近年来，演化计算作为计算智能领域的经典优化技术，已经广泛应用于求解组合优化、工程优化等理论和工程类的优化问题，形成了一种基于演化的智能优化方法。针对高维空间的多目标优化问题，近年来基于分解的多目标演化算法（MOEAs）利用了分而治之的思想有效降低了求解多目标或高维多目标优化问题的难度。根据分解的形式不同，基于分解的MOEAs又进一步细分为基于聚合的MOEAs和基于参考点的MOEAs。尽管基于分解的MOEAs是目前求解高维多目标优化问题最有前景的技术之一，然而它在方法和应用层面均存在着缺陷和不足。本书第一部分围绕该类方法，着眼于“如何在目标空间中平衡收敛性和多样性”“如何在决策空间中平衡探索与开发”以及“如何进行有效的降维”等科学问题，展开了系统性的研究，旨在进一步完善其理论框架并推广其在具体问题上的应用。另外，针对多目标柔性作业车间调度这一类典型的NP难工程优化问题，本书基于演化优化的求解思路，分别研究了面向单目标优化的融合问题知识的混合和声搜索方法（HHS）、面向高维空间单目标优化的混合和声搜索和大邻域搜索的集成搜索方法（HHS/LNS），以及面向多目标优化的基于目标重要性分解的模因演化方法，并在多个基线数据集上取得了优异的效果。 本书可作为演化计算、智能优化、大数据及人工智能等相关专业研究参考和研究生教学用书。

上篇 多目标优化问题与智能演化优化方法
第1章 引言
1.1 研究背景
1.2 基本概念以及基本框架
1.2.1 多目标优化问题
1.2.2 多目标演化算法简介
1.3 相关研究工作综述
1.3.1 进化高维多目标优化
1.3.2 多目标演化算法中的变化算子
1.4 本章小结
第2章 基础知识
2.1 典型的基于分解的多目标演化算法
2.1.1 问题分解多目标演化算法
2.1.2 集成适应度排序
2.1.3 第三代非支配排序遗传算法
2.1.4 多目标遗传局部搜索
2.2 差分进化
2.3 柔性作业车间调度的析取图模型
2.4 标准测试问题
2.4.1 高维多目标优化测试问题
2.4.2 柔性作业车间调度测试问题
2.5 性能指标
2.6 本章小结
第3章 在基于聚合的多目标演化算法中平衡收敛性和多样性
3.1 前言
3.2 类似算法简介
3.3 基本思想
3.4 算法详解
3.4.1 增强MOEA/D
3.4.2 增强EFR
3.4.3 可选归一化过程
3.4.4 计算复杂度
3.4.5 讨论
3.5 实验设计
3.5.1 测试问题
3.5.2 性能指标
3.5.3 比较算法
3.5.4 实验设置
3.6 算法的性能分析
3.6.1 参数K的影响
3.6.2 收敛性和多样性的研究
3.7 与先进算法的比较
3.7.1 在归一化问题上的比较
3.7.2 在非归一化问题上的比较
3.7.3 进一步讨论
3.8 本章小结
第4章 基于新型支配关系的多目标演化算法
4.1 前言
4.2 基于θ-支配的演化算法
4.2.1 算法框架
4.2.2 参考点的生成
4.2.3 重组算子
4.2.4 自适应归一化
4.2.5 聚类算子
……
下篇 柔性作业车间调度问题及其优化求解
参考文献
附录A