Artykuł prezentuje integrację algorytmów ewolucyjnych z algorytmami sekwencyjnymi w celu poprawy lokalnej eksploracji przestrzeni rozwiązań dla problemów jedno i wielokryterialnej optymalizacji konstrukcji. Zaproponowano algorytmy hybrydowe wykorzystujące znane algorytmy sekwencyjne (metodę zmiennej tolerancji, zmiennej metryki, metodę poszukiwań prostych, metodę sympleksu), a dla analizy wielokryterialnej znane podejście Min-Max oraz połączenie algorytmów ewolucyjnych z sekwencyjnymi w sposób umoŜliwiający generowanie pełnego zbioru rozwiązań Pareto optymalnych. W metodzie pierwszej punkty startowe dla algorytmu sekwencyjnego są generowane przez algorytm ewolucyjny zarówno na etapie poszukiwania minimów poszczególnych funkcji kryterialnych, jak i na etapie zastosowania podejścia Min-Max. Metoda druga polega na poprawie uzyskanego algorytmem ewolucyjnym zbioru Pareto przez zastosowanie wielokierunkowego algorytmu sekwencyjnego. W ramach badań wykorzystano kilka typów algorytmów ewolucyjnych połączonych z kilkoma algorytmami sekwencyjnymi. Przeprowadzono eksperymenty obliczeniowe dla wielu problemów, w tym problemu optymalizacji zbiornika powietrza, dwukryterialnej optymalizacji mechanizmu dźwigniowego oraz belki wielostopniowej. Uzyskane wyniki pokazują poprawę efektywność działania algorytmów ewolucyjnych.
In the paper a new hybrid methods to single and multicriteria design optimization are presented. In these methods an evolutionary algorithm is combined with a sequential search method in the way that in each generation, each individual is under a learning process which results from applying several steps of the sequential search method. For the evolutionary part of the method, the constraint tournament selection method is applied here, whereas, for the sequential part, flexible tolerance, variable metrics, Hooke’a-Jeeves direct search and simplex methods are used. In the first approach, the starting points for the sequential algorithm are generated by the evolutionary algorithm, both at the stage of searching minima of each criterion functions, as well as in the application of the approach Min-Max. The second approach is to improve the Pareto set generated using the evolutionary algorithm by applying sequential algorithms. As examples, a numerical problem and three design optimization problems of a robot gripper, a 6-th step beam and a air reservoir are considered. For these examples the comparison between the classical evolutionary algorithm and the proposed approaches show the efficiency of the latter.