张 勇，胡江涛

(中国矿业大学 信息与控制工程学院，江苏 徐州 221118)

在实际生产生活中存在许多复杂优化问题，其目标函数或约束随着时间发生变化，称其为动态优化问题(dynamic optimization problems, DOP)[1-3]。进化算法是模拟自然界生物进化机制提出的一类启发式智能优化技术[4]。由于不依赖问题特性、具有并行搜索机制等优点，目前进化优化算法已成为解决复杂动态优化问题的一种有效方法[5-7]。针对动态优化问题，尤其是动态多目标优化问题，学者们已经提出了诸多进化优化算法。如陈美蓉等[8]提出的新型动态多目标鲁棒进化优化方法、丁进良等[9]提出的基于参考点预测的动态多目标优化算法、梁静等[10]提出的协同进化动态粒子群优化算法等。但是，现有进化优化方法大都假设候选解的评价代价较小，以保证算法有充足的时间响应环境变化。然而，在很多实际应用中，由于需要运行仿真软件或真实系统来评价每个候选解的优劣，其用于评价单个解的代价往往很大。以基于EnergyPlus仿真软件的建筑节能进化优化设计为例，在普通电脑上计算一个候选解的性能指标值通常需要十几分钟[11]。此时，如果继续使用传统进化算法来解决这类高计算代价的动态优化问题，将很难在有限时间内有效跟踪问题最优解的变化。

相对传统数值优化问题，高计算代价优化问题的目标函数往往没有确定的数学解析式，或者数学表达式计算复杂且耗时[12]。这导致使用进化算法解决该类问题时计算量过大，难以直接使用。……