智能优化算法可以解决日常生活中存在的各类最优化问题。交叉熵优化算法作为一类新颖的智能优化算法,自2004年被提出以来得到了广泛的研究与应用,算法也由最初的单目标优化逐步发展,形成了一套完整的多目标优化问题解决方案。但交叉熵优化算法常会因为陷入局部最优而丧失寻优能力,如何解决这一问题成为算法研究领域的热点。基于现有研究成果,避免算法早熟收敛的方法主要有两种:一是对算法的进化规律进行改进,从根本上提高其找到最优解的能力;二是将算法与其他优化方法结合,使融合后的算法跳出能力更强、寻优效率更高,本文分别依据上述两种思路对多目标交叉熵优化算法进行改进。本文主要包括以下三部分内容:1.引入遗传算法重组机制,提高种群分布的随机性,帮助算法更快地找到全局最优解。重组通过交叉覆盖配对基因序列创造新个体,引入重组能够扩展当代解的搜索范围,增加种群的多样性。但重组为算法带来的影响是双向的,重组既可以帮助已经陷入局部最优的解迅速跳出,也可能会打乱当前的精英序列,破坏算法的收敛性,因而在重组操作前,要做好精英解的保留工作。2.针对交叉熵优化算法排序计算量大的缺点,设计了多种群交叉熵优化算法,提高算法的寻优效率。交叉熵优化算法需要对空间内的全部个体进行点对点支配关系比较,然后由当代精英种群指导子代进化。要得到支配关系序列,空间内的每一个解都要与其余所有解进行Pareto关系的比较,如果种群内个体数量比较多,排序的计算量会非常大。为了减少算法的运算时间,本文设计了多种群交叉熵优化算法,以非支配领域为基础对空间内的个体进行排序。3.研究了一类基于混沌局部搜索的多目标交叉熵优化算法,算法旨在提高交叉熵优化算法的计算速度,避免过早收敛。混沌粒子特有的类随机性与空间遍历性,使其具备良好的寻优能力,常与其它优化算法结合使用。本文利用混沌思想对交叉熵优化算法进行了改进,混沌优化算法最大的优势在于局部搜索能力强,局部搜索不仅可以加大算法在精英解附近的搜索力度,精确定位最优解;还能避免算法过早收敛,当交叉熵算法陷入局部最优时,混沌局部搜索能够提高算法的跳出能力。为了验证改进算法的有效性,本文以Pareto前沿面的收敛性、均匀性和分布性作为评价指标,对算法在ZDT和DTLZ标准测试函数上的表现进行了分析,结果表明改进算法能够达到预期目标。本文将改进的交叉熵优化算法应用于17自由度列车横向振动模型,为控制器参数优化提供参考。为了使高速运行的列车具有更好的平稳性能,横向悬挂系统的控制非常关键,本文利用改进后的交叉熵优化算法对轮对平移量、横向加速度和横向平稳性三个指标进行优化,并将计算得到的最优控制参数代入仿真模型,充分验证了改进方案的可靠性。