多目标优化问题是一类常见而复杂的问题,多目标智能优化算法在实际工程应用和科学研究中广泛应用。本文主要研究多目标差分进化算法,针对算法的参数、变异方式和精英存档的维护做出改进,并应用于多目标混合动力汽车的优化。本文主要内容如下:(1)考虑到常规差分进化算法面对复杂优化问题时,容易陷入局部收敛的缺点,本文结合定向变异策略,并采用动态更新种群的方法,提出定向动态差分进化算法。通过经典单目标benchmark测试函数验证了新算法的可行性。结合DE/rand/1变异方式寻优能力弱,但种群多样性好,而DE/best/1变异方式寻优能力强,但易使算法陷入局部最优的特点,采用根据迭代次数按概率选择变异方式的算法,加强算法寻优能力。通过单目标测试函数验证了其可行性。(2)结合Pareto概念和外部精英存档策略,形成多目标定向动态差分进化算法(MOSADDE),在约束处理上根据近似不可行解策略对约束边界解进行探索。通过多目标测试函数进行试验,与NSGA-ⅡⅡ算法和SPEA2算法进行对比,实验结果验证了算法的寻优能力。(3)为了进一步提高算法在多目标优化问题上的搜索能力和精英解集的散布性,针对控制参数的调整方面,使用基于柯西分布和正态分布的参数自适应策略,同时,为了提高所得的非占优解集在Pareto前沿的散布性,采用基于归一化最近邻域距离删减精英存档的MOSADDE-Ⅱ算法,通过多目标测试函数进行测试。实验结果证明了以上方法的有效性。(4)基于MOSADDE-Ⅱ算法和电机辅助控制策略,将混合动力汽车(HEV)优化设计问题归结于一个非线性约束多目标优化问题,通过Advisor平台的非图形运行方式,以典型行驶循环工况FTP为试验工况,对并联式混合动力汽车进行了离线优化仿真研究。优化目标包括油耗FC、排放HC、CO和NOx等四个指标。