فصل اول: “آشنایی با برخی ازانواع الگوریتم های بهینه سازی ”مقدمه ای بر بهینه سازی۱- ۱ الگوریتم اجتماع پرندگان(particle swarm optimization Algorithm – pso)۱-۲ الگوریتم ژنتیک(Genetic Algorithm – GA۱-۳ الگوریتم کلونی مورچه ها(Aco- Ant colony optimization Algorithm۱-۴ الگوریتم کلونی زنبور عسل(Abc-Artificial bee colony algorithm۱-۵ الگوریتم چکه های آب هوشمند یا چکاه(Intelligent water Drops Algorithm -Iwفصل دوم : ” الگوریتم(particle swarm optimization – pso) و” Cooperative Particle swarm optimization – cpso) (مقدمه۲-۱ ماهیت الگوریتم۲-۲ مفاهیم اولیه۲-۳ فلو چارت۲-۴ اطلاعات فنی۲-۵ ساختار کلی۲-۶ قاعده کلی توپولوژی همسایگی۲-۷ نکات کلیدی۲-۷-۱ خاصیت هوش جمعی۲-۷-۲ هوش ذرات۲-۷-۳ کنترل الگو ریتم۲-۷-۴ تعداد ذرات۲-۷-۵ محدوده ی ذرات۲-۷-۶ شرایط توقف۲- ۸ مزایا و کاربردهای الگو ریتم۲-۹ ذرات swarm در تعدادی فضای واقعی۲-۱۰مثال هایی از حرکت ذرات۲-۱۰ مثالی از پرواز پرندگان برای یافتن غذا۲-۱۱ الگوریتم Cooperative Particle swarm optimization۲-۱۲ معرفی نرم افزار بکار رفته در شبیه سازی پروسهفصل سوم: به ” بکار گیری cpsoو pso در پروسه ی Curve Fitting”مقدمه۳-۱ ماهیت کار۳-۲ مراحل انجام کار به کمک الگوریتمpso۳-۲-۱ بدست آوردن تابع برازندگی۳-۲-۲ مشخص کردن اندازه جمعیت اولیه و ابعاد آن۳-۲-۳ بررسی خروجی های بدست آمده از تابع Fitnessدر تکرار اول۳-۲-۴ ایجاد لیست اول جهت نگهداری خروجی های بدست آمده۳-۲-۵ پیدا کردن بهترین خروجی تابع Fitness و یافتن مکان آن در لیست اول۳-۲-۶ آبدیت کردن سرعت و مکان ذرات با توجه به اینکه سرعت اولیه ذرات قبلا تعریف۳-۲-۷ ایجاد لیست دوم جهت نگهداری خروجی های تابع Fitness در تکرار دوم۳-۲-۸ پیدا کردن مکان بهترین ذره در جمعیت دوم۳-۲-۹ مقایسه خروجی های تابع Fitness در دو تکرار اول۳-۲-۱۰ پیدا کردن بهترین ذرات در دو جمعیت اول و دوم و تولید جمعیت سوم۳-۲-۱۱ محاسبه تابع Fitness برای جمعیت سوم۳-۲-۱۲ تکرار از مرحله پنجم الی یازدهم تا رسیدن به نقاط بهینه۳-۳ مراحل انجام کار برای الگوریتمcpsoفصل چهارم : نتایج۴-۱ انجام پروسه توسط الگوریتم pso۴-۲ انجام پروسه توسط الگوریتم cpso۴-۳ بررسی تفاوت بین psoوcpsoفصل پنجم: نتیجه گیری و پیشنهاد۵-۱ نتیجه گیری۵-۲ پیشنهادمراجعپیوست