人工智能，智能计算，群智能，机器学习算法等

最优化理论与方法

动态优化，多目标优化，大数据处理等

1.不确定环境下的网格安全性问题研究

由于网格环境的不确定性和动态性等新特性使得应用程序在执行过程中可能会延迟或失效，这就使得应用程序的可信性成为一个新的必须考虑的因素。本项目从网格固有安全性和行为安全性两方面来考虑建立新的网格安全模型以满足网络安全性的需求。根据环境随时间变化的不同情形，研究相应的动态网格安全模型，并设计出求解动态优化问题的高效进化算法。

2.高可信的多目标进化算法

在现实生活中，人们在设计方案规划时总体上反映了“最大化效益,最小化成本”，这一基本优化原则，在合作对策问题中如何求解最优策略以获得共赢目标，在非合作对策中如何使自己的利益实现最大，对方受益最小等问题实际上都是一个多目标优化问题。在单目标优化问题中，最优解已具有了明确概念，但这一定义不能推广到多目标优化问题中。不同于单目标优化，多目标优化问题的最优解应是一组最优解的集合，称为非劣解集或Pareto最优解集。早在1896年法国经济学家V. Pareto就提出了这一观点，可是传统数学规划原理的多目标优化方法在实际优化问题中往往不太适用，因此，有必要研究求解多目标优化问题的高效算法。

3.动态优化问题

在管理科学、运筹学、信息科学、系统科学、计算机科学以及工程等很多领域都存在人为的或客观的不确定性，如随机性、模糊性、粗糙性、随机模糊性。在不确定环境下如何建立优化模型、如何设计高效的算法求解这些模型，是十分重要的。本项目主要研究动态最优化问题并对其设计有效的进化算法。在许多问题中，目标函数不仅与决策变量有关，还会随着时间或环境而动态变化，这种优化问题便是动态最优化问题(Dynamic optimization problems)。动态最优化问题是近几年进化算法领域的一个新的研究课题，正在引起越来越多研究者的兴趣。它分为动态单目标最优化问题和动态多目标最优化问题。

4.多目标优化算法求解约束优化问题

在工程等实际问题中，经常遇到不可微带约束的问题。目前，还没有一种通用的传统优化方法，能够处理这种类型的约束。对于约束极小化问题来说，不仅要使目标函数值在迭代过程中不断减小，而且还要注意解的可行性。通常可采用如下思路去构造算法：将约束优化问题转为无约束优化问题、将非线性规划问题转化为线性规划问题、将复杂问题转化为简单问题。为了有效地求解该问题，人们将目光转向随机搜索算法，其中以进化算法(EA)为代表的仿生随机算法，以较强的求解能力受到广大学者的青睐，并成为求解约束优化问题的重要工具。多目标类方法的特点是：即不使用传统的罚函数，也不区分可行解和不可行解。大多数算法将约束优化问题转化为两个目标优化问题，其中一个为原问题的目标函数，另一个为违反约束条件的程度函数。利用Pareto优于关系，定义个体Pareto序值以便对个体进行排序选优。