A. 多目標差分進化演算法
差分進化演算法(Differential Evolution, DE)是一種基於群體差異的啟發式隨機搜索演算法，該演算法是由R.Storn和K.Price為求解Chebyshev多項式而提出的。是一種用於最佳化問題的後設啟發式演算法。本質上說，它是一種基於實數編碼的具有保優思想的貪婪遺傳演算法。
將問題的求解表示成"染色體"的適者生存過程，通過"染色體"群的一代代不斷進化，包括復制、交叉和變異等操作，最終收斂到"最適應環境"的個體，從而求得問題的最優解或滿意解。
差分進化演算法類似遺傳演算法，包含變異，交叉操作，淘汰機制，而差分進化演算法與遺傳演算法不同之處，在於變異的部分是隨選兩個解成員變數的差異，經過伸縮後加入當前解成員的變數上，因此差分進化演算法無須使用概率分布產生下一代解成員。最優化方法分為傳統優化方法和啟發式優化方法兩大類。傳統的優化方法大多數都是利用目標函數的導數求解；而啟發式優化方法以仿生演算法為主，通過啟發式搜索策略實現求解優化。啟發式搜索演算法不要求目標函數連續、可微等信息，具有較好的全局尋優能力，成為最優化領域的研究熱點。
在人工智慧領域中，演化演算法是演化計算的一個分支。它是一種基於群體的元啟發式優化演算法，具有自適應、自搜索、自組織和隱並行性等特點。近年來，很多學者將演化演算法應用到優化領域中，取得了很大的成功，並已引起了人們的廣泛關注。越來越多的研究者加入到演化優化的研究之中，並對演化演算法作了許多改進，使其更適合各種優化問題。目前，演化演算法已廣泛應用於求解無約束函數優化、約束函數優化、組合優化、多目標優化等多種優化問題中。
B. 多目標優化演算法有哪些
主要內容包括：多目標進化演算法、多目標粒子群演算法、其他多目標智能優化演算法、人工神經網路優化、交通與物流系統優化、多目標生產調度和電力系統優化及其他。
C. 多目標優化演算法
多目標優化演算法如下：
一、多目標進化演算法（MOEA）
1、MOEA通過對種群X（t）執行選擇、交叉和變異等操作產生下一代種群X（t+1）。
2、在每一代進化過程中 ,首先將種群X（t）中的所有非劣解個體都復制到外部集A（t）中。
2、智能優化演算法：包括進化演算法（簡稱EA）、粒子群演算法（簡稱PSO）等。
兩者的區別：傳統優化技術一般每次能得到Pareo解集中的一個，而用智能演算法來求解，可以得到更多的Pareto解，這些解構成了一個最優解集，稱為Pareto最優解（任一個目標函數值的提高都必須以犧牲其他目標函數值為代價的解集）。
D. 請推薦幾本多目標優化演算法的書
《基於微粒群演算法的堆石壩壩料參數反演分析》 ·《基於演化演算法的多目標優化方法及其應用研究》 ·《粒子群優化演算法的理論分析與應用研究》 ·《多目標遺傳演算法及其在發動機控制系統設計中的應用》
E. 多目標智能優化演算法及其應用的目錄
《智能科學技術著作叢書》序
前言
第1章 緒論
1.1 進化演算法
1.1.1 進化演算法的基本框架
1.1.2 遺傳演算法
1.1.3 進化策略
1.1.4 進化規劃
1.2 粒子群演算法
1.2.1 標准粒子群演算法
1.2.2 演算法解析
1.3 蟻群演算法
1.3.1 蟻群演算法的基本思想
1.3.2 蟻群演算法的實現過程
1.3.3 蟻群演算法描述
1.3.4 蟻群優化的特點
1.4 模擬退火演算法122
1.4.1 模擬退火演算法的基本原理
1.4.2 模擬退火演算法描述
1.5 人工免疫系統
1.5.1 生物免疫系統
1.5.2 人工免疫系統
1.6 禁忌搜索
1.7 分散搜索
1.8 多目標優化基本概念
參考文獻
第2章 多目標進化演算法
2.1 基本原理
2.1.1 MOEA模型
2.1.2 性能指標與測試函數
2.2 典型多目標進化演算法
2.2.1 VEGA、MOGA、NPGA和NSGA
2.2.2 SPEA和SPEA2
2.2.3 NSGA2
2.2.4 PAES
2.2.5 其他典型MOEA
2.3 多目標混合進化演算法
2.3.1 多目標遺傳局部搜索
2.3.2 J—MOGLS
2.3.3 M PAES
2.3.4 多目標混沌進化演算法
2.4 協同多目標進化演算法
2.5 動態多目標進化演算法
2.5.1 IMOEA
2.5.2 動態MOEA(DMOEA)
2.6 並行多目標進化演算法
2.6.1 並行多目標進化演算法的基本原理
2.6.2 多解析度多目標遺傳演算法
2.6.3 並行單前端遺傳演算法
2.7 其他多目標進化演算法
2.7.1 高維多目標優化的NSGA2改進演算法
2.7.2 動態多目標優化的進化演算法
2.8 結論與展望
參考文獻
第3章 多目標粒子群演算法
3.1 基本原理
3.2 典型多目標粒子群演算法
3.2.1 CMOPSO
3.2.2 多目標全面學習粒子群演算法
3.2.3 Pareto檔案多目標粒子群優化
3.3 多目標混合粒子群演算法
3.3.1 模糊多目標粒子群演算法
3.3.2 基於分散搜索的多目標混合粒子群演算法
3.4 交互粒子群演算法
3.5 結論
參考文獻
第4章 其他多目標智能優化演算法
4.1 多目標模擬退火演算法
4.2 多目標蟻群演算法
4.2.1 連續優化問題的多目標蟻群演算法
4.2.2 組合優化問題的多目標蟻群演算法
4.3 多目標免疫演算法
4.4 多目標差分進化演算法
4.5 多目標分散搜索
4.6 結論
參考文獻
第5章 人工神經網路優化
5.1 Pareto進化神經網路
5.2 徑向基神經網路優化與設計
5.3 遞歸神經網路優化與設計
5.4 模糊神經網路多目標優化
5.5 結論
參考文獻
第6章 交通與物流系統優化
6.1 物流配送路徑優化
6.1.1 多目標車輛路徑優化
6.1.2 多目標隨機車輛路徑優化
6.2 城市公交路線網路優化
6.3 公共交通調度
6.3.1 概述
6.3.2 多目標駕駛員調度
6.4 結論
參考文獻
第7章 多目標生產調度
7.1 生產調度描述_
7.1.1 車間調度問題
7.1.2 間隙生產調度
7.1.3 動態生產調度
7.1.4 批處理機調度和E/T調度
7.2 生產調度的表示方法
7.3 基於進化演算法的多目標車間調度
7.3.1 多目標流水車間調度
7.3.2 多目標作業車間調度
7.4 基於進化演算法的多目標模糊調度
7.4.1 模糊調度：Sakawa方法
7.4.2 模糊作業車間調度：cMEA方法
7.5 基於進化演算法的多目標柔性調度
7.5.1 混合遺傳調度方法
7.5.2 混合遺傳演算法
7.6 基於粒子群優化的多目標調度
7.6.1 基於粒子群優化的多目標作業車間調度
7.6.2 多目標柔性調度的混合粒子群方法
7.7 多目標隨機調度
7.8 結論與展望
參考文獻
第8章 電力系統優化及其他
8.1 電力系統優化
8.1.1 基於免疫演算法的多目標無功優化
8.1.2 基於分層優化的多目標電網規劃
8.1.3 基於NSGA2及協同進化的多目標電網規劃
8.2 多播Qos路由優化
8.3 單元製造系統設計
8.3.1 概述
8.3.2 基於禁忌搜索的多目標單元構造
8.3.3 基於並行禁忌搜索的多目標單元構造
8.4 自動控制系統設計
8.4.1 概述
8.4.2 混合動力學系統控制
8.4.3 魯棒PID控制器設計
8.5 結論
參考文獻
附錄 部分測試函數
……
F. 多目標優化演算法的多目標是什麼意思
多目標優化的本質在於，大多數情況下，某目標的改善可能引起其他目標性能的降低，同時使多個目標均達到最優是不可能的，只能在各目標之間進行協調權衡和折中處理，使所有目標函數盡可能達到最優，而且問題的最優解由數量眾多，甚至無窮大的Pareto最優解組成。
G. 多目標優化可以用哪些方法
一般有兩大類方法，一列是通過加權把多目標演算法整合為單目標演算法，得到唯一一個解，一個是nasa
方法，使用支配解集和非支配解集概念，得到多組解
