前言：中文期刊网精心挑选了分解法范文供你参考和学习，希望我们的参考范文能激发你的文章创作灵感，欢迎阅读。
分解法范文1
关键词 电力系统；状态估计；快速分解法；程序设计
中图分类号：TM711 文献标识码：A 文章编号：1671-7597（2013）12-0120-01
电力系统状态估计同时被称为滤波，它通过实时量测系统的冗余度来完善数据精度，自动排除由随机干扰等所造成的错误信息，估计系统的运行状态。进行电力系统状态估计主要是为了提高经济运行水平与电力系统安全。正确而全面地掌握电力系统过去的、当时的、甚至未来的状态，方面对电力系统运行的经济性和安全性进行分析与判断。因此，通过状态估计建立一个实时数据库满足状态估计各种应用程序对数据不断增长的需求是必要而方便的。
1 状态估计的数学模型
3 算例分析
本文所编写的程序采用的是分层快速分解法，以图1为例编程进行计算。对该算例系统进行分层处理，以节点1、2、3、4和支路l12、l13、l23、l34为第一层，以剩余网络为第二层编写程序进行计算。
对第一层网络的计算结果与参考文献1的真实值进行了比对。本设计设置收敛标准：εv=0.01（kV） εθ=0.001（rad），参考节点为节点1。
系统第一层网络的程序经两次迭代得到了收敛结果，由估计结果与真实值的比对得出经过状态估计后，系统第一层网络的电压与真实值较接近，大部分估计误差比量测量误差有所下降，证明所编写的程序状态估计的结果效果较好，比较理想。
4 结论
本文采用基于加权最小二乘法的分层快速分解法状态估计，综合阐述了电力系统状态估计，简述了建立状态估计数学模型的一般方法，介绍了加权最小二乘法状态估计的算法及特点，在此基础上对分层快速分解法状态估计的算法和特点做了详细分析，详细介绍了用分层快速分解法编写程序进行状态估计的步骤。用所编程序对一个八节点算例进行了试算，并分析了计算结果，证明了程序的可行性和电力系统状态估计的重要性。
参考文献
[1]于尔铿.电力系统状态估计[M].北京：水利电力出版社，1985.
[2]F.C.Schweppe，J.Wildes.Power System State Estimation，Part I-II..IEEE Trans on PAS.1970，89：120-135.
[3]陈衍.电力系统稳态分析[M].北京：中国电力出版社，2007.
[4]西安交大，等.电力系统计算[M].北京：水利电力出版社，1987.
分解法范文2
1、提公因式法，这种因式分解的方法叫做提公因式法。
2、运用公式法，包括平方差的公式和完全平方公式，分组分解法，把一个多项式分组后在进行分解因式的方法。
3、拆项、补项法，把多项式的某一项拆开或填补上互为相反数的两项或几项，运用公式法或分组分解法要注意，必须在与原多项式相等的原则进行变形。
（来源：文章屋网 ）
分解法范文3
关键词：速度的分解，力的分解，解题技巧
【题】（2011卓越联盟自主招生考试）一质量为m的质点以速度v0运动，在t=0时开始受到恒力F0作用，速度大小先减小后增大，其最小值v=1/2v0。质点从开始受到恒力作用到速度最小的过程中的位移为（）
A.3mv208F（B）6mv208F（C）3mv204F（D）21mv208F
1.借助力的分解
恒力F的作用使质点的速度先减小后增大，故恒力F的方向与速度v0的方向成一大于90°且小于180°的夹角，质点做曲线运动。在处理复杂曲线运动时，我们常用到分解的思想，本问题的解决可借助于力的分解。
如图1所示，可以将力F分解为与v0方向相反的Fx和垂直于v0方向的Fy。
图1
恒力F使质点有沿v0方向的加速度-ax，垂直于v0方向的加速度ay，则质点所受的合外力为F=ma2x+a2y
质点在沿v0的方向上做匀减速直线运动，速度为vx=v0-axt
质点在垂直于v0的方向上做初速度为零的匀加速直线运动，速度为vy=ayt
某一时刻的合速度为v=v2x+v2y
当t=m2axv0F2时，质点的速度达到最小值，该最小速度为
vmin=F2v2v-m2a2xv20F2=v02，得ax=3F2m，所对应的时间为t=3mv02F
因此当质点的速度达到最小值时，质点在x，y方向上位移分别为
sx=v0t-12axt2=5316Fmv20，sy=12ayt2=3mv2016F
合位移为s=（sx）2+（sy）2=218Fmv20
2.借助速度的分解
本问题的解决还可借助速度的分解。如图2所示，将速度v0分解为与F方向相反的v1和垂直于F方向的v2。
图1
质点在沿v1的方向上做匀减速直线运动，在垂直于F的方向上质点以速度v2做匀速直线运动，合速度为v=（v1-at）2+v22
因此，当质点沿v1方向上的速度减为零时，质点的合速度最小，最小速度为vmin=v2=12v0，质点在沿v1方向上的初速度为v1=v20-v22=32v0
当质点的速度达到最小值时，所用的时间为t=32Fmv0
质点在沿v1方向上的位移和垂直于F的方向上的位移分别为x1=12at2，x2=v2t，合位移为x=x21+x22=218Fmv20
比较上述两种解法，殊路同归，二者采用的都是正交分解的方法，但是很明显用第二种方法解题会更加简便。学生在看到这道题时往往首先想到的是借助力的分解解题，因为力F既不在水平方向又不在竖直方向，可将力分解为水平方向的分量和竖直方向的分量。究其原因，主要是教师在教学中总是强调在确定矢量正交分量的方向时一般取竖直方向和水平方向，导致了学生的思维定势。
那么我们该如何改变“正交分解”中的这种习惯性思维呢？在运用正交分解法处理复杂曲线运动时，关键是理解正交分解的实质。正交分解可以将复杂的曲线运动分解为简单的直线运动，比如我们所熟悉的匀变速直线运动，匀速直线运动等。从以上两种解法可以看出：第1种思路是从力的分解入手，把力分解为与v0的方向相反和垂直于v0方向的分量，这样就可以把质点的运动看成是两个匀变速直线运动的合成。力的分解可行，但对于本题来说，借助力的分解，质点的最小速度不容易确定，计算比较复杂。第2种思路是从速度的分解入手，将水平方向上的速度分解为与F的方向相反和垂直于F的方向的分量，这样就可以把质点的运动看成是一个匀变速直线运动和一个匀速直线运动的合成。因此，当沿F方向上的速度减为零时，质点的速度最小，vmin=v2=12v0。不难看出，速度的分解可使质点的分运动更加简单，从而使问题的解决得到明显的简化。因此教师在教学中，要引导学生对正交分解的真正理解和灵活应用，把握正交分解化繁为简的原则，灵活地分解，尽可能的将复杂的运动分解为我们所熟悉的简单运动，从而达到巧妙、简洁地解题目的。掌握了这个原则，学生在解决复杂运动问题时就会做到思路清晰，简便易行。
在物理教学中还要注重对学生解题方法和思路的训练，培养学生的思维能力，让学生掌握科学的解题方法和一定的解题技巧，使学生能多角度思考问题，找到更为合理和巧妙的方法解决问题。
参考文献
分解法范文4
一、素质教育目标
（一）知识教学点：能灵活运用直接开平方法、配方法、公式法及因式分解法解一元二次方程．能够根据一元二次方程的结构特点，灵活择其简单的方法．
（二）能力训练点：通过比较、分析、综合，培养学生分析问题解决问题的能力．
（三）德育渗透点：通过知识之间的相互联系，培养学生用联系和发展的眼光分析问题，解决问题，树立转化的思想方法．
二、教学重点、难点和疑点
1．教学重点：熟练掌握用公式法解一元二次方程．
2．教学难点：用配方法解一元二次方程．
3．教学疑点：对“选择恰当的方法解一元二次方程”中“恰当”二字的理解．
三、教学步骤
（一）明确目标
解一元二次方程有四种方法，四种方法各有千秋，究竟选择什么方法最适当是本节课的目标．在熟练掌握各种方法的前提下，以针对一元二次方程的特点选择恰当的方法或者说是用简单的方法解一元二次方程是本节课的目的．
（二）整体感知
一元二次方程是通过直接开平方法及因式分解法将方程进行转化，达到降次的目的．这种转化的思想方法是将高次方程低次化经常采取的．是解高次方程中的重要的思想方法．
在一元二次方程的解法中，平方根的概念为直接开平方法的引入奠定了基础，符合形如（ax＋b）2＝c（a，b，c常数，a≠0，c≥0）结构特点的方程均适合用直接开平方法．直接开平方法为配方法奠定了基础，利用配方法可推导出一元二次方程的求根公式．配方法和公式法都是解一元二次方程的通法．后者较前者简单．但没有配方法就没有公式法．公式法是解一元二次方程最常用的方法．因式分解的方法是独立的一种方法．它和前三种方法没有任何联系，但蕴含的基本思想和直接开平方法一样，即由高次向低次转化的一种基本思想方法．方程的左边易分解，而右边为零的题目，均用因式分解法较简单．
（三）重点、难点的学习与目标完成过程
1．复习提问
（1）将下列方程化成一元二次方程的一般形式，并指出二次项系数，一次项系数及常数项．
（1）3x2＝x＋4；
（2）（2x＋1）（4x-2）＝（2x-1）2＋2；
（3）（x＋3）（x-4）＝-6；
（4）（x＋1）2-2（x-1）＝6x-5．
此组练习尽量让学生眼看、心算、口答，使学生练习眼、心、口的配合．
（2）解一元二次方程都学过哪些方法？说明这几种方法的联系及其特点．
直接开平方法：适合于解形如（ax＋b）2＝c（a、b、c为常数，a≠0c≥0）的方程，是配方法的基础．
配方法：是解一元二次方程的通法，是公式法的基础，没有配方法就没有公式法．
公式法：是解一元二次方程的通法，较配方法简单，是解一元二次方程最常用的方法．
因式分解法：是最简单的解一元二次方程的方法，但只适用于左边易分解而右边是零的一元二次方程．
直接开平方法与因式分解法都蕴含着由高次向低次转化的思想方法．
2．练习1．用直接开平方法解方程．
（1）（x-5）2＝36；（2）（x-a）2＝（a＋b）2；
此组练习，学生板演、笔答、评价．切忌不要犯如下错误
①不是x-a=a+b而是x-a=±（a+b）；
练习2．用配方法解方程．
（1）x2-10x-11=0；（2）ax2＋bx＋c＝0（a≠0）
配方法是解决代数问题的一大方法，用此法解方程尽管有点麻烦，但由此法推导出的求根公式，则是解一元二次方程最通用也是最常用的方法．
此练习的第2题注意以下两点：
（1）求解过程的严密性和严谨性．
（2）需分b2-4ac≥0及b2-4ac＜0的两种情况的讨论．
此2题学生板演、练习、评价，教师引导，渗透．
练习3．用公式法解一元二次方程
练习4．用因式分解法解一元二次方程
（1）x2-3x＋2＝0；（2）3x（x-1）＋2x＝2；
解（2）原方程可变形为3x（x-1）+2（x-1）=0，
（x-1）（3x＋2）＝0，
x-1=0或3x+2=0．
如果将括号展开，重新整理，再用因式分解法则比较麻烦．
练习5．x取什么数时，3x2+6x-8的值和2x2-1的值相等．
解：由题意得3x2＋6x-8＝2x2-1．
变形为x2＋6x-7=0．
（x＋7）（x-1）＝0．
x＋7＝0或x-1＝0．
即x1＝-7，x2＝1．
当x＝-7，x＝1时，3x2＋6x-8的值和2x2-1的值相等．
学生笔答、板演、评价，教师引导，强调书写步骤．
练习6．选择恰当的方法解下列方程
（1）选择直接开平方法比较简单，但也可以选用因式分解法．
（2）选择因式分解法较简单．
学生笔答、板演、老师渗透，点拨．
（四）总结、扩展
（1）在一元二次方程的解法中，公式法是最主要的，最通用的方法．因式分解法对解某些一元二次方程是最简单的方法．在解一元二次方程时，应据方程的结构特点，选择恰当的方法去解．
（2）直接开平方法与因式分解法中都蕴含着由二次方程向一次方程转化的思想方法．由高次方程向低次方程的转化是解高次方程的思想方法．
四、布置作业
1．教材P．21中B1、2．
2．解关于x的方程．
（1）x2-2ax＋a2-b2＝0，
（2）x2＋2（p-q）x-4pq＝0．
4．（1）解方程
①（3x＋2）2＝3（x＋2）；
（2）方程（m2-3m＋2）x2＋（m-2）x＋7＝0，m为何值时①是一元二次方程；②是一元一次方程．
五、板书设计
12．2用因式分解法解一元二次方程（二）
四种方法练习1……练习2……
1．直接开平方法…………
2．配方法
3．公式法
4．因式分解法
六、作业参考答案
1．教材P．2B．1（1）x1=0，x2=；（2）x1＝，x2=；
2：1秒
2．（1）解：原方程可变形为[x-（a＋b）][x-（a-b）]＝0．
x-（a＋b）＝0或x-（a-b）＝0．
即x1=a＋b，x2=a-b．
（2）解：原方程可变形为（x+2p）（x-2q）＝0．
x＋2p=0或x-2q=0．
即x1＝-2p，x2=2q．
原方程可化为5x2+54x-107=0．
（2）解①m2-3m＋2≠0．．
m1≠1，m2≠2．
当m1≠1且m2≠2时，此方程是一元二次方程．
分解法范文5
关键词：因式分解 提公因式 公式法 十字相乘法 分组分解法
中图分类号：G4 文献标识码：A 文章编号：1672-3791（2013）05（a）-0161-02
初中数学教材课程标准要求会用提公因式法、公式法（直接用公式不超过二次）进行因式分解（指数是正整数），但在解一元二次方程时用到十字相乘法，有时还会用到分组分解法，大多数同学对分解因式看着简单，但遇到题不能用合适的方法去解决，因此同学们都觉得很神秘。因式分解用到的数学思想和方法很多，下面就这方面进行讨论。
1 定义
把一个多项式化成了几个整式的积的形式，像这样的式子变形叫做把这个多项式因式分解，也叫做把这个多项式分解因式。
2 因式分解与整式乘法的关系
因式分解与整式乘法是相反方向的变形，即
从左到右是因式分解。
从左到右是整式乘法。
3 下面我们讨论因式分解的几种办法
3.1 提公因式法
由，可得。
就像这样把分解成两个因式积的形式，其中一个因式是各项的公因式m；另一个因式是除以m所得的商，像这种分解因式的方法叫做提公因式法。
它们各项都有一个公因式m，我们把因式m叫做这个多项式的公因式。
找公因式具体方法如下。
首先，看各项系数是否有公约数，如果有则提取系数的最大公约数。
其次，看各项是否有共同的字母，如果有就提取各项共同字母中指数最小的幂。
最后，若首项为负，可把符号和公因式一起提取。
提公因式法分解因式的例子。
3.2 公式法
（1）像多项式与多项式都可以写成两个数的平方差的形式，对于这种形式的多项式，可以利用平方差来分解因式。把整式乘法的平方差公式反过来就得到 即两个数的平方差，等于这两个数的和与这两个数的差的积。平方差公式分解因式的例子。
（2）两个数的平方加上（或减去）这两个数的积的2倍，这恰是两个数的和（或差）的平方。我们把和这样的式子叫做完全平方式，利用完全平方公式可以把形如完全平方式的多项式分解因式。
把整式乘法的完全平方公式：
反过来，就得到：
即两个数的平方加上（或减去）这两个数积的2倍，等于这两个数的和（或差）的平方。完全平方举例。
3.3 十字相乘法
二项式乘二项式的多项式乘法就等于一个二次三项式即
反过来二次三项式分解因式就等于两个二项式的积
，能用十字相乘法分解因式的多项式的特征如下。
（1）二次项系数是1。
（2）常数项是两个数之和。
（3）常数项是两个数的积。
具体步骤如下。
（1）列出常数项分解成两个因数的积的各种可能。
（2）尝试各种分解中那两个因数的和恰好等于一次项系数。
（3）关键乘积等于常数项的两个因数和是一次项系数，二次项、常数项分解竖直写符号决定于常数式，交叉相乘验中项横向写出两因式，例如：
例1：它们各项都有一个公因式m，我们把因式m叫做这个多项式的公因式。
因式分解。
分析：因为
从上面几个例子可以看出十字相乘法对于二次三项式的分解因式十分方便，大家一定要熟练掌握。但要注意，并不是所有的二次三项式都能进行因式分解，如在实数范围内就不能再进一步因式分解了。
3.4 分组分解法
形如多项式中既没有公因式，也不能用公式法分解。由于而这样就有：
利用分组来分解因式的方法叫分组分解法。
如果一个分组提公因式后，它们的另一个因式正好相同，那么这个多项就可以用分组分解法来分解。举例
4 选择正确的因式分解法
一般来说，遇到一个多项式首先看它有没有公因式，如果有公因式先提公因式；如果没有公因式考虑公式法，在用公式法时，如果多项式只含两项式先考虑平方差公式，如果是三项式考虑用完全平方公式；如果既不能提公因式，又不能用公式法分解时，在考虑用“十字相乘法”和“分组分解法”。
5 检验因式分解是否正确的方法
（1）结果必须是几个整式的积的形式。
（2）结果中每个因式不能再分解因式。
（3）结果中几个因式的积必须等于原多项式。
因式分解在初中数学学习中应用很广泛，就像有关整除性问题、分式化简、化简求值、解一元二次方程、利用因式分解证明等（不等）式等等。都要用到因式分解，是我们解决数问题的有力工具之一。
参考文献
分解法范文6
关键词：多目标优化；进化算法；分解策略；分布估计
中图分类号：TP301.6文献标识码：A文章编号：1672-7800（2012）010-0039-03
基金项目：安徽省教育厅自然科学基金项目（2010kb236）
作者简介：赵晶晶（1988-），女，安徽理工大学理学院硕士研究生，研究方向为智能计算；许峰（1963-），男，安徽理工大学教授，研究方向为波谱学和智能计算。
0引言
目前，新型占优机制、新型进化机制、高维多目标优化问题及多目标优化测试问题是进化多目标优化算法的研究热点。
本文根据分布估计原理和分解多目标进化算法的特点，对分解多目标进化算法做了改进研究，提出了一种基于分布估计的分解多目标进化算法，并对该改进算法进行了性能分析和数值模拟。
1分解多目标进化算法与分布估计算法
传统优化算法求解多目标优化问题的基本思路是：将各个子目标加权组合后转化为单目标优化问题。多目标进化算法是将所有目标看成一个整体，通过适当的进化方法，寻找尽可能多的有代表性的、分布均匀的Pareto最优解。
Zhang和Li将传统多目标优化算法思想引入多目标进化算法，提出了分解多目标进化算法MOEA/D。分解多目标进化算法将多目标优化问题分解为若干单目标优化问题，并将它们作为一个群体同时进化，进化的每一代群体由当前各个子目标的最优解组成。在MOEA/D中，各个子目标的优化只需用到它周围的邻居个体信息，子目标间的邻居关系由各个目标函数的权向量之间的距离决定。权向量距离相近的两个子目标，它们的解也必然近似。由此可见，各个目标函数的权向量能否充满整个空间，分布是否均匀是MOEA/D中的关键问题。
分布估计算法是进化计算领域新兴的分支，它是进化算法和统计学习的有机结合。该算法使用统计学习的手段构建解空间内个体分布概率模型，然后运用进化的思想进化该模型。分布估计算法没有交叉和变异操作，取而代之的是估计解空间的概率模型和由概率模型采样生成新的群体。分布估计算法从宏观上把握群体进化的方向，能够有效解决高维的多目标优化问题，在初始阶段能够很有效地降低时间的复杂性。在多目标优化问题中，不可能使多个目标同时达到最优，所以，优化的目的就是要找到Pareto最优解集，分布估计算法本身存在并行性，适合解决这样的问题。而多目标优化问题与单目标优化问题根本的区别在于寻优过程中要同时考虑多个目标的影响，从而使整个群体向多个目标函数值不增的方向进化。在用分布估计算法求解单目标优化问题时，概率向量的更新是依据适应值最高的一部分主体的分布进行的，那么在多目标优化问题中概率向量的更新就应该同时考虑到多个目标的适应值情况。因此，可以根据各个目标函数的适应值分别排序，选出多个子群体，分别作为不同目标适应性最好的代表，就像“各行各业的劳模代表团”，然后根据各子群体更新概率向量。
随着分布估计算法的发展以及该算法在解决一些问题时所表现出来的优越性能，一些基于分布估计思想的多目标优化算法相继被提出来。Khan将NSGA-II中的选择策略和贝叶斯优化算法（BOA）结合起来，提出了多目标贝叶斯优化算法（mBOA），取得了比NSGA-II更好的效果。Laumanns等学者把SPEA2和BOA结合起来，用于解决多目标背包问题。Zhang和Zhou等学者提出了RM-MEDA，该算法是比较经典的用分布估计算法求解多目标优化问题的算法。
分布估计算法和分解多目标进化算法的算法流程如图1。
2基于分布估计的分解多目标进化算法
考虑到分布估计算法能从宏观上把握群体进化的方向，且没有交叉和变异操作，在初始阶段能够很有效地降低时间的复杂性，本文提出一种基于分布估计的分解多目标进化算法DE-MOEA/D。DE-MOEA/D在MOEA/D算法框架的基础上，使用了概率模型来进化群体。
有多种方法可以将多目标优化问题转换为一系列的接近PF的优化子问题，如边界交集法、Tchebycheff分解法、权重和法等。本算法采用的是Tchebycheff分解法。
3数值实验
下面用DE-MOEA/D算法对两个标准测试函数DTLZ1和DTLZ2进行数值计算，并与NSGA-II算法进行对比分析，从而检验DE-MOEA/D算法的性能。
从图4和图5中可以很清楚地看出，DE-MOEA/D在Pareto最优解的分布性和均匀性方面均明显优于NSGA-II，这表明DE-MOEA/D充分继承了MOEA/D在分布性和均匀性方面的优点。
为测试DE-MOEA/D的收敛性能，下面给出DE-MOEA/D和MOEA/D两种算法运行20次时最后一代种群的IGD数据的平均值。
4结语
数值分析与实验结果表明，新算法在Pareto解的分布性和均匀性与MOEA/D相当而明显优于NSGA-II；对于三目标优化问题，新算法的计算复杂度要低于MOEA/D，这主要是由于新算法没有使用传统的交叉、变异操作，而是利用概率模型产生进化解。
新算法在优化四目标问题时出现了一些问题，优化效果不甚理想。如何进一步提高基于分布估计的分解多目标进化算法的性能，将其能够解决更高维的多目标优化问题，是今后进一步的研究工作。
参考文献：
[1]SCHAFFERJD.Multipleobjectiveoptimizationwithvectorevaluatedgeneticalgorithms[C].In：GrefenstetteJJ，ed.Proc.oftheInt’lConf.onGeneticAlgorithmsandTheirApplications.Hillsdale：L.ErlbaumAssociates，Inc.，1985.
[2]FONSECACM，FLEMINGPJ.Geneticalgorithmformultiobjectiveoptimization：Formulation，discussionandgeneration[C].In：ForrestS，ed.Proc.ofthe5thInt’lConf.onGeneticAlgorithms.SanMateo：MorganKauffmanPublishers，1993.
[3]DEBK，PRATAPA，AGARWALS，etal.Afastandelitistmulti-objectivegeneticalgorithm：NSGA-II[J].IEEETrans.onEvolutionaryComputation，2002（2）.
[4]ZITZLERE，LAUMANNSM，THIELEL.SPEA2：ImprovingthestrengthParetoevolutionaryalgorithm[C].In：GiannakoglouK，TsahalisDT，PériauxJ，PapailiouKD，FogartyT，eds.EvolutionaryMethodsforDesign，OptimizationandControlwithApplicationstoIndustrialProblems.Berlin：Springer-Verlag，2002.
[5]ERICKSONM，MAYERA，HORNJ.ThenichedParetogeneticalgorithm2appliedtothedesignofgroundwaterremediationsystem[C].In：ZitzlerE，DebK，ThieleL，CoelloCoelloCA，CorneD，eds.Proc.ofthe1stInt’lConf.onEvolutionaryMulti-CriterionOptimization，EMO2001.Berlin：Springer-Verlag，2001.
[6]LAUMANNSM，THIELEL，DEBK，biningconvergenceanddiversityinevolutionarymulti-objectiveoptimization[J].EvolutionaryComputation，2002（3）.
[7]HERNNDEZ-DAZAG，SANTANA-QUINTEROLV，COELLOCOELLOCA，etal.Pareto-adaptiveε-dominance[J].EvolutionaryComputation，2007（4）.
[8]ZHANGQF，ZHOUAM，JINY.RM-MEDA：Aregularitymodelbasedmultiobjectiveestimationofdistributionalgorithm[J].IEEETrans.onEvolutionaryComputation，2007（1）.
[9]ZHANGQF，LIH.MOEA/D：Amultiobjectiveevolutionaryalgorithmbasedondecomposition[J].IEEETrans.onEvolutionaryComputation，2007（6）.
[10]KHANN，GOLDBERGDE，PELIKANM.Multi-Oobjectivebayesianoptimizationalgorithm[R].TechnicalReport，No.2002009，UniversityofIllinoisatUrbana-Champaign，2002.
