابی چندهدفه گزینه مناسبی برای روش‌های تجزیه و روش‌های سنتی خواهد بود. کد متلب و ساختار آن به نحوی توسعه داده شده است که نه تنها برای بهینه سازی مسائل EES بلکه برای بهینه سازی کلیه مسائل بتوان با تغییرات کوچکی از آن استفاده نمود.

نسخه EES مورد استفاده باید نسخه ۱۰ حرفه ای باشد

نسخه متلب مورد استفاده برای بهینه سازی ۲۰۱۶b می باشد. ممکن است در نسخه های دیگر با خطاهایی همراه باشد.