\documentclass[11pt,a4paper]{report} 

% استفاده از بسته‌ی زیر الزامی نیست ولی با استفاده از آن می‌توانید لینکهای رنگی به مراجع خود داشته باشید. 
%\usepackage[colorlinks,citecolor=blue]{hyperref}
\usepackage[colorlinks=true,linkcolor=red,citecolor=blue,urlcolor=black,pagebackref]{hyperref}
\usepackage{setspace} 
\usepackage{array}
\usepackage{xcolor,color}
\usepackage{fancyhdr, graphicx}
%\usepackage[demo]{graphicx}
\usepackage{verbatim}
\usepackage{float}
\usepackage{caption}
\usepackage{subcaption}
\usepackage[top=30mm, bottom=30mm, left=30mm, right=30mm]{geometry}
\usepackage{indentfirst} %جهت ایجاد تورفتگی در اول پاراگراف
\usepackage{bidipoem}
\usepackage{amsthm,amssymb,amsmath}
\usepackage{xfrac}
\usepackage{multirow}
\usepackage{tabulary}
\usepackage{morefloats}
\usepackage{framed} 
%\usepackage[notlof]{tocbibind}%[notbib, notlof,nottoc]  
\usepackage{xepersian}
\numberwithin{equation}{section}
\defpersianfont\nastaliq{IranNastaliq}
\deflatinfont\timesfont{Times New Roman}
\settextfont{XB Zar}
\setlatintextfont[Scale=1]{Linux Libertine}
\linespread{1.3}
\frenchspacing
%\usepackage{caption}  
%\captionsetup[table]{font=small,skip=0pt} 
\captionsetup[figure]{font=small,skip=0pt} 
%% Adjust here %or equivalently 
%\usepackage[font=small,skip=0pt]{caption}
\setlength{\textfloatsep}{20.0pt plus 2.0pt minus 2.0pt}
\setlength{\floatsep}{12pt plus 2pt minus 2pt}
\setlength{\intextsep}{12pt plus 2.0pt minus 2.0pt}
%\newlength{\drop}
\renewcommand{\bibname}{مراجع}
\pagestyle{plain} 

\makeatletter
\long\def\@RTLfootnotetext#1{%
    \begingroup
    \setbox\footins
    \vbox{\@RTLtrue\reset@font\footnotesize
    \interlinepenalty\interfootnotelinepenalty
    \splittopskip\footnotesep
    \splitmaxdepth \dp\strutbox \floatingpenalty \@MM
    \hsize\columnwidth \@parboxrestore
    \bidi@footnotetext@dir{#1}%
    \protected@edef\@currentlabel{\csname p@footnote\endcsname\@thefnmark}\@makefntext
    {\rule{\z@}{\footnotesep}\ignorespaces \nastaliq#1\strut}}%
     \bidi@footnotetext@after
    \insert\footins{\unvbox\footins}%
    \endgroup}
    
\long\def\@LTRfootnotetext#1{%
    \begingroup
    \setbox\footins
    \vbox{\@RTLfalse\reset@font\footnotesize
    \interlinepenalty\interfootnotelinepenalty
    \splittopskip\footnotesep
    \splitmaxdepth \dp\strutbox \floatingpenalty \@MM
    \hsize\columnwidth \@parboxrestore
    \bidi@footnotetext@dir{#1}%
    \protected@edef\@currentlabel{\csname p@footnote\endcsname\@thefnmark}\@makefntext
    {\rule{\z@}{\footnotesep}\ignorespaces\timesfont#1\strut}}%
     \bidi@footnotetext@after
    \insert\footins{\unvbox\footins}%
    \endgroup}    
\makeatother
\renewcommand{\footnotesize}{\Large}
\begin{document}
\begin{center}
\null \vspace {\stretch {1}}
\part{پیشینه تحقیق}
\vspace {\stretch {2}}\null
\end{center}
\section{پیشینه تحقیق}
\subsection{روش‌های ریاضی و فراابتکاری}
\setcounter{footnote}{0}
دو روش کلی جهت بهینه‌سازی یک تابع وجود دارد؛ روش‌های برنامه‌نویسی ریاضی\LTRfootnote{Mathematical Programming } و روش‌های فراابتکاری\LTRfootnote{Meta \- heuristic Methods}. روش‌های برنامه‌نویسی ریاضی متنوعی از قبیل برنامه‌نویسی خطی\LTRfootnote{Linear Programming }، برنامه‌نویسی خطی همگن\LTRfootnote{Homogenous Linear Programmin}، برنامه‌نویسی صحیح\LTRfootnote{Integer Programming}، برنامه‌نویسی پویا\LTRfootnote{Dynamic Programming} و برنامه‌نویسی غیر خطی\LTRfootnote{Nonlinear Programming} به منظور حل مسایل بهینه‌سازی بکار برده شده‌اند. این روش‌ها از اطلاعات مربوط به تغییر شیب\LTRfootnote{Gradient information} در اطراف نقطه آغاز جستجو، در فضای جستجوی جواب استفاده می‌کنند. در عمل، روش‌های مبتنی بر شیب، سریع تر همگرا می‌شوند و همچنین می‌توانند جواب‌های با دقت بالاتری را نسبت به روش‌های تصادفی\LTRfootnote{Stochastic Approach} در هنگام جستجوی محلی\LTRfootnote{Local Search } بدست آورند. برای کاربرد مفید این روش‌ها، متغیر‌ها و تابع هزینه باید پیوسته باشند.
علاوه بر این، برای اجرای موفق این روش‌ها، یک نقطه آغازین خوب، خیلی مهم است. در بسیاری از مسایل بهینه‌سازی، نواحی بحرانی\LTRfootnote{Prohibited Zones}، حدود مرزی توابع هزینه غیر یکنواخت\LTRfootnote{Non\- Smooth} یا غیر محدب\LTRfootnote{Non\- Convex } باید در نظر گرفته شوند. در نتیجه مسایل بهینه‌سازی غیر محدب که فاقد شیب کافی در نواحی بحرانی می‌باشند، با روش‌های برنامه‌نویسی ریاضی مرسوم قابل حل نیستند. اگرچه برنامه‌نویسی پویا یا برنامه‌نویسی صحیح غیرخطی ترکیبی و اصلاحات آن، ترفند‌هایی را برای حل مسایل غیر محدب پیشنهاد می‌کنند، ولی در حالت کلی، این روش‌ها نیازمند کارهای محاسباتی قابل توجه است. 
در مقابل روش‌های ریاضیاتی مرسوم، تکنیک‌های بهینه‌سازی فراابتکاری به منظور بدست آوردن جواب‌های بهینه کلی یا نزدیک به کلی\LTRfootnote{Near\- Global Optimum Solution} استفاده می‌شوند. این روش‌ها به دلیل داشتن قابلیت‌های اکتشافی و پیدا کردن نواحی محتمل در فضای جستجو در مدت زمان ممکن، به منظور جستجو‌های کلی و همچنین کاهش نیاز به متغیر‌ها و توابع هزینه پیوسته، کاملا مناسب می‌باشند. اگرچه این روش‌ها، روش‌های تقریبی هستند، بدین معنی که جواب‌های آن‌ها خوب اما ضرورتا بهینه نیستند، لیکن به مشتق تابع هدف و قید‌‌ها نیاز ندارند و قواعد انتقالی احتمالاتی را به جای قوانین معین و قطعی بکار می‌برند. 
طبیعت همواره به عنوان یک مرجع مهم جهت الهام گرفتن، برای مهندسین مطرح بوده است، و فلسفه‌های طبیعی و روش‌های فراابتکاری زیادی از روش‌هایی که به نظر می‌رسد خود طبیعت برای حل مسایل سخت انتخاب می‌کند، الهام گرفته شده‌اند. \\\setcounter{footnote}{0}
الگوریتم تدریجی\LTRfootnote{Evolutionary Algorithm } (\lr{EA}) که توسط فوگل\LTRfootnote{Fogel } و همکاران\cite{Fogel1966}، دی جانگ\LTRfootnote{De Jong }\cite{DeJong1975} وکوزا\LTRfootnote{Koza}\cite{Koza1990} معرفی شد و الگوریتم ژنتیک\LTRfootnote{Genetic Algorithm} (\lr{GA}) که توسط هالند\cite{Holland1975}\LTRfootnote{Holland} و گولد برگ\cite{Goldberg1989}\LTRfootnote{Goldberg} پیشنهاد شد، از فرایند‌های تدریجی زیستی الهام گرفته شده‌اند. مطالعات بر روی رفتار و نحوه زندگی حیوانات، منجر به کشف روش‌های بهینه‌سازی دیگری شده که عبارتند از: روش جستجوی تابو\LTRfootnote{Tabu Search} (\lr{TS}) که توسط گلوور\cite{Glover1977}\LTRfootnote{Glover} ارائه شد، 
بهینه‌سازی بر اساس کلونی مورچه‌ها\LTRfootnote{Ant Colony Optimization} (\lr{ACO}) که توسط دوریگو\LTRfootnote{Dorigo} و همکاران\cite{Dorigo1996} عرضه شد، بهینه‌سازی بر اساس دسته حیوانات\LTRfootnote{Particle Swarm Optimizer} (\lr{PSO}) که بوسیله ابرهارت\LTRfootnote{Eberhart} و کندی\LTRfootnote{Kennedy}\cite{Eberhart1995} پیشنهاد شد. 
شبیه سازی گرم و سرد کردن\LTRfootnote{Simulated Annealing} (\lr{SA}) فلزات معرفی شده توسط کرکپاتریک\LTRfootnote{Kirkpatrick } و همکاران\cite{Kirkpatrick1983}، الگوریتم جستجوی گرانشی\LTRfootnote{Gravitational Search Algorithm} (\lr{GSA}) ارئه شده توسط راشدی\cite{Rasekhi2011}\LTRfootnote{Rashedi }،  همگی از پدیده های فیزیکی الهام گرفته شده‌اند.
\end{document}