الگوریتم های تکاملی موفق ترین الگوریتم ها در حل مشکلات مختلف بهینه سازی هستند. برنامه نویسی شبکه ژنتیکی یکی از الگوریتم های Evolutionary با قابلیت های خوب در مشکلات کنترل عامل است. در این الگوریتم ، ساختار افراد یک نمودار مستقیم است. با استفاده از این ساختار می توان راه حل بسیاری از مشکلات پیچیده را الگوبرداری کرد. با این حال ، در این الگوریتم ، اپراتورهای متقاطع و جهش به طور مکرر ساختار افراد را می شکنند و موارد جدیدی را ایجاد می کنند. اگرچه این می تواند به ساختارهای بهتری منجر شود ، اما ممکن است ساختارهای مناسبی را در افراد نخبه ایجاد کند. در ضمن ، در محیط های تصادفی ، هر بار که فرد ارزیابی می شود ، به مقادیر مختلف تناسب اندام منجر می شود. بنابراین ، محاسبه ارزش تناسب اندام افراد نیاز به ارزیابی چندین برابر از افراد دارد. این به شدت سرعت روند تکامل را کاهش می دهد. در این مقاله با الهام از مکانیزم های الگوریتم کلونی مورچه ها ، روش جدیدی برای جلوگیری از شکسته شدن تکراری ساختارهای افراد ، الگوریتم ارائه شده است. این روش با استفاده از یک فرآیند سازنده ، عملکرد افراد از یک نسل به نسل دیگر را بهبود می بخشد. برخلاف فرآیند تولیدی که افراد با ترکیبی از برخی دیگر ایجاد می شوند ، در فرایند سازنده آنها مطابق با تجربه نسل های قبلی تولید می شوند. ما با استفاده از این مکانیسم نه تنها از شکستن سازه های مناسب جلوگیری می کنیم بلکه می توانیم عدم اطمینان را در محیط های تصادفی مدیریت کنیم. روش پیشنهادی ما برای حل دو مشکل کنترل عامل هنگامی که محیط قطعی یا تصادفی باشد ، استفاده می شود. نتایج نشان می دهد که الگوریتم پیشنهادی از توانایی بسیار بالایی در ایجاد استراتژی های تصمیم گیری کارآمد به ویژه در محیط های تصادفی برخوردار است.