本研究针对土地利用分配中的变量依赖知识缺乏，提出了一种新的变量依赖定义，并获取依赖变量的掩码。通过构建新型交叉操作符，实验表明将其应用于多目标优化算法（NSGA-II和MOEA/D）显著提升了优化效果。

本研究探讨了噪声多目标优化中探索新决策点与提升已知决策点精度之间的权衡，提出了一种自适应重采样决策函数，并验证了其在NSGA-II算法中的有效性。

本研究分析了NSGA-II算法在无法计算完整Pareto前沿时的表现，证明了其在多目标问题中的有效性。提出的Compact NSGA-II算法优化了特征选择，表现优于传统方法。研究表明，适当的种群规模和交叉操作能提高算法效率。

本文研究了基于幂律分布的遗传算法在优化跳函数方面的应用，分析了NSGA-II算法在适当人口规模下的效率，特别是在解决OneMinMax和OneJumpZeroJump问题时的评估复杂度。此外，探讨了多核学习的Rademacher复杂度、KRR和KKMC的核函数评估下限，以及基于数据复杂度的新学习算法的误差界限，提出了高维跳跃函数的优化算法和自适应进化算法的运行时间分析。