活跃成像的敏捷地球观测卫星（AI-Aea）是新一代敏捷的地球观测卫星（AEOS）。随着观察和主动Im-gering的更新能力，AI-Aeos的观察能力提高了AEOS的观察能力，并提供了观察地面目标的其他方法。然而，这使得这些敏捷地球观察卫星的观察计划问题更加复杂，尤其是在考虑多条纹地面目标时。在本文中，我们研究了主动图像敏捷地球观察卫星（MOSP）的多strip观察计划问题。向MOSP提出了双向目标优化模型，以及一种自适应的模因算法，该算法整合了自适应大型邻里搜索算法（ALNS）和非主导分类遗传算法II（NSGA-II）的组合功率。提出了广泛的计算实验的结果，这些结果揭示了ALNS和NSGA-II在一致的工作中产生了出色的结果。我们的模型比现有模型更通用，并在应用问题解决方面提供了增强的功能。

敏捷地球观察卫星（OSPFA）的观察计划问题在敏捷地球观测卫星（AEOSS）中起着至关重要的作用。主动成像丰富了OSPFA的扩展，我们将新的问题称为具有可变图像持续时间（OSWVID）的AEO的观察计划问题。提出了累积的图像质量和详细的能源消耗，以将OSWVID构建为双目标优化模型。然后设计了三种多目标模因算法，PD+NSGA-II，LA+NSGA-II和ALNS+NSGA-II，然后设计用于求解OSWVID。考虑到我们先前研究中总结的启发式知识，几位运营商旨在分别改进这三种算法。根据现有实例，我们根据广泛的仿真实验分析了这三种算法的关键参数优化，运算符的进化和效率。

卫星图像数据下行链路调度问题（SIDSP）在传统卫星的文献中进行了很好的研究。随着卫星技术的最新发展，现代卫星的SIDSP变得更加复杂，增加了复杂性的新维度和有效使用卫星的其他机会。在本文中，我们介绍了动态的两相卫星图像数据下行链路调度问题（D-SIDSP），该问题结合了图像数据分割和图像数据下链接的两个相互链接操作，以动态方式，从而提供其他建模功能和更新的功能。 D-SIDSP被配制为优化图像数据传输速率和服务余额度的双向目标问题。利用自适应的大型邻里搜索算法（ALNS）的功能，具有非主导的分类遗传算法II（NSGA-II），一种自适应双向模因算法，ALNS+NSGA-II，开发为求解D-Sidsp。还提供了使用基准实例进行的广泛计算实验的结果。我们的实验结果揭示了算法ALNS+NSGA-II是更有效地求解D-SIDSP的可行替代方法，并根据各种性能指标证明了卓越的结果。该论文还为D-SIDSP提供了新的基准实例，可用于该主题的未来研究工作。

观察能力和过渡能力之间的异步发展导致一定的图像数据（OID）由一次性观察形成的原始图像数据（OID）不能完全传播EOS和GS之间的一次传输机会（命名为可见的时间窗口，VTW） 。它需要将OID分割为几个分段的图像数据（SID），然后将它们传输到几个VTW中，从而丰富了卫星图像数据下行链路调度问题（SIDSP）的扩展。我们将新颖的SIDSP定义为具有家庭属性（SIDSPWFA）的卫星图像数据下行调度问题，其中首先将快速分割操作员分割了一些大的OID，并且第二步中都会传输所有SID和其他无分段的OID。然后设计两个优化目标，即图像数据传输失败率（FR）和分割时间（ST），以形式化SIDSPWFA为BI-OXTIVE离散优化模型。此外，持有几个双阶段操作员的双阶段差分进化算法（DE+NSGA-II）。广泛的仿真实例表明，详细分析了模型，策略，算法和操作员的效率。

过去几十年来，地球观察卫星（EOSS）迅速增加，导致EOSS计划的复杂性日益增加。由于大区域观察的广泛应用，本文旨在解决大型地区目标的EOSS观察计划问题。首先开发了采用投影参考平面和多边形裁剪技术的快速覆盖计算方法。然后，我们为调度问题制定了非线性整数编程模型，其中基于开发的覆盖范围计算方法计算目标函数。提出了一种基于贪婪初始化的重新采样粒子群优化（GI-RPSO）算法来解决该模型。所采用的贪婪初始化策略和粒子重采样方法有助于在进化过程中产生有效的解决方案。最后，进行了广泛的实验，以说明所提出方法的有效性和可靠性。与传统的粒子群优化和广泛使用的贪婪算法相比，所提出的GI-RPSO可以分别提高计划结果5.42％和15.86％。

客户满意度在移动设备中的能源消耗至关重要。应用程序中最耗能的部分之一是图像。尽管具有不同质量的不同图像消耗了不同量的能量，但没有直接的方法来计算典型图像中操作的能量消耗。首先，本文调查了能源消耗与图像质量以及图像文件大小之间存在相关性。因此，这两者可以被视为能源消耗的代理。然后，我们提出了一种多目标策略，以增强图像质量并根据JPEG图像压缩中的定量表减少图像文件大小。为此，我们使用了两种一般的多目标元启发式方法：基于标量和基于帕累托。标量方法找到基于组合不同目标的单个最佳解决方案，而基于帕累托的技术旨在实现一组解决方案。在本文中，我们将策略纳入五种标量算法，包括能量感知的多目标遗传算法（ENMOGA），能量感知的多目标粒子群优化（ENMOPSO），能量感知的多目标多目标差异进化（ENMODE）（ENMODE）（ENMODE） ，能源感知的多目标进化策略（ENMOES）和能量感知的多目标模式搜索（ENMOPS）。此外，使用两种基于帕累托的方法，包括非主导的分类遗传算法（NSGA-II）和基于参考点的NSGA-II（NSGA-III），用于嵌入方案，以及两种基于帕累托的算法，即两种基于帕累托的算法，即提出了Ennsgaii和Ennsgaiii。实验研究表明，基线算法的性能通过将拟议策略嵌入到元启发式算法中来提高。

在我们的论文中研究了一个称为卫星下行链路调度问题（SDSP-BRM）下的称为卫星下行链路调度问题（SDSP）。与必须一次完全下载成像数据的传统SDSP相比，SDSP-BRM允许将成像数据的数据分解为可以在不同的播放窗口中下载的许多部分。通过分析SDSP-BRM的特性，我们首先提出了一个混合整数编程模型以制定其制定模型，然后证明SDSP-BRM的NP硬度。为了解决该问题，我们设计了一种简单有效的启发式算法（SEHA），其中提出了许多问题的移动操作员用于本地搜索。一组精心设计的场景的数值结果证明了与通用CPLEX求解器相比，所提出的算法的效率。我们进行了其他实验，以阐明分段策略对拟议SEHA的整体性能的影响。

传感器节点（SNS）的部署总是在无线传感器网络（WSN）的系统性能中起决定性作用。在这项工作中，我们提出了一种实用异构WSN的最佳部署方法，该方法可以深入了解可靠性和部署成本之间的权衡。具体而言，这项工作旨在提供SNS的最佳部署，以最大程度地提高覆盖率和连接学位，同时最大程度地减少整体部署成本。此外，这项工作充分考虑了SNS的异质性（即差异化的传感范围和部署成本）和三维（3-D）部署方案。这是一个多目标优化问题，非凸，多模态和NP-HARD。为了解决它，我们开发了一种新型的基于群体的多目标优化算法，称为竞争性多目标海洋掠食者算法（CMOMPA），其性能通过与十种其他多个多目标优化的全面比较实验验证算法。计算结果表明，在收敛性和准确性方面，CMOMPA优于他人，并且在多模式多目标优化问题上表现出卓越的性能。还进行了足够的模拟来评估基于CMOMPA的最佳SNS部署方法的有效性。结果表明，优化的部署可以平衡部署成本，感知可靠性和网络可靠性之间的权衡平衡。源代码可在https://github.com/inet-wzu/cmompa上找到。

电磁检测卫星调度问题（EDSSP）的研究引起了人们对大量目标的检测要求的关注。本文提出了一个针对EDSSP问题的混合成员编程模型，以及基于强化学习（RL-EA）的进化算法框架。在模型中考虑了影响电磁检测的许多因素，例如检测模式，带宽和其他因素。基于强化学习的进化算法框架使用Q学习框架，并且人群中的每个人都被视为代理。根据提出的框架，设计了一种基于Q的遗传算法（QGA）。 Q学习用于通过选择变异操作员来指导人口搜索过程。在算法中，我们设计了一个奖励功能来更新Q值。根据问题的特征，提出了一种新的组合，采取了行动>。 QGA还使用精英个人保留策略来提高搜索性能。之后，提出了一个任务时间窗口选择算法来评估人口进化的性能。各种量表实验用于检查所提出算法的计划效果。通过对多个实例的实验验证，可以看出QGA可以有效地解决EDSSP问题。与最新的算法相比，QGA算法在几个方面的表现更好。

In today's uncertain and competitive market, where enterprises are subjected to increasingly shortened product life-cycles and frequent volume changes, reconfigurable manufacturing systems (RMS) applications play a significant role in the manufacturing industry's success. Despite the advantages offered by RMS, achieving a high-efficiency degree constitutes a challenging task for stakeholders and decision-makers when they face the trade-off decisions inherent in these complex systems. This study addresses work tasks and resource allocations to workstations together with buffer capacity allocation in RMS. The aim is to simultaneously maximize throughput and minimize total buffer capacity under fluctuating production volumes and capacity changes while considering the stochastic behavior of the system. An enhanced simulation-based multi-objective optimization (SMO) approach with customized simulation and optimization components is proposed to address the abovementioned challenges. Apart from presenting the optimal solutions subject to volume and capacity changes, the proposed approach support decision-makers with discovered knowledge to further understand the RMS design. In particular, this study presents a problem-specific customized SMO combined with a novel flexible pattern mining method for optimizing RMS and conducting post-optimal analyzes. To this extent, this study demonstrates the benefits of applying SMO and knowledge discovery methods for fast decision-support and production planning of RMS.

许多现实世界优化问题，如工程最优设计，最终可以被建模为必须解决的相应多目标优化问题（MOPS），以获得近似帕累托最佳前端。基于分解（MOEA / D）的多目标进化算法被认为是解决MOP的明显有希望的方法。最近的研究表明，具有均匀重量载体的MoEA / D非常适合于普通帕累托最佳前端的拖把，但在多样性方面的性能通常会在解决带有不规则帕累托最佳方向时造成拖镜时劣化。以这种方式，通过该算法获得的解决方案集不能为决策者提供更合理的选择。为了有效地克服这一缺点，我们通过众所周知的Pascoletti-Serafini标定方法和多参考点的新策略提出了一种改进的MoA / D算法。具体地，该策略包括由等距分区和投影的技术产生的参考点的设置和调整组成。对于性能评估，将所提出的算法与现有的四个最先进的多目标进化算法进行比较，这些算法与各种类型的帕累托最优前锋和两个现实世界拖把的基准测试问题相比，包括舱口盖设计和火箭喷射器设计在工程优化中。根据实验结果，所提出的算法表现出比其他比较算法更好的分集性能。

HyperParameter Optimization（HPO）是一种确保机器学习（ML）算法最佳性能的必要步骤。已经开发了几种方法来执行HPO;其中大部分都集中在优化一个性能措施（通常是基于错误的措施），并且在这种单一目标HPO问题上的文献是巨大的。然而，最近似乎似乎侧重于同时优化多个冲突目标的算法。本文提出了对2014年至2020年的文献的系统调查，在多目标HPO算法上发布，区分了基于成逐的算法，Metamodel的算法以及使用两者混合的方法。我们还讨论了用于比较多目标HPO程序和今后的研究方向的质量指标。

Explicitly accounting for uncertainties is paramount to the safety of engineering structures. Optimization which is often carried out at the early stage of the structural design offers an ideal framework for this task. When the uncertainties are mainly affecting the objective function, robust design optimization is traditionally considered. This work further assumes the existence of multiple and competing objective functions that need to be dealt with simultaneously. The optimization problem is formulated by considering quantiles of the objective functions which allows for the combination of both optimality and robustness in a single metric. By introducing the concept of common random numbers, the resulting nested optimization problem may be solved using a general-purpose solver, herein the non-dominated sorting genetic algorithm (NSGA-II). The computational cost of such an approach is however a serious hurdle to its application in real-world problems. We therefore propose a surrogate-assisted approach using Kriging as an inexpensive approximation of the associated computational model. The proposed approach consists of sequentially carrying out NSGA-II while using an adaptively built Kriging model to estimate the quantiles. Finally, the methodology is adapted to account for mixed categorical-continuous parameters as the applications involve the selection of qualitative design parameters as well. The methodology is first applied to two analytical examples showing its efficiency. The third application relates to the selection of optimal renovation scenarios of a building considering both its life cycle cost and environmental impact. It shows that when it comes to renovation, the heating system replacement should be the priority.

多目标定向运动问题（MO-OPS）是经典的多目标路由问题，在过去几十年中，人们一直受到很多关注。这项研究旨在通过问题分解框架解决MO-OPS，即MO-OP分解为多目标背包问题（MOKP）和旅行推销员问题（TSP）。然后，MOKP和TSP分别通过多目标进化算法（MOEA）和深钢筋学习（DRL）方法来解决。虽然MOEA模块用于选择城市，但DRL模块用于计划这些城市的哈密顿路径。这两个模块的迭代使用将人口驱动到Mo-ops的帕累托前沿。在各种类型的MO-OP实例上，将提出方法的有效性与NSGA-II和NSGA-III进行了比较。实验结果表明，我们的方法几乎在所有测试实例上表现出最佳性能，并且表现出强大的概括能力。

可以将多任务学习（MTL）范例追溯到Caruana（1997）的早期纸张中，其中表示可以使用来自多个任务的数据，其目的是在独立地学习每个任务的旨在获得更好的性能。 MTL与相互矛盾的目标的解决方案需要在它们中进行折衷，这通常超出了直线组合可以实现的。理论上原则和计算有效的策略正在寻找不受他人主导的解决方案，因为它在帕累托分析中解决了它。多任务学习环境中产生的多目标优化问题具有特定的功能，需要adhoc方法。对这些特征的分析和新的计算方法的提议代表了这项工作的重点。多目标进化算法（MOEAS）可以容易地包括优势的概念，因此可以分析。 MOEAS的主要缺点是关于功能评估的低样本效率。此缺点的关键原因是大多数进化方法不使用模型来近似于目标函数。贝叶斯优化采用基于代理模型的完全不同的方法，例如高斯过程。在本文中，输入空间中的解决方案表示为封装功能评估中包含的知识的概率分布。在这种概率分布的空间中，赋予由Wassersein距离给出的度量，可以设计一种新的算法MOEA / WST，其中模型不直接在目标函数上，而是在输入空间中的对象的中间信息空间中被映射成直方图。计算结果表明，MoEA / WST提供的样品效率和帕累托集的质量明显优于标准MoEa。

我们对两个单目标和两个多目标的全局全局优化算法进行了全面的全局灵敏度分析，作为算法配置问题。也就是说，我们研究了超参数对算法的直接效果和与其他超参数的效果的影响的影响质量。使用三种敏感性分析方法Morris LHS，Morris和Sobol，可以系统地分析协方差矩阵适应进化策略，差异进化，非主导的遗传算法III和多目标进化算法的可调型矩阵适应性进化策略，基于框架的分解，基于框架揭示，基于框架的遗传算法，超参数对抽样方法和性能指标的行为。也就是说，它回答了等问题，例如什么超参数会影响模式，它们的互动方式，相互作用的互动程度以及其直接影响程度。因此，超参数的排名表明它们的调整顺序，影响模式揭示了算法的稳定性。

在进化多目标优化领域，决策者（DM）涉及相互冲突的目标。在现实世界中，通常存在多个DM，每个DM都涉及这些目标的一部分。提出了多方多目标优化问题（MPMOPS）来描绘拖把，其中涉及多个决策者，每个方都关注所有目标的某些目标。但是，在进化计算字段中，对mpmops的关注不多。本文基于距离最小化问题（DMP）构建了一系列MPMOP，它们的Pareto最佳解决方案可以生动地可视化。为了解决MPMOPS，新提出的算法OPTMPNDS3使用多方初始化方法来初始化总体，并带Jade2操作员生成后代。在问题套件上，将OPTMPNDS3与Optall，OptMPND和OptMPNDS2进行了比较。结果表明OPTMPNDS3与其他算法具有很强的可比性

Multi-objective feature selection is one of the most significant issues in the field of pattern recognition. It is challenging because it maximizes the classification performance and, at the same time, minimizes the number of selected features, and the mentioned two objectives are usually conflicting. To achieve a better Pareto optimal solution, metaheuristic optimization methods are widely used in many studies. However, the main drawback is the exploration of a large search space. Another problem with multi-objective feature selection approaches is the interaction between features. Selecting correlated features has negative effect on classification performance. To tackle these problems, we present a novel multi-objective feature selection method that has several advantages. Firstly, it considers the interaction between features using an advanced probability scheme. Secondly, it is based on the Pareto Archived Evolution Strategy (PAES) method that has several advantages such as simplicity and its speed in exploring the solution space. However, we improve the structure of PAES in such a way that generates the offsprings, intelligently. Thus, the proposed method utilizes the introduced probability scheme to produce more promising offsprings. Finally, it is equipped with a novel strategy that guides it to find the optimum number of features through the process of evolution. The experimental results show a significant improvement in finding the optimal Pareto front compared to state-of-the-art methods on different real-world datasets.

Parallel evolutionary algorithms (PEAs) have been studied for reducing the execution time of evolutionary algorithms by utilizing parallel computing. An asynchronous PEA (APEA) is a scheme of PEAs that increases computational efficiency by generating a new solution immediately after a solution evaluation completes without the idling time of computing nodes. However, because APEA gives more search opportunities to solutions with shorter evaluation times, the evaluation time bias of solutions negatively affects the search performance. To overcome this drawback, this paper proposes a new parent selection method to reduce the effect of evaluation time bias in APEAs. The proposed method considers the search frequency of solutions and selects the parent solutions so that the search progress in the population is uniform regardless of the evaluation time bias. This paper conducts experiments on multi-objective optimization problems that simulate the evaluation time bias. The experiments use NSGA-III, a well-known multi-objective evolutionary algorithm, and compare the proposed method with the conventional synchronous/asynchronous parallelization. The experimental results reveal that the proposed method can reduce the effect of the evaluation time bias while reducing the computing time of the parallel NSGA-III.