衝突多目標優化問題在現實世界中廣泛存在，這類多目標優化問題(multi-objective optimization problems,MOP)不存在單個最優解使所有目標均達到最優，理論上只能尋求多個衝突目標的權衡優化解。相較于傳統的數學優化方法而言，基於種群優化的多目標演化算法(multi-objective evolutionary algorithms,MOEA)則能更好地權衡多個衝突目標的優化。近年來，針對具有超多目標、大規模決策變量、約束條件、數據驅動及不確定性魯棒性等特性的複雜多目標優化問題，MOEA已成為研究熱點並受到廣泛關注，各類新方法與新技術不斷湧現。與此同時，隨著智能計算技術的發展，將MOEA與各種先進智能計算方法相結合，推動著更有效地解決一系列複雜的多目標優化問題，這成為非常有前景的研究方向。本書主要內容為作者在上述研究領域內過去近十年中的主要相關研究成果的總結。全書共14章，大致分為四個部分：第一部分(第1章)對智能計算進行簡要概述；第二部分(第2～3章)比較全面地介紹各類複雜的MOPs及複雜多目標演化優化的基礎知識；第三部分(第4～10章)介紹求解各類複雜的MOPs所提出的各種先進的MOEAs，並涉及利用智能計算技術輔助的一系列理論成果；第四部分(第11～14章)圍繞MOEA與智能計算的進一步聯繫，介紹將MOEA應用于求解機器學習、深度學習中複雜MOP的前沿理論成果。
