近年來,演化計算作為計算智能領域的經典優化技術,已經廣泛應用於求解組合優化、工程優化等理論和工程類的優化問題,形成了一種基於演化的智能優化方法。針對高維空間的多目標優化問題,近年來基於分解的多目標演化算法(MOEAs)利用了分而治之的思想有效降低了求解多目標或高維多目標優化問題的難度。根據分解的形式不同,基於分解的MOEAs又進一步細分為基於聚合的MOEAs和基於參考點的MOEAs。盡管基於分解的MOEAs是目前求解高維多目標優化問題最有前景的技術之一,然而它在方法和應用層面均存在著缺陷和不足。本書第一部分圍繞該類方法,著眼於“如何在目標空間中平衡收斂性和多樣性”“如何在決策空間中平衡探索與開發”以及“如何進行有效的降維”等科學問題,展開了繫統性的研究,旨在進一步完善其理論框架並推廣其在具體問題上的應用。另外,針對多目標柔性作業車間調度這一類典型的NP難工程優化問題,本書基於演化優化的求解思路,分別研究了面向單目標優化的融合問題知識的混合和聲搜索方法(HHS)、面向高維空間單目標優化的混合和聲搜索和大鄰域搜索的集成搜索方法(HHS/LNS),以及面向多目標優化的基於目標重要性分解的模因演化方法,並在多個基線數據集上取得了優異的效果。
本書可作為演化計算、智能優化、大數據及人工智能等相關專業研究參考和研究生教學用書。