智能优化算法,如模拟退火算法、粒子群算法、进化算法等,是一系列从自然界获得灵感,为解决复杂优化问题而提出的启发式算法。与经典的优化方法相比,如梯度下降法、牛顿法,智能优化算法对目标函数具体形式依赖性小、相对不容易陷入局部最优且能广泛应用到不同类型的优化问题当中。然而,传统的智能优化算法每一次执行过程都只解决一个问题,它们无法利用问题之间的相似特性,通过问题间的相互协同提高优化性能。不同于传统的智能优化算法,多任务智能优化旨在同时解决多个不同的优化问题,通过任务间的知识迁移,获得更好的优化性能。多任务智能优化的提出是基于云计算的迅速普及。同时解决多个不同任务是云计算平台的基本功能要求,而多任务优化算法能为云计算框架下的多任务处理提供强有力的支撑。但是,多任务智能优化概念相对较新,属于智能优化领域的一个新方向,相关的研究还处于起步阶段,仍然有很多的问题需要探索和解决。本文以多任务算法中任务间的知识迁移为基本切入点,展开高性能多任务智能优化算法的设计与研究。主要研究内容包括以下几个方面:(1)研究采用不同交叉算子进行知识迁移对多任务优化算法性能的影响。同时,为了得到更具鲁棒性的多任务优化性能,设计了一种具有自适应知识迁移能力的多任务优化算法。在该算法中,多种具有不同搜索偏好的交叉算子均有机会用于实现跨任务知识迁移,而每次发生知识迁移时采用的具体交叉算子是根据优化过程中所收集的信息自动配置的。这种自适应的设计,使得算法在不同的多任务优化问题上都能取得良好的优化表现。(2)研究基于降噪自动编码器的显式知识迁移方法,并设计了一种新的多任务优化框架。该框架中,每个任务的解都有独立的编码方式,并且可以分别用具有不同特性的进化求解器进行优化。算法利用降噪自动编码器,以在任务间传递可行解的形式,实现显式的跨任务知识迁移。这种显式的知识迁移方式,以及多种进化求解器共同参与多任务优化的设计,极大提高了多任务优化算法的性能。(3)针对私家车参与客户服务的商业模式,提出了众包模式下带时间窗的异构车辆路径问题(VRPHCTWOD),并构建了VRPHCTWOD的基准测试集。同时,设计了一个基于排列编码的多任务优化算法同时求解多个VRPHCTWODs并对多任务优化在组合优化问题上的表现进行了分析和研究。