The Makespan Scheduling problem is an extensively studied NP-hard problem, and its simplest version looks for an allocation approach for a set of jobs with deterministic processing times to two identical machines such that the makespan is minimized. However, in real life scenarios, the actual processing time of each job may be stochastic around the expected value with a variance, under the influence of external factors, and the actual processing times of these jobs may be correlated with covariances. Thus within this paper, we propose a chance-constrained version of the Makespan Scheduling problem and investigate the theoretical performance of the classical Randomized Local Search and (1+1) EA for it. More specifically, we first study two variants of the Chance-constrained Makespan Scheduling problem and their computational complexities, then separately analyze the expected runtime of the two algorithms to obtain an optimal solution or almost optimal solution to the instances of the two variants. In addition, we investigate the experimental performance of the two algorithms for the two variants.

线性函数在进化算法的运行时分析中起关键作用，研究为分析进化计算方法提供了广泛的新见解和技术。通过对可分离功能的研究和进化算法的优化行为以及来自机会约束优化领域的目标函数的优化行为，我们研究了两个转换线性函数的加权总和的目标函数类别。我们的结果表明，（1+1）EA的突变速率取决于功能的重叠位数，在预期时间O（n log n）中为这些函数获得了最佳解决方案，从而推广了一个众所周知的。线性函数的结果范围更广泛。

一组解决方案中的多元化已成为进化计算社区中的热门研究主题。事实证明，它有益于以多种方式优化问题，例如计算一套高质量的解决方案并获得不完美建模的鲁棒性。在文献中，我们首次适应了现实世界中的组合问题的进化多样性优化，即患者的入学计划。我们引入了一种进化算法，以在每种溶液质量的一组解决方案中实现结构多样性。我们还引入了一个突变操作员，偏向于多样性最大化。最后，我们通过模拟证明了多样性对上述问题的重要性。

在处理机器人技术，游戏和组合优化等领域的问题时，质量多样性（QD）算法已被证明非常成功。它们的目的是最大程度地提高基本问题所谓行为空间不同区域的解决方案的质量。在本文中，我们应用QD范式来模拟背包问题上的动态编程行为，并提供对QD算法的第一个运行时分析。我们证明他们能够在预期的伪多项式时间内计算最佳解决方案，并揭示导致完全多项式随机近似方案（FPRAS）的参数设置。我们的实验研究根据在行为空间中构建的解决方案以及获得最佳解决方案所需的运行时评估了经典基准集的不同方法。

最近，已经开发了不同的进化计算方法，该方法为给定优化问题生成了一组高质量的解决方案。许多研究都认为多样性1）是探索行为空间（质量多样性）或2）以增加解决方案的结构差异（进化多样性优化）的平均值。在这项研究中，我们引入了一种共同进化算法，以同时探索多组分旅行小偷问题的两个空间。结果表明，与文献的基线进化多样性算法相比，共同进化算法具有明显更高多样性的能力。

某人如何分配时间对他们的健康和福祉很重要。在本文中，我们展示了如何通过优化时间使用时间来使用进化算法来促进健康和福祉。根据来自大型人群儿童队列的数据，我们设计健身功能来解释健康结果并引入可行时间计划的限制。然后，我们研究了进化算法的性能，以优化具有不同日期结构的假设儿童的四个个人健康结果的时间使用。随着四个健康结果正在争夺时间分配，我们研究如何以多目标优化问题的形式同时优化多个健康结果。我们使用进化多目标算法优化了一周的时间使用计划，并指出在不同的健康结果方面可以实现的权衡。

Active Directory是Windows域网络的默认安全管理系统。我们研究了捍卫Active Directory样式攻击图的最短路径边缘互补问题。问题是一个后卫​​和一个攻击者之间的Stackelberg游戏。攻击图包含一个目标节点和多个条目节点。攻击者的输入节点由自然选择。后卫选择阻止一套由预算限制的边缘。然后攻击者选择最短的未阻止的攻击路径。防御者旨在最大化攻击者的预期最短路径长度，在那里占据进入节点的期望。我们观察到实际的Active Directory攻击图具有小的最大攻击路径长度，并且在结构上靠近树木。我们首先表明即使最大攻击路径长度是常数，问题仍然是W [1] $ - 对后卫预算很难。具有小的最大攻击路径长度和小预算不足以设计固定参数算法。如果我们进一步假设进入节点的数量很小，则我们推导了一个固定参数的易解算法。然后，我们通过利用树状特征来提出另外两个固定参数算法。一个是基于树分解，需要小树宽度。另一个假设少量分割节点（具有多个出流边缘的节点）。最后，最后一次算法被转换为基于图形的基于卷积神经网络的启发式，它比具有更多分裂节点的更大的图表。

库存在矿业价值链中是必不可少的，协助最大化的价值和生产。库存矿物质的质量控制是储存经理的主要问题，未能满足一些要求可能导致亏损。最近使用单个回收器和基本假设来调查此问题。本研究扩展了考虑多次回收人员准备短期和长期交付的方法。多次恢复者的参与使得在他们在准备交付时的交互方面使问题变得复杂化和安全距离的再生家。我们还考虑更现实的设置，例如用不同类型的回收器处理不同的矿物质。我们提出了构建解决方案的方法，以逐步符合牲畜轿车中所有收集者的优先约束。我们使用贪婪算法，蚁群优化（ACO）来研究各种问题的实例，并提出了一种确定有效计划的集成本地搜索方法。我们微调并比较算法，并表明ACO与本地搜索相结合，可以产生高效的解决方案。

在真实世界优化中，常见的是面对几个次级问题，互动和形成主要问题。子问题之间存在依赖性，使得不可能通过专注于一个组件来解决这样的问题。旅行小偷问题〜（TTP）属于此类别，由旅行销售人员问题〜（TSP）和背包问题〜（KP）形成。在本文中，我们通过优质多样性〜（QD）方法研究了TSP和KP的依赖性。 QD算法提供强大的工具，不仅可以获得高质量解决方案，还提供了在行为空间中的高性能解决方案的分布。我们使用众所周知的TSP和KP搜索操作员介绍基于Map-Elite的进化算法，将TSP和KP得分作为行为描述符。之后，我们进行全面的实验研究，表明使用应用于TTP的QD方法的有用性。首先，我们提供有关TSP / KP行为空间中高质量TTP解决方案的见解。之后，我们表明，通过使用我们的QD方法可以获得更好的TTP解决方案，并显示它可以改善用于在文献中基准测试的广泛TTP实例的最佳已知解决方案。

桁架优化可以制定为组合和多模态问题，其中定位不同的最佳设计允许从业者根据他们的偏好选择最佳设计。已经成功地应用了Bilevel优化以分别考虑拓扑和尺寸的拓扑和下层尺寸。我们介绍精确的枚举，以严格分析拓扑搜索空间，并删除对小问题的随机性。我们还提出了新颖性驱动的二元粒子群优化，以通过最大化新颖性来发现上层的新设计。对于较低的级别，我们采用可靠的进化优化器来解决问题的布局配置方面。我们考虑桁架优化问题实例，其中设计人员需要选择与练习代码约束的离散集中的条形大小。我们的实验研究表明，我们的方法优于目前最先进的方法，并获得多种高质量解决方案。