的状态。目前一些精确算法和智能优化算法在解决这些优化问题方面发挥了重要作用。精确算法包括线性规划、动态规划、整数规划和分支定界等等，其算法计算复杂性一般很大，只适应于求解小规模问题，在工程中往往不实用。智能优化算法，主要包括模拟退火算法、遗传算法、禁忌搜索算法、蚁群算法和神经网络方法从任一解出发，对其领域的不断搜索和当前解的替换来实现优化，根据搜索行为不同，又分为局部搜索法如贪婪法，指导性搜索法如智能优化算法，这些算法模仿了自然界的各种过程以及人的思维活动来对整个搜索过程进行指导。遗传算法是一种借鉴生物界自然选择和进化机制发展起来的高度并行、随
f机、自适应搜索算法。它的研究历史比较短，早期是一种试图解释自然系统中生物的复杂适应过程入手，模拟生物进化的机制来构造人工系统的模型。近年来世界范围形成的进化计算热潮，计算智能已作为人工智能研究的一个重要方向，以及后来的人工生命研究兴起，使遗传算法受到广泛的关注。遗传算法具有良好的全局搜索能力，可以快速地将解空间中的全体解搜索出，而不会陷入局部最优解的快速下降陷阱；并且利用它的内在并行性，可以方便地进行分布式计算，加快求解速度。但是遗传算法的局部搜索能力较差，导致单纯的遗传算法比较费时，在进化后期搜索效率较低。在实际应用中，遗传算法容易产生早熟收敛的问题。采用何种选择方法既要使优良个体得以保留，又要维持群体的多样性，一直是遗传算法中较难解决的问题。遗传算法的随机性和隐含并行性，使它能同时搜索到多个局部最优解并获得最优解集。为了发挥遗传算法群体搜索的优势，提高多目标优化设计效率和灵活性，在自适应遗传算法的基础上引入群体排序技术、小生境技术和Pareto解集过滤器，建立了一种适用于多目标优化设计的Pareto遗传算法。Pareto前沿面的形式给出优化设计的Pareto最优解集，供设计者按设以计意愿选择最优的设计结果。采用Pareto遗传算法进行跨声速翼型的多目标优化设计，设计结果表明，Pareto遗传算法是十分有效的，完全可以用来进行多目标优化设计。多目标优化问题有时需要考虑不同目标函数之间的相对重要性传统的多目标加权法是将每个目标函数乘上一个权重后加起来作为一个目标采用单目标优化方法求最优解。桥梁维修优化问题中目标权重作为决策者的一种偏好信息一般很难预先确定。外决策者往往希望提供不止一种方案供选择而传统解法只能提供惟一解。传算法GA作为一r