新的混合智能优化算法及其多目标优化应用
多模态多目标智能优化算法及其应用研究
多模态多目标智能优化算法及其应用研究多模态多目标智能优化算法及其应用研究随着社会经济的发展和科技进步，人们对问题的解决愈发复杂多样。
传统的单目标优化算法已不能满足不同领域的需求，而多目标优化算法应运而生。
然而，在实际应用中，存在一些问题，例如搜索空间巨大、决策制约条件复杂、目标函数不可知等。
因此，为了更好地解决这些问题，研究者们引入了多模态的概念，将多模态多目标智能优化算法应用到实际问题中。
多模态多目标智能优化算法是指在求解多目标优化问题时，同时处理多个具有不同模态的目标函数。
模态是指在搜索空间中存在多个局部最优解的情况。
多模态多目标优化算法能够充分利用每个模态的搜索信息，从而找到全局最优解。
在多模态多目标智能优化算法中，人工智能技术被广泛应用，例如遗传算法、粒子群优化算法、模拟退火算法等。
遗传算法是一种模拟自然遗传和进化过程的优化算法，通过模拟基因的交叉、变异与选择等操作来搜索最优解。
粒子群优化算法是模拟鸟群觅食行为的优化算法，通过更新粒子的速度和位置来搜索最优解。
模拟退火算法是模拟金属退火过程的一种优化算法，通过接受较差解的概率来跳出局部最优解。
在应用方面，多模态多目标智能优化算法具有广泛的应用场景。
例如在工程设计领域，设计一个满足多个约束条件的最优结构是一项具有挑战性的任务。
利用多模态多目标智能优化算法，可以在考虑结构强度、材料成本、制造便利性等多个目标的情况下，得到最佳设计方案。
在能源系统优化中，考虑多个因素如供能可靠性、经济性和环境友好型，通过多模态多目标智能优化算法，可以获得能够平衡这些因素的最佳供能方案。
在金融投资领域，多模态多目标智能优化算法可以帮助投资者找到符合风险偏好和收益预期的最佳投资组合。
尽管多模态多目标智能优化算法在实际应用中取得了显著的成效，但仍存在一些挑战。
首先，针对具体问题选择适合的多模态多目标智能优化算法是一个难题，需要根据问题特点进行针对性选择。
其次，参数调节也是一个关键问题，不同参数设置可能导致算法性能的差异。
智能决策中的多目标优化算法
智能决策中的多目标优化算法智能决策是一种通过使用计算机处理大量的数据和信息，来找到最优解的方法。
在实际应用中，我们通常会面临多个目标和约束条件，因此需要采用多目标优化算法来解决这些问题。
本文将介绍几种常见的多目标优化算法，以及它们在智能决策中的应用。
一、Pareto优化算法Pareto优化算法是一种基于Pareto优化原则的算法，它的目标是通过找到最优解来使所有目标最大化。
在这种算法中，当我们改变一个目标时，另一个目标也会随之变化。
因此，这种算法通常用于需要考虑多个目标的问题，如金融投资、资源管理等。
例如，在金融投资中，我们需要同时考虑收益率和风险。
使用Pareto优化算法可以帮助我们找到一组投资组合，使得收益率最高、风险最小化。
这种方法可以帮助我们制定更科学的投资策略，从而获得更高的收益。
二、粒子群算法粒子群算法是一种优化算法，它模拟了鸟群或鱼群等动物集体行为的过程。
在这种算法中，每个个体代表一个解，而整个群体代表整个搜索空间。
个体的移动方向由当前最优解和自身历史最优解决定。
在智能决策中，粒子群算法可以用于解决复杂的多目标优化问题。
例如，在制造业中，我们需要同时考虑成本、质量和效率等多个目标。
使用粒子群算法可以帮助我们找到最优解，从而实现高效的生产。
三、遗传算法遗传算法是一种模拟自然进化过程的算法。
它通过模拟遗传变异、选择和适应度优化等过程来找到最优解。
在这种算法中，每个个体代表一个解，而整个种群代表整个搜索空间。
个体之间通过交叉和变异来产生后代，并根据适应度进行优胜劣汰的选择。
在智能决策中，遗传算法可以用于解决很多多目标优化问题，如车辆运输、机器人路径规划等。
例如，在车辆运输中，我们需要考虑多个目标，如成本、时间和能源等。
使用遗传算法可以帮助我们找到最优解，从而降低成本、提高效率。
四、模拟退火算法模拟退火算法是一种优化算法，它通过模拟固体退火过程来搜索最优解。
在这种算法中，每个解都给出了一个能量值，而算法通过在解空间中不断寻找低能量的解来找到最优解。
多目标优化问题,应用实例
多目标优化问题,应用实例多目标优化问题是指在给定多个目标函数的条件下，寻找一组最优解，使得这些目标函数都能达到最优或尽可能接近最优的问题。
在实际应用中，多目标优化问题广泛应用于各个领域，如工程设计、资源分配、机器学习等。
下面以工程设计为例，介绍一个多目标优化问题的实例。
假设某公司要设计一个新型的电动汽车，希望在汽车性能优化的基础上最大限度地减少能源消耗和排放量。
在设计过程中，我们需要考虑多个目标函数，包括汽车的运行速度、行驶里程、能耗、排放量、安全性等。
这些目标之间通常存在着不可调和的矛盾，比如提高汽车的运行速度可能会增加能耗和排放量，减少能耗和排放量可能会牺牲行驶里程等。
为了解决这个多目标优化问题，我们需要首先建立一个数学模型来描述汽车的性能与各个目标之间的关系。
然后，我们可以采用不同的优化算法进行求解，如遗传算法、粒子群算法、模拟退火算法等。
这些算法可以通过评价每个解的目标函数值并利用优化技术来逐步改进当前解，直到找到一组最优解或较优解。
在具体实施中，我们可以设置一些限制条件，如汽车的最大速度、最大行驶里程、最大能耗、最大排放量等，以保证车辆的安全性和合法性。
然后，我们可以通过对各个目标函数进行加权求和的方式，将多个目标转化为单一的综合目标函数，从而简化多目标优化问题。
与传统的单目标优化问题相比，多目标优化问题具有很多优势。
首先，它可以提供更多的解集选择，以满足不同用户的需求。
其次，多目标优化问题可以更好地反映实际问题的复杂性和多样性。
最后，多目标优化问题可以帮助决策者更好地了解问题的整体情况，并做出更合理的决策。
总结起来，多目标优化问题是一个常见且重要的优化问题，它可以应用于各个领域，如工程设计、资源分配、机器学习等。
在实际应用中，我们需要通过建立数学模型、选择适当的优化算法和设置合理的限制条件来解决这些问题。
这些努力将为我们提供一组最优或较优的解集，从而帮助我们做出更好的决策。
人工智能开发中的多目标优化算法解析
人工智能开发中的多目标优化算法解析人工智能开发是当前科技领域的热门话题之一，而多目标优化算法作为其中关键的一部分，引起了广泛的关注和探索。
多目标优化算法是指在解决问题时，同一时间需要考虑多个相互矛盾的优化目标，通过寻找一组能够在多个目标间达到较好平衡的解决方案，为决策者提供实用的信息。
多目标优化算法的核心思想是通过寻找解空间中的一组最优解，这些解能够在多个目标函数的要求下，达到较好的平衡。
与传统的单目标优化算法相比，多目标优化算法需要克服的挑战更多，因为在解空间中，不同的目标函数之间可能存在冲突和牵制。
因此，多目标优化算法需要寻找出一组解决方案，这些解决方案构成了一种“非劣解集（Pareto Set）”，它们之间不存在相对优势关系。
在多目标优化算法的研究中，有几个经典的方法在实际应用中被广泛使用。
其中，非支配排序遗传算法（Non-dominated Sorting Genetic Algorithm, NSGA-II）是最常见的一种方法之一。
NSGA-II 基于物种概念进行进化搜索，通过模拟生物界中的进化过程，不断从解空间中筛选出一组更好的解决方案。
它通过标识出种群中的非劣解，进行选择、交叉和变异等操作来提高解决方案的适应度，从而实现多目标优化。
在多目标优化算法的研究与实践中，还有一种被称为粒子群优化算法（Particle Swarm Optimization，PSO）的方法，也受到了广泛的关注。
粒子群优化算法模拟了鸟群飞行时的行为，通过不断地跟随当前搜索范围内的最优解，引导整个种群向着更好的解向前进。
这一算法通过定义粒子的位置与速度，实现了解决方案在解空间中的搜索和优化。
近年来，人工智能在许多领域中的应用都涉及到了多个优化目标。
例如，在智能交通系统中，我们希望同时优化通行效率和减少拥堵；在能源管理领域，我们需要平衡电网负荷和提高可再生能源利用率。
这些实际问题往往需要综合考虑多个方面的优化目标，而多目标优化算法能够提供一种高效且合理的解决方案。
多目标混合混沌优化算法研究及应用
次载 波法 和变 尺度法 ． 其基 本思 想是 一致 的 ， 是先 都 基于 确定性 的迭 代式 产生 的遍 历性轨 道对 整个 解空
【
， ） ，一１ ， ｚ （ 一０ ｘ ，…， ２ ．
（ ） 】
间进 行考察 ， 当满足一 定终 止条 件 时 ， 为搜索 过程 认
中 发 现 的最 佳 状 态 已接 近 问 题 的 最 优 解 ， 以 此 点 并
陷 入 局 部 极 小 的 一 种 优 化 机 制 ， 果 利 用 混 沌 变 量 如
析 和探讨 了多 目标优 化 问题 ， 出 了求解 多 目标 优 提
化 问题 的一 种 新 方法 一 多 目标 模 糊 混 沌 优 化 算 法
（ｍｕ ｔ ｏ ｊｃｉ ｅ ｕ ｚ ｃ ａ ｓ ｐ ｉ ｚ ｔ ｎ ｌｏ ｌ — ｂ ｅ ｔ ｆ ｚ ｙ ｈ ｏ ｏ ｔ ｉ ｖ ｍｉａｉ ａｇ — ｏ
ｌｍ，ＭＯＰ 也 称 作 向量 优 化 问 题 或 多 准 则 优 化 问 ｅ ）
题． 般数 学表 达式 为 一
ｆ ｘ ｆ （ ， （ ， ， （ ， ， ｐ Ｘ） ｍａ （ Ｘ） Ｘ） … ＾ Ｘ） … ， （ ）
ｓｔ ｇ （ ． Ｘ）≤ ０， ｉ一 １， … ， ， ２， ｍ
第３ 卷 第 ２ ３ 期
Ｖｏ ． ３ ＮＯ ２ １３ ．
宁 夏 大 学 学报 （ 自然 科 学版 ）
Ｊ ｕ ｎ ｌ ｆＮｉｇ ｉ ｉｅ ｓｔ（ ｔ ｒｌＳ ｉｎ ｅＥｄｔ ｎ ｏ ｒ ａ ｏ ｎ ｘａＵｎｖ ｒｉｙ Ｎａｕ ａ ｃｅ ｃ ｉｉ ） ｏ
２１年６ ０２ 月
作为 下一 步称 为“ 细 搜 索 ” 精 的起 点 ． 次 载 波 法 通 二
收 稿 日期 ： ０ ２０ 一 １ ２ １ — ３Ｏ 基 金 项 目 ： 海 大 学创 新基 金 资 助 项 目（ Ｃ ０ ７０ ４ 河 Ｃ ２ ０ —０ ） 作者简介 ： 梁征 （ ９ ２ ） 男 ， 师 ， 士 ， 要 从 事 控 制 理 论 与 控 制 工 程 研 究 １ ７一 ， 讲 硕 主
群智能混合优化算法及其应用研究
群智能混合优化算法及其应用研究一、本文概述随着技术的飞速发展，群智能优化算法作为一种新兴的启发式优化技术，正受到越来越多的关注。
本文旨在深入研究群智能混合优化算法的理论基础、实现方法以及其在各个领域的应用。
文章首先介绍了群智能优化算法的基本概念和发展历程，分析了其相较于传统优化算法的优势和挑战。
随后，文章详细阐述了群智能混合优化算法的设计原理，包括算法的基本框架、关键参数设置以及算法性能评估等方面。
在此基础上，文章进一步探讨了群智能混合优化算法在多个领域中的应用案例，如机器学习、图像处理、路径规划等，以验证其在实际问题中的有效性和可行性。
本文的研究不仅有助于推动群智能优化算法的理论发展，也为解决复杂优化问题提供了新的思路和方法。
二、群智能优化算法理论基础群智能优化算法，作为一种新兴的启发式搜索技术，近年来在优化领域引起了广泛关注。
其核心思想源于自然界中生物群体的行为特性，如蚂蚁的觅食行为、鸟群的迁徙模式、鱼群的游动规律等。
这些生物群体在寻找食物、避免天敌等过程中，展现出了惊人的组织性和智能性，成为了群智能优化算法的理论基础。
个体与群体：每个算法中的个体代表了一个潜在的解，而群体的集合则代表了搜索空间的一个子集。
个体的行为受到群体行为的影响，通过群体间的信息交流和协作，实现解的优化。
局部搜索与全局搜索：群智能优化算法通过个体在搜索空间中的局部搜索行为，结合群体间的信息共享，能够在一定程度上避免陷入局部最优解，从而增强全局搜索能力。
自适应与自组织：群体中的个体能够根据环境变化和搜索经验，自适应地调整搜索策略和行为方式。
这种自组织特性使得算法在面对复杂优化问题时具有更强的鲁棒性。
正反馈与负反馈：在搜索过程中，群智能优化算法通过正反馈机制，将优秀个体的信息传递给其他个体，加速搜索进程；同时，负反馈机制则帮助算法避免重复搜索无效区域，提高搜索效率。
群智能优化算法的代表包括粒子群优化（PSO）、蚁群算法（ACO）、人工鱼群算法（AFSA）等。
多目标优化算法及应用前景
多目标优化算法及应用前景随着人工智能领域的不断发展，许多机器学习算法应运而生，其中多目标优化算法备受关注。
多目标优化算法是一类通过寻找可能解决多个目标之间矛盾和竞争的最优解来解决问题的数学模型。
很多现实中的问题都拥有多个目标，这使得多目标优化算法具有广泛的应用前景。
本文旨在探讨多目标优化算法及其应用前景。
一、多目标优化算法的定义与分类多目标优化算法是一类用于解决多个目标冲突的最优化问题的算法。
应用多目标优化算法的目的是找到解决方案中所有目标最好的平衡点，这个点被称为Pareto前沿或无支配解集。
在多目标优化算法中，算法应优先考虑无支配解集中的解，即那些不能彼此支配的解决方案。
这些解决方案是任何其他的解可行集内部不能优于其的集合。
根据算法搜索过程的方式，多目标优化算法可以分为经典算法、启发式算法和进化算法。
其中，经典算法基于数学规划方法，例如线性规划、非线性规划和整数规划，来求解多目标最优化问题。
启发式算法则是建立在经典算法的基础上，采用自适应搜索策略，例如Tabu搜索、模拟退火、遗传算法和蚁群算法等，来找到更好的近似解。
进化算法则广泛应用于多目标优化问题，例如多目标遗传算法、多目标粒子群算法和多目标蚁群优化算法等。
二、多目标优化算法的应用多目标优化算法在各个行业中具有广泛的应用，包括工程、金融、医学和基础科学等领域。
1. 工程领域在工程领域中，许多问题都涉及到多个冲突的目标，例如优化飞机的结构和性能，则需要同时考虑飞机的重量、飞行速度、承载力和耐久性等多个因素。
多目标优化算法可以在不牺牲任何目标的情况下得到一个更好的平衡点，提高工程设计的效率和经济性。
此外，多目标优化算法还可以应用于能源系统的优化、供应链的优化和环境保护等领域。
2. 金融领域在金融领域中，多目标优化算法可以用于构建投资组合、风险控制和资产定价等问题。
这些问题通常涉及多个目标，例如最大化投资回报和最小化风险。
多目标优化算法可以帮助投资人找到最优的投资组合，降低投资风险，提高收益率。
多目标智能优化算法及其应用
多目标智能优化算法及其应用
多目标智能优化算法是一种针对多个目标的优化算法，它拥有速
度快、准确性强的优势；相比传统的基于评价函数的优化算法，其具
备更强的适应性和有效性，可以大大提高控制系统的稳定性。
与传统
的优化算法一样，多目标智能优化也是一种以适应性取向的算法。
与
传统技术相比，多目标智能优化具有自适应性强、灵活智能和鲁棒性
强等优势。
典型的多目标智能优化算法包括元素法、启发式搜索法、
遗传算法、模拟退火算法、吸引子算法、鸡尾酒算法、多层次算法等。
多目标智能优化算法在工业领域的应用，包括工厂调度、产品序
列规划、交通规划、智能控制系统设计以及能源管理等多个领域的优
化问题。
随着计算机技术的快速发展，多目标智能优化算法在解决复
杂优化问题方面被广泛应用。
特别是在产业生产中，它能够为各种类
型的优化问题提供简便高效的解决方案。
例如，在工业产品的生产中，多目标智能优化可以有效地平衡产能利用率、原料投入的环境影响、
单位产品的成本控制等多个因素，从而提高整体的生产效率。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第 5期
Hale Waihona Puke 张汉强等 : 新的 混合智能优化算法及其多目标优化应用
1291
2 人工鱼群算法概述
2. 1 人工鱼个体相关定义 人 工鱼个体的状态 X = ( x1 , x2 , ,, xn ), 其中 xi ( i = 1, 2 , ,, n) 为欲 寻 优的 变 量 ; 人工 鱼 当 前食 物 浓度 表 示 为 Y = f ( X ) ; 人工鱼个体之间的距离为 d i, j = + X i - X j + ; 人工鱼每 次移 动 最 大 试 探 次 数 为 trynum ber ; 人工鱼的 感知距离为 visua l ; 人工鱼移动的最大步长为 step; 拥挤度因子为 D 。 2. 2 行为描述 觅食行为 设人 工鱼当前状态为 X i, 在其感 知距离 内随 机选择状态 X j, 求 极小值 问题 中 ( 因为 极小值 与极 大值问 题 类似 , 下面均以极小值问题讨论 ) , 当 Y i > Yj 时 , X i / nex t = X i + R and ( ) # S tep# ( X j - X i ) /d i. j; 否则 , 重新随机选择状态 X j, 判 断 Yi > Yj; 反复尝试 trynum ber次后 , 仍不满足前进条件 , 则随 机移动一步。 聚群行为 设人工 鱼当 前状 态为 X i, 搜索 当前 邻域 内 ( 即 d i, j < visab le) 的伙伴数目 nf 及中心位置 X c, 如果 Yc nf < D Y i, 表明伙伴中心 有食 物较 少且 不太 拥挤 , 则 X i / nex t = X i + R and ( ) # S tep# ( Xc - X i ) /+ X c - X i + ; 否则执行觅食行为。 追尾行 为 设人工鱼当前状态为 X i, 探索当前邻域内伙 伴 中 Yj 为最小的 伙伴 X j, 如果 Yj nf < D Y i, 表明 X j 伙伴的状态 具有较低的食物浓度 并且其 周围 不太 拥挤 , 则 X i / nex t = X i + R and ( ) # S tep# X j - X i /+ X j - X i + ; 否则执行觅食行为。 随机行为 随机 行为是觅食行为的一个缺省行为。 公告板 用以记 录最优人工鱼个体状态及该人工鱼位置 的食物浓度。 2. 3 行为选择 根据所要解决问 题的性质 , 对人 工鱼当 前所处 的环境 进 行评价 , 从而选择一种合适的行为 , 一般按照进步最快原则。 2. 4 参数对算法的影响 trynum ber 越小 , 人工鱼 摆脱 局部 极值 的能 力越 强 , 收 敛 效率高 ; visual 越大 , 越容易发 现全局极值点 ; s tep 越 大初始收 敛速度快 , 后期速度降低 , 而且 精度下降 ; D较 大时 , 觅食 行为 和随机行为 突出 , 有利于全 局搜索 , 提高收 敛速度 , 同样 精度 会降低 ; 人工鱼数目 N 越多 , 收敛速度快 , 但是计算量加大。
0 引言
人们根据生物系 统的特征 和一些 物理现 象 , 构 造设计 出 许多仿生优化算法来 解决复 杂的实 际问题 , 例如 模拟退 火算 法 [ 1] 、 粒子群算法 [ 2] 和遗传算法 [ 3] 等。虽然这些 优化算 法具 有某些共同的机制和 原理 , 但由于 不同的 优化算 法表现 出不 同的行为特征和优缺 点 [ 4] , 因而算 法间的 相互促 进与补 足逐 渐成为一种改进算法 特性的自然途径。 人工鱼 群算 法 ( A rtific ia l F ish Schoo l A lgo rithm, AFSA ) 是 李晓磊等人 [ 5] 于 2002 年提出的一种基于模拟鱼群觅食 、 聚群 和追尾行为的仿生型优化算法 。该算法 具有良好的克服局部 极值、 取得全局 极值 的能 力 , 并且 该算 法还 具有 对初 值不 敏 感、 鲁棒性强、 简 单 ( 只 使 用目 标函 数 值 ) 、 易实 现 等 诸多 优 点。但是随着 优化 问题 的不 断复 杂化 , AF SA 在 大规 模复 杂 优化问题的求解和应 用中存 在着不 足 , 主 要表现 为算法 得到 的解精度不 高 , 优化 前期 收敛 速度 快但 后期 收敛 速度 慢等。 针对人工鱼群算法的 这些不 足 , 本 文提出 基于分 阶段寻 优和 变参数寻优 的改 进策 略 , 并结 合禁 忌搜 索 ( T abu Search, TS )
在多目标优化问题中 , 各个目标通常是相互制约的关系 , 对其中一个目标 进行 优化 往往 以其 他 目标 的性 能降 低为 代 价 , 因而 全局最优 值通 过各 目标 平衡 达到 , 其 数学 表达 式 如 下: m in F (X ) = ( f i ( X ) ) T; i = 1, 2, ,, m s. t . S ( X ) = ( sj (X ) ) T \ 0; j = 1, 2, ,, k A[ X[ B 其中 : X = xi ( i = 1, 2, ,, n) 为 n 维 决 策 向 量 ; F ( X ) = ( f i (X ) ) T 为多目标优化函数向量 ; S (X ) = ( sj (X ) ) T 为约 束 条件 , 表 示 sj ( X ) \ 0( j = 1, 2, ,, k ); 边界条件 A [ X [ B 表 示每个决策分量须满足 ai [ xi [ bi ( i = 1, 2 , ,, n)。
第 30 卷第 5 期 2010 年 5 月 文章编号 : 1001- 9081( 2010) 05- 1290- 03
计算机应用 Journal o f Computer A pp lications
V o.l 30 N o . 5 M ay 2010
新的混合智能优化算法及其多目标优化应用
张汉强, 卢建刚, 陈金水
( S ta te K ey L abora tory of Industria l C on trol T echnology, Zh ejiang U niversity, H angzhou Zhejiang 310027 , C hina )
Abstract : A fter ana lyz ing the disadvantages of the slo w er converg ence property and low er accuracy in A rtificia l F ish Sw ar m A lgor ithm (A FSA ), a ne w hybrid inte lligent opti m ization a lgor ithm w as propo sed based on phased opti m ization and variab le para m ete r opti m ization as w ell as so m e relevant rules in tabu search a lgor ithm. In th is a lgo rithm, the opti m iza tion process was d iv ided into two phases, one w as to lock the neighbo rhood o f the opti m al so lution or partia l so lution, the o ther w as to obta in the opti m a l so lution o f h igh -prec ision. Each phase set different para m ete rs and co m bined the tabu search algor ithm to m prove convergence speed and accuracy o f opti i m a l so lutions. T he s i m u la tion resu lts sho w that the proposed algor ithm can greatly i m prove the ability of seek ing the g loba l ex cellent resu lt , convergence speed and accuracy. A s fo r the mu lti objective op ti m ization prob lem, the propo sed a lgo rithm can a lso i m prove the quality o f P areto opti m a l so lutions , en large the d istr ibu tion area o f dec isions and ma in tain d iversity in decision-mak ing . K ey words : A rtific ial F ish-Sw ar m A lgo rithm ( AFSA ); phased opti m ization and var iable para m eter opti m ization; T abu Search ( TS); mu lti objective opti m ization
算法 [ 6] 中的禁忌规 则、 解禁 规则 和终 止规 则 , 提 出一 种新 的 混合智能优 化算 法 ( H ybr id Inte lligent Opti m ization A lgor ithm, HI OA ), 将此优化算法应用在多目标优化问题中 , 取得了良 好 的效果。
1 多目标优化问题描述
收稿 日期 : 2009 - 11 - 19 ; 修 回 日期 : 2010 - 01 - 13 。 基 金 项 目 : 国 家自 然 科 学 基 金资 助 项 目 ( 60736021 ) ; 国 家 863 计 划 项 目 ( 2006A A 04Z184 ; 2007AA 041406) ; 浙江省科技计划资助项目 ( 2006C11066 ; 2006C 31051 ); 浙江省自然科学基金资助项目 ( Y 4080339) 。 作者简介 : 张汉强 ( 1982- ) , 男 , 浙江义乌人 , 硕士研究生 , 主要研究 方向 : 复杂系 统优化、 计 算机智能 控制 ; 卢建 刚 ( 1968 - ) , 男 , 浙江 杭 州人 , 教授 , 主要研究方向 : 复杂工程系统的建模、 控制与优化 ; 陈金水 ( 1970- ) , 男 , 福建福州人 , 副研究员, 主要研究方向 : 嵌入式系统的 软件 模型与工具。