第1章 绪论 1
1.1 引言 1
1.2 定义 4
1.3 示例 12
1.4 问题描述 14
1.5 模拟进化算法的基本知识 16
1.6 多目标优化的起源 27
1.7 古典的多目标优化方法 28
1.8 进化算法的引入 31
1.9 相关研究机构的网址 33
参考文献 37
2.1 多目标进化算法回顾 40
第2章 主要的多目标进化算法 40
2.1.1 算法分类 42
2.1.2 选择机制 42
2.2 隐式积木块类型算法 48
2.2.1 向量评估遗传算法（VEGA） 51
2.2.2 多目标遗传算法（MOGA） 52
2.2.3 小生境Pareto遗传算法（NPGA） 54
2.2.4 非劣分类遗传算法（NSGA） 55
2.2.5 孟德尔多目标简单遗传算法（MMOSGA） 57
2.2.6 微遗传算法（micro-GA） 58
2.2.7 Pareto存档进化策略（PAES） 59
2.2.8 强度Pareto进化算法（SPEA） 62
2.2.9 Pareto包络选择算法（PESA） 63
2.3 显式积木块类型算法 64
2.2.10 多目标遗传局部搜索算法（MOGLSA） 64
2.3.1 多目标杂乱遗传算法（MOMGA） 65
2.3.2 改进型多目标杂乱遗传算法（MOMGA-Ⅱ） 66
2.4 常用开放源代码程序与软件工具 67
2.5 总结 70
参考文献 74
第3章 多目标进化算法的关键理论 77
3.1 适应度分配 77
3.1.1 问题背景 80
3.1.2 基于适应度函数的选择 81
3.1.3 基于个体排序的适应度赋值 84
3.1.4 最优个体保留策略 85
3.2.1 策略分类 86
3.2 多样性保持 86
3.2.2 如何保持群体的多样性 88
3.2.3 小生境参数 90
3.2.4 多样性度量 92
3.2.5 基于免疫机制的多样性保持策略 94
3.3 收敛性 99
3.3.1 全局收敛性的特征 100
3.3.2 Pareto近似解集与收敛性的关系 101
3.4 约束处理 105
3.4.1 约束问题描述 106
3.4.2 常用的约束处理方法 107
3.4.3 逆向可收缩PAES算法 109
3.4.4 均匀设计算法 114
3.5 高维目标空间的优化 121
3.5.1 多目标决策协调模型 122
3.5.2 多目标协调进化算法 127
3.6 多目标遗传规划 135
3.6.1 遗传规划的基本原理 136
3.6.2 并列选择方法 139
3.6.3 基于多目标优化的遗传规划模型 140
3.7 偏好信息及其应用 142
3.7.1 多准则决策方法回顾 142
3.7.2 描述形式 145
3.7.3 行为特征 147
3.7.4 偏好在多目标优化中的使用 149
参考文献 154
4.1 性能评价准则 157
第4章 算法性能评价 157
4.2 运行时间分析 172
参考文献 175
第5章 多目标优化问题测试集 177
5.1 无约束问题测试集 178
5.2 约束问题测试集 181
5.3 骗问题 191
5.4 离散型问题 194
5.5 现实问题 197
5.6 试验函数产生器 203
5.7 总结 206
参考文献 207
第6章 应用实例 209
6.1.1 互联网络单播服务质量路由 210
6.1 多目标进化算法在通信网络中的应用 210
6.1.2 多播通信服务质量路由 220
6.1.3 多点网络设计 225
6.2 电力系统的非线性控制器设计 230
6.3 自适应分布式数据库管理问题 239
6.4 水资源优化调度 242
6.5 逻辑电路自动设计 248
6.6 多目标流水车间调度 253
6.7 基于进化算法的多准则决策支持系统 256
6.8 军事战术多目标计划的智能系统 260
参考文献 266
第7章 符号描述 269
7.1 操作算子 270
7.2 子群体方法 272
7.3 小生境方法 274
7.4 算法结构的通用描述 276
参考文献 278
第8章 求解多目标问题的现代方法 279
8.1 粒子群多目标优化算法 279
8.1.1 粒子群算法机理 280
8.1.2 粒子群算法的收敛性分析 283
8.2 多目标模拟退火 287
8.3 基于粒子群优化的多目标柔性车间作业调度 296
参考文献 305
附录A 多目标车间作业调度源程序 306
附录B 英汉对照术语表 325