区间参数多目标优化问题(Interval Multi-objective Optimization Problems,IMOPs)在实际生产、生活中十分常见,而且非常重要,但是由于其目标变量具有不确定参数,使得该类问题很难利用已有的多目标进化优化算法(Multi-objective Optimization Evolutionary Algorithms,MOEAs)对其进行求解。目前,区间参数多目标优化问题已经是进化优化方向的研究重点之一,利用文化基因算法(Memetic Algorithms,MAs)是一种处理该类优化问题的有效方法。此外,利用代理模型去简化局部搜索过程,可以在保证结果精度的前提下,大大提高运算效率。基于此前提,本文给出一种基于代理模型的文化基因区间参数多目标进化优化算法,下面将详细介绍本文算法。首先,本课题在文化基因的算法架构中,融入改进的局部搜索策略,提出一种基于文化基因的区间参数多目标进化优化算法(Interval Multi-objective Memetic Algorithm,IMOMA)。该算法主要包括全局搜索和局部搜索两个部分,全局搜索采用基于区间占优关系的IP-MOEA,局部搜索是本部分的研究重点。研究局部搜索环节时,主要有三个关键技术:局部搜索激活机制,局部搜索初始种群的建立和局部搜索策略。通过10个区间意义下的基准测试函数和太阳能海水淡化中不确定优化问题的计算,并与不含局部搜索策略的IP-MOEA进行比较,得到了收敛性、分布性良好且不确定度小的近似Pareto最优解集,能够说明所提算法IMOMA要优于IP-MOEA。但是由于IMOMA多次使用超体积测度,导致算法时间复杂度过大,运算效率低下。然后,针对IMOMA运算效率低等问题,本文旨在局部搜索中融入代理模型,简化复杂的适应度评价,提出一种基于代理模型的文化基因区间多目标进化优化算法(Surrogate Assisted Interval Multi-Objective Memetic Algorithm,SS-IMOMA)。算法架构依然延续IMOMA的设计,两者的区别主要体现是:在局部搜索策略中,基于个体的超体积贡献与不确定度重新定义个体的适应度函数,并利用支持向量机(Support Vector Machine,SVM)去代理该单目标适应度评价,以达到提高运行效率的目的。同样的是,通过对10个区间意义下的基准测试函数和太阳能海水淡化问题中的不确定优化问题进行优化计算,SS-IMOMA比不含局部搜索的IP-MOEA拥有更好的算法性能,比不含代理模型的IMOMA拥有更小的时间复杂度。最后,利用MATLAB提供的GUI技术设计一个关于太阳能海水淡化问题的回归及优化平台。平台对原始数据的输出进行区间化处理,用来模拟实际工程中的不确定性问题;紧接着,本部分对具有区间参数的数据进行支持向量机回归分析,建立输入与输出之间的映射关系,以此克服实际工程中数值模型难以建立的问题。利用SS-IMOMA可以获得太阳能能海水淡化问题的最优解集,即该问题的最佳运行工况。为了能够方便地修改算法参数,直观地显示运行结果,该GUI平台还提供了算法寻优参数,回归曲线等图像的显示模块,最优解集等表格的输出模块,算法参数设置模块,以及打开文件等控件的设计。综上所述,本文所提的IMOMA能够为区间参数多目标优化问题提供可靠有效的解决途径。针对IMOMA运行效率低的问题,本文所提的SS-IMOMA也成功的解决了此问题。特别是针对区间意义下的基准测试函数与太阳能海水淡化中的不确定优化问题,本文所提的IMOMA和SS-IMOMA都能够得到较好的近似Pareto最优解集。