中文摘要：

本项目针对仿真优化中现存的问题，比如随机性、复杂性、多目标、动态性、自动化程度不高等，主要研究融合人工智能、统计分析、智能算法和仿真模型为一体的智能仿真优化方法和理论。具体地，包括基于知识库和推理机制的智能仿真优化的框架、智能仿真优化算法的收敛性和运行时分析、以及基于云仿真平台的实现方法。算法域，主要研究基于迭代的元启发式算法广义预测控制演化策略，并研究多目标、多约束仿真优化问题；模型域，结合人工智能提高仿真数据自动化分析水平；策略域，为了克服仿真模型的噪声问题，尝试采用多种解决方案基于假设检验的方法构建种群算法中个体的偏序关系，进而引导算法的搜索；采用优先方案排序选择的方法，在一定正确选择概率的意义下为种群算法中的个体进行排序；结合元模型来抑制仿真模型的噪声。实现域，探讨在"云仿真"平台下智能仿真优化的实现技术。

结论摘要：

本项目主要研究融合人工智能、统计分析、智能算法和仿真模型为一体的智能仿真优化方法和理论。具体地，包括基于知识库和推理机制的智能仿真优化的框架、智能仿真优化算法的收敛性和运行时分析、以及基于云仿真平台的实现方法。智能仿真优化可以表示为智能仿真优化=智能优化算法+仿真模型+人工智能；智能优化算法主要是指基于迭代的元启发式算法，是优化的指挥者和调度者，仿真模型是优化的核心和基础，人工智能是自动化数据分析、指导算法搜索的协调师。为了克服仿真模型的噪声问题，本项目尝试采用两种解决方案一种是基于假设检验的方法构建种群算法中个体的偏序关系，进而引导算法的搜索；另一种是采用优先方案排序选择的方法，在一定正确选择概率的意义下为种群算法中的个体进行排序。项目主要研究了智能仿真优化框架下的相关实现技术，实验的结果证明了项目所涉及的方法的有效性。针对多模态优化问题，提出了混合高斯模型来为决策者提供多个决策解。将智能仿真优化应用于时间序列分析，提出了一种均摊计算开销的降噪分析方法。改进目前的智能算法，提出了多种自适应机制、并从新引入新的算子。由于智能仿真优化设计到计算复杂、运行耗时等特点，我们采用了维度约减的技术和利用种群信息的模型来降低复杂度。将项目中的方法成功应用到河床演变及河道规划等实际应用中。经过四年努力，本项目的研究也已大体实现了上述大部分目标，较为顺利地完成项目计划中的研究任务。同时在研究过程中，得到了一定的经验教训，为后续工作的开展提供了有益的参考。在河床演变、主流速线规划、物流规划等应用领域的结合，并在CEC有关验证数据集下进行测试验证，并设计了相关的仿真环境。