نویسنده و تهیه کننده مقاله: خانم مهندس پریناز قدردان - کارشناس ارشد معماری انرژی

ایجاد محیط ساختاریافته در هر سه فاز ساخت و ساز و تخریب ساختمان ها بر محیط تأثیر می گذارد. طراحی مناسب ساختمان ها مستلزم شناسایی کامل تعامل بین محیط و محیط ساخت یافته است. بهره وری انرژی یک الزام اجباری و بخشی جدایی ناپذیر از ساختمان های سبز و پایدار است. بهینه‌سازی طراحی کارآمد هم یک فلسفه طراحی و هم یک تکنیک کاربردی است که برای چندین دهه، به‌ویژه در سال‌های اخیر، توسط معماران و دیگر متخصصان پیشنهاد و استفاده شده است. ساخت و ساز زیست اقلیمی ابزار مهمی برای بهبود ساخت و ساز ساختمان ها در چند دهه گذشته بوده است. گزینه های صرفه جویی در انرژی در ساختمان ها شامل استفاده از مصالح مناسب، نوردهی و استفاده از سیستم های تولید برق جایگزین است. طراحی ساختمان با تلاش تیم طراحی برای متعادل کردن پارامترهای متضاد مختلف که به نوبه خود در معرض محدودیت‌های مختلف هستند، کار بسیار پیچیده‌ای است. با توجه به این پیچیدگی، ابزارهای شبیه‌سازی عملکرد به کار گرفته می‌شوند و در نتیجه، روش‌های بهینه‌سازی به‌تازگی به‌عنوان کمک تصمیم‌گیری استفاده می‌شوند. نمونه‌هایی در میان جامعه معماری وجود دارد که در آن الگوریتم‌های احتمالی تکاملی یا سایر روش‌های بدون مشتق با متغیرهای تصمیم‌گیری مختلف و اهداف عینی مورد استفاده قرار گرفته‌اند.

بهینه‌سازی طراحی معماری (ADO) زیرشاخه‌ای از مهندسی است که از روش‌های بهینه‌سازی برای مطالعه، کمک و حل مشکلات طراحی معماری، مانند طراحی چیدمان بهینه پلان، مسیرهای گردش بهینه بین اتاق‌ها، پایداری و موارد مشابه استفاده می‌کند. ADO را می توان از طریق مقاوم سازی به دست آورد، یا می توان آن را در ساخت و ساز اولیه یک ساختمان گنجاند. روش‌های ADO ممکن است شامل استفاده از فراابتکاری، جستجوی مستقیم یا بهینه‌سازی مبتنی بر مدل باشد. همچنین می‌تواند یک فرآیند ابتدایی‌تر باشد که شامل شناسایی یک مشکل درک شده یا موجود در طراحی ساختمان در مرحله طراحی مفهومی است. 

الگوریتم های بهینه سازی فرا ابتکاری یا فرامکاشفه ای را میتوان بر اساس منبع الهام در حالت کلی به ده دسته تقسیم کرد که تمامی این تقسیم بندی دز زمینه طراحی معماری کاربرد نخواهند داشت. از این روالگوریتم های بهینه سازی را در طراحی معماری در 5 گروه اصلی قرار داده ایم که شامل :

الگوریتم تکاملی Evolutionary algorithm

الگوریتم مبتنی بر قوانین فیزیک Physics-based algorithm

الگوریتم مبتنی بر ازدحام توده Swarm-based algorithm

 الگوریتم مبتنی بر طبیعت Nature inspired algorithm

 الگوریتم های ترکیبی Hybrid algorithm

معرفی الگوریتم های بهینه سازی در طراحی معماری

1- الگوریتم های تکاملی Evolutionary algorithm

الگوریتم های تکاملی زیرمجموعه ای از محاسبات تکاملی هستند و در شاخه هوش مصنوعی قرار میگیرند. این دسته از الگوریتم های بهینه سازی شامل الگوریتم های جستوجوگری هستند که در آنها عمل جستوجو از چندین نقطه در فضای جواب (مجموعه کل جواب های ممکن برای مساله) آغاز میشود. الگوریتم های تکاملی از مکانیزم ها و عملیات ابتدایی برای حل مساله استفاده میکنند و طی یک سری از تکرارها به راه حل مناسب برای مساله میرسند. غالبا حل های تصادفی این الگوریتم از یک جمعیت حاوی راه شروع میکنند و طی هر مرحله تکرار سعی در بهترکردن مجموعه راه حل ها دارند.

در آغاز کار تعدادی از اعضای جامعه به صورت تصادفی حدس زده میشوند. سپس تابع هدف برای هر یک از این اعضا محاسبه و نخستین نسل ایجاد خواهد شد. اگر هیچ یک از معیارهای خاتمه بهینه سازی دیده نشوند، ایجاد نسل جدید آغاز خواهد شد. اعضا بر حسب میزان شایستگی برای تولید نوزادها انتخاب میشوند. این افراد به عنوان والدین محسوب میشوند و بازترکیب نوزادها را تولید میکنند. سپس تمامی نوزادها با یک مقدار معینی از احتمال،یعنی همان جهش، تغییر ژنتیکی مییابند. اکنون میزان شایستگی (برازندگی) نوزادان تعیین میشود و در اجتماع جایگزین والدین میشوند و نسل جدید را ایجاد مینمایند. این چرخه آنقدر تکرار میشود تا یکی از معیارهای پایان بهینه سازی کسب شود .  برای آشنایی با تفاوت های الگوریتم های تکاملی با دیگر روشهای بهینه سازی و جستوجوی مرسوم قدیمی مطالعات مختلفی وجود دارند .

1-1- الگوریتم ژنتیک Genetic Algorithm (GA)

الگوریتم ژنتیک از اصول انتخاب طبیعی استفاده میکند تا مجموعه ای از راه حل ها را که به راه حل بهینه نزدیک هستند، استخراج کند. این الگوریتم، مبتنی بر جمعیت است و به طور موثری میتواند در مسایلی غیرخطی که ناپیوستگی و یا تعداد زیادی کمینه محلی دارند به کار برده شود و به همین دلیل به طور گسترده ای در حوزه بهینه سازی ساختمان به کار میرود. در ادامه به ارایه نمونه هایی از کاربرد الگوریتم ژنتیک در مسایل بهینه سازی طراحی پرداخته میشود.

2-1- الگوریتم ژنتیک چند جمعیتی  Multi population Genetic Algorithm (MPGA)  

یک الگوریتم ژنتیک چند سطحی با هدف بهینه‌سازی کلی سازه‌های مرکب تقویت‌شده با پرتو با رفتار هندسی غیرخطی پیشنهاد شده‌است. یک رویکرد یکپارچه مبتنی بر کنترل بار-تغییر مکان برای تحلیل شکست کمانش و لایه اول اتخاذ شده است.

3-1- برنامه ریزی تکاملی و برنامه ریزی ژنتیکیGenetic Programming (GP)  & Evolutionary strategy (ES) 

برنامه ریزی تکاملی و برنامه ریزی ژنتیک، هر دو از پارادایم های اصلی الگوریتم فرگشتی و به الگوریتم ژنتیک بسیار شبیه هستند. با این تفاوت که الگوریتم ژنتیک بر مکان پاسخ ها تاکید میکند اما این دو الگوریتم بر رابطه بین والد و نوزاد تمرکز میکنند. در برنامه سازی تکاملی تنها مقدار متغیرها میتواند تغییر کند. درواقع در این روش از تکثیر برای تولید نسل جدید استفاده نمیشود ، و اعضا تنها از طریق جهش تغییر پیدا میکنند.  اما در برنامه سازی ژنتیک ساختار نیز میتواند تغییر کند در مطالعات مختلفی از این الگوریتم ها استفاده شده است. 

2- الگوریتم مبتنی بر قوانین فیزیک Physics-based algorithm

الگوریتم‌های مبتنی بر قوانین فیزیک یکی از انواع الگوریتم‌های فرا ابتکاری از زیرشاخه‌های الگوریتم بهینه‌سازی هوشمند می‌باشد که بر اساس قوانین فیزیک کار می‌کند. الگوریتم‌های مبتنی بر فیزیک عموماً در حوزه‌های فرا هوستیک و هوش محاسباتی قرار می‌گیرند، اگرچه کاملاً در دسته‌بندی‌های موجود تکنیک‌های الهام‌گرفته از بیولوژیکی (مانند Swarm، Immune، Neuronal و Evolution) قرار نمی‌گیرند. با در نظر گرفتن این موضوع، به همین راحتی می توان آنها را الگوریتم های الهام گرفته از طبیعت نامید.سیستم های فیزیکی الهام بخش از متالورژی، موسیقی، تعامل بین فرهنگ و تکامل، و سیستم های پویا پیچیده مانند بهمن را شامل می شود. آنها به طور کلی الگوریتم های بهینه سازی تصادفی با ترکیبی از تکنیک های جستجوی محلی (محله محور) و جهانی هستند. 

1-2- الگوریتم تبرید Simulated Annealing (SA)

الگوریتم تبرید شبیه‌سازی‌شده (Simulated Annealing) (SA)، یک الگوریتم بهینه‌سازی فراابتکاری ساده و اثربخش در حل مسائل بهینه‌سازی در فضاهای جستجوی بزرگ است. این الگوریتم بیشتر زمانی استفاده می‌شود که فضای جستجو گسسته باشد (مثلاً همه گشت‌هایی که از یک مجموعه از شهرها میگذرند). برای مسائلی که پیدا کردن یک پاسخ تقریبی برای بهینه کلی مهمتر از پیدا کردن یک پاسخ دقیق برای بهینه محلی در زمان محدود و مشخصی است، تبرید شبیه‌سازی شده ممکن است نسبت به باقی روش‌ها مانند گرادیان کاهشی دارای ارجحییت باشد.

الگوریتم تبرید یا SA( شبیه سازی حرارتی) یکی از مجموعه الگوریتم های فرا اکتشافی معروف در زمینه الگوریتم های هوش مصنوعی است. این الگوریتم در سال ١٩٨٣ و توسط کیرکپاتریک و وکی ابداع و بر مبنای فرآیند تبرید یا بازپخت فلزات بنا نهاده شده است. در فرآیند تبرید، ابتدا حرارت فلزات تا دمای بسیار بالایی افزایش داده میشود و سپس یک فرآیند سردسازی و کاهش دمای تدریجی بر روی آنها صورت میگیرد. در این فرآیند در هنگام افزایش حرارت فلز، سرعت جنبش اتم های آن به شدت افزایش مییابد و در مرحله بعد، کاهش تدریجی دما موجب شکل گیری الگوهای خاصی در جایگیری اتم های آن میشود. این تغییر الگوی اتم ها باعث بروز خواص ارزشمندی در فلز تبرید شده میشود که از جمله میتوان به افزایش استحکام آن اشاره کرد  در این الگوریتم، پاسخ ها از جایگاه کنونی خود پراکنده میشوند و احتمال باقیماندن جوابهای بهتر به تدریج و در طول زمان بیشتر میشود .

2-2- الگوریتم بهینه سازی جستجوی گرانشی Gravitational search Algorithm (GSA)

در الگوریتم بهینه سازی جستجوی گرانشی هم، همان‌طور که از نام آن پیداست از قانون جهانی گرانش نیوتن و برهم‌کنش اجسام برای طراحی و اجرای یک الگوریتم بهینه‌سازی فراابتکاری استفاده شده است. اصولا با پیدایش کلان داده و لزوم استفاده از سطح گسترده‌ای از داده‌ها در انجام عملیات، تراکنش‌های سیستمی و حل مسائل عموما پیچیده درهم‌تنیده، یک چالش بزرگ به‌وجود آمد و آن هم این بود که در الگوریتم‌های پیشنهادی باید در اسرع وقت و با صرف حداقل هزینه باید پاسخ بهینه خود را ارائه می‌کردند. 

3-2- Harmony Algorithm(HS)

الگوریتم جستوجوی هارمونی یکی از الگوریتم های الهام گرفته از طبیعت است. الگوریتم جستوجوی هارمونی برگرفته از فعالیت موسیقی موسیقیدانان است که به دنبال پیداکردن یک هارمونی کامل و بی نقص هستند. در این الگوریتم، مقادیر متغیرها برای دستیابی به یک ترکیب بهتر دوباره با مقادیر دیگری در همسایگی خود ترکیب میشوند و جمعیت بهترین جواب ها حفظ میشود. از جمله مزایای آن میتوان به کاربردی بودن برای مسایل بهینه سازی گسسته و پیوسته، محاسبات ریاضیاتی کم، مفهوم ساده، پارامترهای کم و اجرای آسان، غیرحساس بودن به مقادیر اولیه و جایگزین کردن جستوجوی تصادفی به جای جستوجوی گرادیانی اشاره کرد.  

3- Swarm-based algorithmالگوریتم مبتنی بر ازدحام

1-3- الگوریتم ازدحام ذرات Particle swarm optimization (PSO)

بهینه سازی ازدحام ذرات که با نام های مختلفی همچون الگوریتم انبوه ذرات، الگوریتم ازدحام ذرات و الگوریتم پرندگان نیز شناخته شده است، یک الگوریتم تکاملی الهام گرفته از طبیعت و براساس تکرار است. منبع الهام این الگوریتم ، رفتار اجتماعی حیوانات، همانند حرکت دسته جمعی پرندگان و ماهی ها است. این الگوریتم از این جهت که با یک جمعیت تصادفی اولیه شروع میشود، شبیه بسیاری دیگر از الگوریتم های تکاملی همچون الگوریتم ژنتیک است اما برخلاف الگوریتم ژنتیک، هیچ عملگر تکاملی همانند جهش و تزویج ندارد. هر عضو از جمعیت، یک ذره نامیده میشود که معادل کروموزوم در الگوریتم ژنتیک است. درواقع این الگوریتم، از تعداد مشخصی از ذرات تشکیل میشود که به طور تصادفی، مقدار اولیه ای میگیرند. برای هر ذره دو مقدار وضعیت و سرعت تعریف میشود. این ذرات، به صورت تکرارشونده در فضای مساله حرکت میکنند تا با محاسبه شایستگی به عنوان یک ملاک سنجش، گزینه های ممکن جدید را جستوجو کنند. بعد فضای مساله، برابر تعداد پارامترهای موجود در تابع مورد نظر برای بهینه سازی است. یک حافظه به ذخیره بهترین موقعیت هر ذره در گذشته و یک حافظه به ذخیره بهترین موقعیت پیش آمده در میان همه ذرات، اختصاص مییابد. با تجربه حاصل از این حافظه ها، ذرات تصمیم میگیرند که در نوبت بعدی چگونه حرکت کنند. در هر بار تکرار، همه ذرات در فضای n -بعدی مساله حرکت میکنند تا بالاخره نقطه بهینه عام، پیدا شود. سرعتها و موقعیت ذرات را بر حسب بهترین جوابهای مطلق و محلی به روز میکنند. مزیت اصلی الگوریتم بهینه سازی ازدحام ذرات این است که پیاده سازی این الگوریتم ساده است و نیاز به تعیین پارامترهای کمی دارد.

2-3-الگوریتم کلنی مورچه ها Ant colony optimization (ACO)

الگوریتم کلنی مورچه ها، الهام گرفته از مطالعات و مشاهدات بر روی کلنی مورچه ها است. هدف این الگوریتم، یافتن کوتاه ترین مسیر میان منابع غذایی و آشیانه است. بنابراین از این الگوریتم برای بهینه یابی در مسایلی که نیاز به یافتن کوتاه ترین مسیر دارند استفاده میشود. این نوع رفتار مورچه ها نوعی هوشمندی توده ای (در این نوع از هوشمندی عناصر رفتاری تصادفی دارند و بین آنها هیچ نوع ارتباط مستقیمی وجود ندارد)، دارد که از دیرباز مورد توجه دانشمندان قرار داشته است . مورچه ها هنگام راه رفتن از خود ردی از ماده شیمیایی به نام فرومون به جای میگذارند. البته این ماده به زودی تبخیر میشود ولی در کوتاه مدت به عنوان رد مورچه بر سطح زمین باقی میماند. یک رفتار پایه ای ساده در مورچه ها وجود دارد، آنها هنگام انتخاب بین دو مسیر، مسیری را برمی گزینند که احتمال وجود فرومون بیشتری در آن باشد، یا به عبارت دیگر ً قبلا مورچه های بیشتری از آن عبور کرده باشند. با تقلید کردن فرآیندی که در آن حشرات با جایگذاری موادی در مسیرها، بقیه مورچه ها را تشویق میکنند تا از آن مسیر عبور کنند، مقادیر متغیرهایی که بیشتر از بقیه استفاده شده اند مبنای تعیین مسیر برای انتخاب مقادیر بعدی خواهند بود. تبخیرشدن فرومون و احتمال تصادف به مورچه ها امکان پیداکردن کوتاه ترین مسیر را میدهد . تاکنون گونه های مختلفی نظیر سیستم مورچه نخبگان، سیستم مورچه حداکثری حداقلی، سیستم کلنی مورچه، سیستم مورچه براساس رتبه و سیستم مورچه متعامد مداوم از این الگوریتم شناسایی شده اند.

3-3-الگوریتم گرگ خاکستری Grey wolf optimization

الگوریتم گرگ خاکستری GWO یک الگوریتم متاهیورستیک است که از ساختار سلسله مراتبی hieratical و رفتار اجتماعی گرگ های خاکستری در هنگام شکار کردن الهام گرفته است. این الگوریتم مبتنی بر جمعیت بوده، فرآیند ساده ای دارد و به سادگی قابلیت تعمیم به مسائل با ابعاد بزرگ را دارد. گرگ های خاکستری به عنوان شکارچیان راس یا apex در نظر گرفته می شوند، که در بالای هرم زنجیره غذایی هستند. گرگهای خاکستری ترجیح می دهند در یک گروه (دسته) زندگی کنند، هر گروه به طور متوسط 5-12 عضو دارد. همه اعضای این گروه دارای سلسله مراتب تسلط اجتماعی بسیار دقیق هستند و وظایف خاصی دارند. در هر گله از گرگ ها برای شکار کردن ۴ درجه وجود دارد که مانند شکل زیر به صورت یک ساختار هرمی مدل می شود.
 

• گرگ های رهبر گروه alpha نامیده می شوند که می توانند مذکر یا مونث باشند. این گرگ ها بر گله تسلط دارند
• گرگ های beta: کمک به گرگ های alpha در فرایند تصمیم گیری بوده و همچنین مستعد انتخاب شدن به جای آن ها هستند.
• گرگ های delta: پایین تر از گرگ های beta و شامل گرگ های پیر، شکارچی ها و گرگ های مراقبت کننده از نوزادان
• گرگ های omega: پایین ترین مرتبه در هرم سلسله مراتب که کمترین حق را نسبت به بقیه اعضای گروه دارند. بعد از همه غذا می خورند و در فرایند تصمیم گیری مشارکتی ندارند.
در بهینه ساز گرگ خاکستری GWO، مناسب ترین راه حل را به عنوان آلفا در نظر می گیریم ، و راه حل های دوم و سوم مناسب به ترتیب بتا و دلتا نامگذاری می شوند. بقیه راه حل ها امگا در نظر گرفته می شوند. در الگوریتم GWO ، شکار توسط 𝛼 𝛽 و δ هدایت می شود. راه حل 𝜔 از این سه گرگ پیروی می کند.
به طور نمونه شکل زیر نمودار جریان کوپلینگ بین EP و GWO را از طریق روش کوپلینگ نشان می دهد. ارتباط با EP از طریق فایل های ورودی و خروجی آن است. از این رو، یک برنامه فرعی برای تعریف مدل ساختمان، تغییر پارامترهای کنترل ساختمان، و اجرای EP به همراه مشخصات آب و هوا برای شبیه‌سازی و تخمین مصرف انرژی سالانه ساختمان ایجاد شد. سپس، زیربرنامه منتظر می ماند تا EP محاسبات را کامل کند و نتایج خروجی را در فایل خروجی بنویسد. پس از آن، زیربرنامه مصرف انرژی تخمینی ساختمان را می خواند. کد بهینه سازی پارامترهای کنترلی (متغیرهای بهینه سازی) را تغییر می دهد و از طریق زیر روال، آنها را به فایل ورودی EP منتقل می کند. سپس EP را تحریک می کند و مصرف انرژی (هدف) را می خواند و نتایج را به الگوریتم GWO منتقل می کند. GWO در مورد مجموعه جدیدی از مقادیر طراحی بهینه تصمیم می گیرد و از طریق زیر روال، آنها را به فایل ورودی EP منتقل می کند. به این ترتیب، تعامل بین الگوریتم GWO و EP ادامه می یابد.
 

4- الگوریتم مبتنی بر طبیعت Nature inspired algorithm

الگوریتم ­های فراابتكاری الگوریتم ­هایی هستند كه با الهام از طبیعت، فیزیك و انسان طراحی شده ­اند و در حل بسیاری از مسایل بهینه­ سازی استفاده می­ شوند. معمولاً از الگوریتم­ های فراابتكاری در تركیب با سایر الگوریتم­ ها، جهت رسیدن به جواب بهینه یا خروج از وضعیت جواب بهینه محلی استفاده میگردد. در سال‌های اخیر یكی از مهمترین و امیدبخش‌ترین تحقیقات، «روش‌های ابتكاری برگرفته از طبیعت» بوده است؛ این روش‌ها شباهت‌هایی با سیستم‌های اجتماعی و یا طبیعی دارند. كاربرد ‌آنها برگرفته از روش‌های ابتكاری پیوسته می‌باشد كه در حل مسائل مشكل تركیبی (NP-Hard) نتایج بسیار خوبی داشته است.

به طور كلی دو وضعیت وجود دارد كه در روش‌های ابتكاری برگرفته از طبیعت دیده می‌شود، یكی انتخاب و دیگری جهش. انتخاب ایده‌ای مبنا برای بهینه‌سازی و جهش ایده‌ای مبنا برای جستجوی پیوسته می‌باشد. از خصوصیات روش‌های ابتكاری برگرفته از طبیعت، می‌توان به موارد زیر اشاره كرد:

پدیده‌ای حقیقی در طبیعت را مدل‌سازی می‌كنند.

بدون قطع می‌باشند.

اغلب بدون شرط تركیبی همانند (عامل‌های متعدد) را معرفی می‌نمایند.

تطبیق‌پذیر هستند.

خصوصیات بالا باعث رفتاری معقول در جهت تأمین هوشمندی می‌شود. تعریف هوشمندی نیز عبارت است از قدرت حل مسائل مشكل؛ بنابراین هوشمندی به حل مناسب مسائل بهینه‌سازی تركیبی منجر می‌شود. 

1-4- Butterfly optimization (BOA) الگوریتم پروانه

الگوریتم بهینه‌سازی پروانه (BOA) یک الگوریتم بهینه‌سازی فراابتکاری جدید است که از عملکرد جستجوی هوش پروانه‌ها الهام گرفته شده است. یک الگوریتم جدید الهام گرفته شده از طبیعت با عنوان الگوریتم بهینه سازی پروانه (BOA) ارائه داده که از رفتار جستجوی غذا و جفت گیری پروانه ها برای حل مسائل بهینه سازی جهانی تقلید می کند. این چارچوب عمدتا بر مبنای استراتژی تغذیه پروانه ها است که از حس بویایی برای تعیین موقعیت شهد یا جفت گیری استفاده می کنند.

2-4-الگوریتم کرم شب تاب Firefly Algorithm (FA)

ویژگی مهم الگوریتم کرم شب تاب، که آن را از برخی از الگوریتم‌های بهینه‌سازی مشابه متمایز می‌کند، عملکرد بسیار خوب آن در جستجوی جواب‌های بهینه مرتبط با مسائل و توابع «چندمُدی» (Multimodality) است. چنین ویژگی مهمی در الگوریتم کرم شب تاب سبب شده است تا این الگوریتم، به انتخاب ایده‌آلی برای کاربردهای بهینه‌سازی چندمُدی تبدیل شود. نتایج مقایسه عملکرد الگوریتم کرم شب تاب با دیگر الگوریتم‌های بهینه‌سازی نشان می‌دهد که این الگوریتم، به شکل بهتر و کارآمدتری می‌تواند به بهینه سراسری توابع چندمُدی همگرا شود؛ در نتیجه، الگوریتم کرم شب تاب انتخاب مناسب‌تری برای حل مسائل بهینه‌سازی چندمُدی و همگرایی به بهینه‌های سراسری این دسته از مسائل خواهد بود. بنابراین با در نظر گرفتن حالت ذکر شده، می‌توان نتیجه گرفت که الگوریتم بهینه‌سازی ازدحام ذرات، حالت خاصی از الگوریتم کرم شب تاب محسوب می‌شود . 

3-4- الگوریتم های ترکیبی   Hybrid algorithms

 یک رویکرد محبوب در میان پژوهشگران، استفاده از بیش از یک الگوریتم در یک عملیات ترکیبی بهینه سازی است. فرآیند معمول در این رویکرد، این است که از یک الگوریتم جستوجوی سرتاسری برای یافتن راه حل نزدیک به بهینه استفاده میکنند و سپس این راه حل را به عنوان یک نقطه شروع، در بهینه ساز محلی به کار میبرند. نرم افزار GenOpt مثال مناسبی از این رویکرد است که در آن بهینه سازی ازدحام ذرات، شروع به جستوجوی سرتاسری برای نقطه بهینه میکند. زمانی که کار این الگوریتم به پایان رسید، الگوریتم هووکجیوز جستوجو را برای پالایش نتایج ادامه میدهد.