1、全局優(yōu)化和多目標(biāo)優(yōu)化問(wèn)題是兩類復(fù)雜的優(yōu)化問(wèn)題，它們?cè)跀?shù)學(xué)、工程、管理、軍事等諸多領(lǐng)域有著廣泛的應(yīng)用，但是當(dāng)問(wèn)題為非線性全局優(yōu)化和非線性非凸多目標(biāo)優(yōu)化問(wèn)題時(shí)，對(duì)它們求解非常困難，研究它們高效的求解算法不僅具有重要的理論意義，而且具有廣泛的應(yīng)用價(jià)值。進(jìn)化算法是求解這些復(fù)雜優(yōu)化問(wèn)題的一種智能優(yōu)化算法，已經(jīng)成功地解決了實(shí)際中許多復(fù)雜優(yōu)化問(wèn)題。隨著進(jìn)化算法研究和應(yīng)用的不斷深入，通過(guò)多種機(jī)制有機(jī)協(xié)同的進(jìn)化算法已成為提高算法效率和改善其適應(yīng)性的有效途

2、徑，尤其適合解決高維、非線性、不可微、多局部最優(yōu)、多目標(biāo)、動(dòng)態(tài)不確定等復(fù)雜優(yōu)化問(wèn)題。本文針對(duì)高維非線性全局優(yōu)化和非線性非凸多目標(biāo)優(yōu)化問(wèn)題的高效進(jìn)化算法進(jìn)行了深入研究，提出了幾種高效的進(jìn)化算法，并以并行與分布式系統(tǒng)下的可分任務(wù)調(diào)度問(wèn)題為實(shí)際應(yīng)用背景，建立了一個(gè)任務(wù)優(yōu)化調(diào)度模型，并設(shè)計(jì)了相應(yīng)的進(jìn)化算法對(duì)模型進(jìn)行求解。具體工作如下：
　　1、NSGA-II(Non-dominated Sorting Genetic Algorithm-

3、II)算法是目前求解多目標(biāo)優(yōu)化問(wèn)題的最有效算法之一，其中，聚集距離在NSGA-II算法的收斂性和分布均勻性保持上起到重要的作用，但算法沒(méi)有充分利用微觀的個(gè)體本身和宏觀的種群整體信息。為更合理地估計(jì)區(qū)域密度，使所求解集更好更均勻地收斂于Pareto最優(yōu)邊界，本文利用均勻聚集區(qū)間和基尼系數(shù)權(quán)重構(gòu)造了一種均勻聚集距離算子，并基于該算子提出了一種改進(jìn)的NSGA-II算法。最后，通過(guò)對(duì)10個(gè)標(biāo)準(zhǔn)多目標(biāo)測(cè)試問(wèn)題的實(shí)驗(yàn)驗(yàn)證了算法的有效性。
　　

4、2、目標(biāo)函數(shù)加權(quán)法是求解多目標(biāo)優(yōu)化問(wèn)題最常用和最簡(jiǎn)單的方法。但是，對(duì)于非凸或者復(fù)雜多目標(biāo)優(yōu)化問(wèn)題，這種方法無(wú)法求出Pareto前沿非凸部分的最優(yōu)解，因而通常無(wú)法求出在整個(gè)Pareto前沿均勻分布的代表解集。為了解決這個(gè)問(wèn)題，本文提出了一種新的基于自適應(yīng)多適應(yīng)度函數(shù)和空間劃分進(jìn)化算法。通過(guò)均勻設(shè)計(jì)將目標(biāo)空間劃分為相近大小的多個(gè)區(qū)域，每個(gè)區(qū)域由目標(biāo)函數(shù)加權(quán)作為其適應(yīng)度函數(shù)來(lái)搜索該區(qū)域內(nèi)的非支配解。當(dāng)某個(gè)區(qū)域包含較少的非支配解時(shí)，該區(qū)域會(huì)被劃

5、分為更小的子區(qū)域，且會(huì)為每個(gè)子區(qū)域添加一個(gè)新的適應(yīng)度函數(shù)。因此，每個(gè)區(qū)域內(nèi)的Pareto解將逐步得到更新，最終均勻地分布在整個(gè)Pareto前沿。最后，通過(guò)求解13個(gè)標(biāo)準(zhǔn)測(cè)試函數(shù)，將所提算法與10個(gè)已有算法進(jìn)行了性能比較。結(jié)果表明所提算法的性能要優(yōu)于已有算法，它不僅可以有效的解決非凸及復(fù)雜優(yōu)化問(wèn)題，而且可以在整個(gè)Pareto前沿找到分布均勻且寬廣的解集。
　　3、未成熟收斂以及收斂性能差等是目前進(jìn)化算法面臨的重要缺陷。為了進(jìn)一步提高

6、進(jìn)化算法的全局搜索能力和避免算法陷入局部最優(yōu)解，本文提出了一種基于基因多樣性測(cè)度的自適應(yīng)協(xié)同進(jìn)化算法，并且證明了算法的全局收斂性。該算法以基因多樣性測(cè)度為紐帶，實(shí)現(xiàn)了算子之間的協(xié)同搜索；通過(guò)自適應(yīng)的選擇算子和變異算子維持了子種群的多樣性，降低算法陷入局部最優(yōu)解的可能性；通過(guò)自適應(yīng)替換算子實(shí)現(xiàn)了各子種群信息之間的動(dòng)態(tài)協(xié)同交換，提高了子種群交互信息價(jià)值潛力和算法的搜索能力。最后，通過(guò)7個(gè)函數(shù)優(yōu)化實(shí)驗(yàn)驗(yàn)證了算法的有效性。
　　4、針對(duì)并

7、行與分布式系統(tǒng)下的可分任務(wù)調(diào)度這一實(shí)際應(yīng)用問(wèn)題，考慮到處理機(jī)的異構(gòu)性，即處理機(jī)具有任意大小的通信速率、計(jì)算速率、計(jì)算啟動(dòng)開(kāi)銷和通信啟動(dòng)開(kāi)銷，本文以任務(wù)的最短完成時(shí)間為目標(biāo)建立了一個(gè)新的優(yōu)化模型。該模型可以解決以下三個(gè)問(wèn)題：確定最優(yōu)的參與計(jì)算的處理機(jī)數(shù)目、最優(yōu)的處理機(jī)調(diào)度順序，以及最優(yōu)的任務(wù)分配方案。為了有效的求解該模型，本文設(shè)計(jì)了一種新的混合遺傳算法，并證明了該算法以概率1收斂到全局最優(yōu)解。為了加快算法的收斂，在算法中引入了局部搜索策略