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。

徐华，现为清华大学计算机系长聘副教授，博士生导师。“大数据与人工智能技术”丛书总主编。获国家发明专利36件，编写教材4部，专著4部，累计发表国际刊物141篇，国内核心专著论文15篇，其中SCI收录46篇，EI收录143篇，学术影响力H指数为36，SCI引用1935次，Web of Science 他引2826次，谷歌引用5606次。

前言 习近平总书记在党的二十大报告中指出: 教育、科技、人才是全面建设社会主义现代化国家的基础性、战略性支撑。必须坚持科技是第一生产力、人才是第一资源、创新是第一动力，深入实施科教兴国战略、人才强国战略、创新驱动发展战略，这三大战略共同服务于创新型国家的建设。报告同时强调: 推动战略性新兴产业融合集群发展，构建新一代信息技术、人工智能、生物技术、新能源、新材料、高端装备、绿色环保等一批新的增长引擎。 当前，人工智能日益成为引领新一轮科技革命和产业变革的核心技术。其中，智能演化优化作为一种重要的计算方法，在诸多领域，如控制系统设计、工业调度、软件工程等实际应用中，已经展现出其独特的优势和巨大的潜力。 演化算法（Evolutionary Algorithms，EAs）是一类模拟自然界生物进化过程的基于群体的全局优化算法。EAs已经成功应用于多目标优化领域，为求解“多目标优化问题”(MOPs)开辟了一条新的途径。由于EAs在多目标优化方面具有独特的优势，能够有效克服传统方法的局限性，多目标演化算法（MultiObjective Evolutionary Algorithms，MOEAs）的研究已成为演化计算（Evolutionary Computation，EC）领域的热门方向之一，并已发展成为一个重要而活跃的研究分支: 演化多目标优化（Evolutionary Multiobjective Optimization，EMO）。 相对于单目标优化问题（Singleobjective Optimization Problems，SOPs），多目标优化问题（Mult...