超启发式算法是一种启发式算法的启发式搜索方法，它通过启发式策略，可以动态选择、组合或生成一系列启发式算法来解决问题规模巨大的搜索难题。超启发式算法框架由顶层策略层与底层算法层构成，策略层提供了管理和操控不同算法的方法，而算法层则是由针对特定问题的多个算法构成。目前已有很多顶层策略层的研究，但是对于超启发式算法的底层算法层，通常是采用固定数目的同类算法来构建算法库，针对算法数量、多种类算法共存等问题尚缺乏深入的研究。作为超启发式算法重要的组成部分，底层算法库的构建方法对超启发式算法的性能有重要的影响。一方面来说，底层算法库中算法数量的增加可以使超启发式算法解决不同问题的能力增强，但与此同时，也会给顶层策略的调度带来压力，影响超启发式算法的性能;另一方面来说，同种类型算法在解决特定问题上具有相同的优缺点，例如全局优化算法虽然可以找到全局近似最优解，但是由于面向的是全部搜索空间，导致它的搜索效率较慢。是否可以通过融合不同类别的算法来构造算法库，克服单一类型算法的局限性，进而提升超启发式算法的性能，成为一个亟待解决的问题。基于以上两部分内容，本文对底层算法库的构建方法进行了充分的研究。
　　本课题从算法库的复杂性和算法库中不同种类算法融合模式两个方面开展了研究。在算法库复杂性方面，构建了HH-NSGA、HH-SPEA、HH-TAEA和HH-ALL等四种算法库，来探究具有不同复杂性的算法库对超启发式算法整体性能的影响。在研究算法库中算法融合模式方面，本课题采用了全局优化算法结合局部优化算法的方式，来提升超启发式算法的整体收敛性能。
　　为了对不同算法库的构建方法进行验证，本课题通过解决多目标测试用例优先排序问题，选择了九个开源被测程序，针对四个研究问题进行了实验。实验结果表明:(1)随着超启发式算法底层算法库中算法数目和种类的增多，算法库的复杂性随之增大，但是超启发式算法的整体性能却没有提升。(2)在全局优化算法与局部优化算法相融合的算法库构建模式下，超启发式算法的整体收敛性得到了显著增强。(3)通过多种不同规模、不同类型的被测程序，保证了实验结果的有效性。