Masalah optimasi dengan beberapa fungsi tujuan (multi-obyektif) tidak mudah dipecahkan karena biasanya terjadi konflik di antara fungsi tujuan dan solusinya bukanlah solusi tunggal tetapi berupa himpunan solusi. Algoritma genetika (Genetic Algorithms/GAs) yang merupakan salah satu metode meta-heuristis dapat digunakan untuk memecahkan masalah ini tetapi algoritma genetika standar mudah terjebak dalam daerah optimum lokal (konvergensi dini) dan kecepatan pencarian titik solusi akan menurun jika mendekati titik optimum. Penelitian ini memaparkan penggunaan GAs dengan tingkat mutasi adaptif untuk menyeimbangkan kemampuan eksplorasi dan eksploitasi daerah pencarian. Sebuah aturan digunakan untuk menentukan apakah nilai tingkat mutasi perlu dinaikkan atau diturunkan. Jika tidak ada perbaikan nilai fitness yang signifikan dibandingkan generasi sebelumnya maka nilai tingkat mutasi dinaikkan sehingga memungkinkan GAs untuk lebih melakukan eksplorasi daerah pencarian dan sekaligus keluar daerah optimum lokal. Jika ada perbaikan nilai fitness yang signifikan maka dilakukan penurunan nilai mutation rate sehingga memungkinkan GAs untuk lebih mengeksploitasi daerah pencarian lokal. Hasil percobaan menunjukkan bahwa penggunaan mutasi yang adaptif mempercepat pergerakan GAs ke daerah feasible dan sekaligus mempercepat pencapaian solusi.
Optimasi fungsi multi-obyektif berkendala menggunakan algoritma genetika adaptif dengan pengkodean real
