جداسازی کور به عنوان یکی از زمینه های پرکاربرد در پردازش سیگنال، به معنای تفکیک سیگنال از میان سیگنال های منبعی است که به دلایل ناشناخته ترکیب شده اند. این جداسازی بدون هیچ گونه اطلاعاتی از نوع توزیع سیگنال های ورودی و سیستم ترکیبی و تنها براساس سیگنال های مشاهده شده انجام می گیرد. روش های پایه در این زمینه شامل فرضیات ساده کننده پیرامون نوع سیگنال ورودی بوده و اغلب در جداسازی بیش از سه منبع ترکیبی با خطای زیاد مواجه می شوند. در راستای بکارگیری روش های تفکیک کور براساس شبکه های عصبی نیز مشکلات جدی وجود دارد. یکی از این مسائل، وابستگی رابطه به روزرسانی وزن ها و پارامترهای مسئله به نوع توزیع سیگنال های ترکیبی می باشدکه مستلزم اطلاع از نوع سیگنال پیش از استفاده از الگوریتم جداسازی خواهد بود. همچنین با افزایش تعداد منابع، تعداد پارامترها و پیچیدگی مسئله افزایش یافته و موجب گرفتار شدن در بهینه های محلی می گردد. در این پژوهش، به منظور تفکیک سیگنال های مختلف بدون محدودیت بر روی توزیع آن ها، استفاده از الگوریتم های بهینه سازی تکاملی و مبتنی بر هوش جمعی مورد توجه قرار گرفت. الگوریتم های بهینه سازی در نظر گرفته شده شامل الگوریتم های تکامل تفاضلی و گرگ خاکستری است که نتایج خوبی در حل مسائل با پیچیدگی بالا بدست داده اند. همچنین در این پایان نامه تابع هزینه جدیدی مبتنی بر معیار کاهش همبستگی متقابل سیگنال های تخمینی ارائه می شود. نتایج شبیه سازی ها نیز با نتایج حاصل از دیگر الگوریتم های بهینه سازی مانند الگوریتم ژنتیک، کوچ پرندگان و کلونی زنبور عسل مقایسه شده است. این مقایسه به کمک معیارهای ارزیابی مختلف صورت می پذیرد. همچنین نتایج حاصله با نرخ همگرایی مناسب حتی در تفکیک تعداد زیاد سیگنال های ترکیبی بدست آمده که با بالا رفتن تعداد منابع به صورت خطی افزایش می یابد. کاربرد روش پیشنهادی در تفکیک سیگنال های گفتار و تصویر در حضور نویزهای زمینه از جمله نویز سفید گوسی، جداسازی سیگنال قلبی مادر-جنین و نیز جداسازی سیگنال قلبی از آرتیفکت های موجود مورد بررسی قرارگرفته و نتایج مطلوبی حاصل شده است.
