بهینه سازی کدهای EES با الگوریتم چند هدفه جایا (MOJAYA) در متلب: 

کلیه الگوریتم های مبتنی بر هوش جمعی و تکاملی، الگوریتم های احتمالی می باشند که نیاز به پارامترهای کنترل مشترکی مانند جمعیت، تعداد نسل ها و تعداد نخبه ها و غیره دارند. در کنار این پارامترهای مشترک، هر الگوریتمی پارامترهای کنترل مشخصی نیز دارد. به طور مثال الگوریتم ژنتیک از احتمال جهش، عملگر انتخاب، احتمال تقاطع وغیره استفاده می کند و الگوریتم ازدحام ذرات از وزن اینرسی، پارامترهای شناختی و اجتماعی استفاده می کند. دیگر الگوریتم ها نیز نیاز به تنظیم پارامترهای مختص خود دارند. تنظیم صحیح این گونه پارامترها فاکتور حیاتی بوده که بر عملکرد الگوریتم تاثیرگذار می باشد. در صورتیکه این پارامترها به درستی تنظیم نشوند زمان محاسباتی افزایش می یابد و یا به یافتن جواب های بهینه محلی ختم می شود.

با توجه به این مسائل Rao و همکارانش الگوریتم بهینه سازی جدیدی مبتنی بر آموزش و یادگیری (TLBO) ارائه نمودند که نیازی به پارامتر بخصوصی نمی باشد و تنها نیاز به انتخاب پارامترهای مشترک همانند جمعیت و تعداد نسل ها برای کارکرد آن دارد. و از این رو در میان محققان بهینه سازی جایگاه بسیار خوبی دارد. الگوریتم جایا یک الگوریتم بهینه سازی ساده اما کارآمد است که برای حل مسائل بهینه سازی مقید و نامقید استفاده می‏شود. الگوریتم JAYA روشی جدید بوده و بر این اصل استوار است که به منظور رسیدن به جواب بهینه سراسری در هر تکرار، باید مجموعه جواب ها به سمت پاسخ خوب حرکت کرده و از پاسخ بد در هر تکرار دور شود. با توجه به ساختار ساده کد و عدم نیاز به تنظیم پارامترهای مختص الگوریتم جایا، الگوریتمی مناسب برای بهینه سازی کدها می باشد و از این رو کد آماده برای لینک دو نرم افزار EES و متلب به همراه مثالی در این مجموعه قرار دارد. 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.