en بهینه‌سازی مقاوم چندهدفه سبد سرمایه‌گذاری با استفاده از الگوریتم الگوریتم ژنتیک مرتب‌سازی نامغلوب بهبودیافته (ENS-NSGA-II) تحت محدودیت‌های دنیای واقعی <div style="text-align: justify;">این مطالعه به بررسی بهینه‌سازی پرتفوی با استفاده از الگوریتم ژنتیک مرتب‌سازی نامغلوب بهبودیافته II (ENS-NSGA-II)، به‌عنوان یک الگوریتم تکاملی چندهدفه قدرتمند، در کنار روش‌های کلاسیک بهینه‌سازی می‌پردازد. با استفاده از داده‌های ۱۳۵ شرکت پذیرفته‌شده در بورس اوراق بهادار تهران طی دوره ۲۰۱۳ تا ۲۰۲۴، یک چارچوب توسعه‌یافته مارکویتز بر اساس بازده و نیم‌واریانس به‌عنوان معیارهای اصلی عملکرد ایجاد شد. به‌منظور انعکاس بهتر شرایط واقعی بازار، چندین محدودیت عملی سرمایه‌گذاری نیز در مدل لحاظ شد و مسئله به یک مسئله بهینه‌سازی چندهدفه تبدیل گردید. الگوریتم ENS-NSGA-II که به سازوکار کنترل تطبیقی جهش و روش‌های بهبودیافته حفظ تنوع مجهز شده است، با ایجاد پرتفوی‌هایی با مبادله مطلوب‌تر میان بازده و ریسک در شرایط غیرخطی و پرنوسان بازار، عملکردی به‌مراتب بهتر از مدل‌های کلاسیک نشان داد. همچنین، این الگوریتم در اجراهای مستقل متعدد و بازه‌های زمانی مختلف، رفتار همگرایی مطلوب و پایداری بالایی از خود نشان داد. یافته‌های این پژوهش تأیید می‌کنند که ENS-NSGA-II رویکردی قدرتمند و انعطاف‌پذیر برای ساخت پرتفوی‌های سرمایه‌گذاری کارآمد در محیط‌های مالی نامطمئن است و می‌تواند ابزار قابل اعتمادی برای تصمیم‌گیری سرمایه‌گذاران فراهم کند که با پیچیدگی‌های پویای بازار سازگار می‌شود.</div> <div style="text-align: justify;">This study explores portfolio optimization by employing the Enhanced Non-dominated Sorting Genetic Algorithm II (ENS-NSGA-II), a robust multi-objective evolutionary algorithm, alongside classical optimization methods. Utilizing data from 135 companies listed on the Tehran Stock Exchange over the period 2013&ndash;2024, an extended Markowitz framework was constructed based on return and semi-variance as key performance criteria. To better reflect market realities, several practical investment constraints were incorporated, transforming the problem into a multi-objective optimization task. The ENS-NSGA-II algorithm, equipped with adaptive mutation control and improved diversity preservation mechanisms, significantly outperformed classical models by generating portfolios with superior return-risk trade-offs under nonlinear and volatile market conditions. Furthermore, the algorithm exhibited strong convergence behavior and stability across multiple independent runs and time intervals. These findings confirm that ENS-NSGA-II offers a powerful and flexible approach for constructing efficient investment portfolios in uncertain financial environments, providing investors with a reliable decision-making tool that adapts to dynamic market complexities.</div> ریسک, بازده, پرتفوی, بهینه‌سازی کلاسیک, بهینه‌سازی هوشمند Risk, Return, Portfolio, Classical Optimization, Intelligent Optimization 1 9 http://sjamao.srpub.org/browse.php?a_code=A--1-91&slc_lang=en&sid=7 Akram Esmaeili اکرم اسماعیلی 1003194753284600971 1003194753284600971 No Department of Accounting, Khomein Branch, Islamic Azad University, Khomein, Iran. گروه حسابداری، واحد خمین، دانشگاه آزاد اسلامی، خمین، ایران. Seyed Sajad Hashemi سید سجاد هاشمی shashemi@gmail.com 1003194753284600972 1003194753284600972 Yes Professor, Department of Accounting, Khomein Branch, Islamic Azad University, Khomein, Iran. استاد گروه حسابداری، واحد خمین، دانشگاه آزاد اسلامی، خمین، ایران.