在实际生活和工程实践中,多个待优化目标经常同时出现,大量此类问题采用进化算法来求解,因此多目标进化算法的研究有着重要的理论意义和实践意义,也成为了近些年研究的热点。然而在解决具有较小或非连续可行域的问题中,大多数算法由于不可行域的阻碍无法收敛到Pareto前沿。同时,固定的变异参数使得优秀解和劣质解具有相同的变异概率,无法满足算法在进化过程中对保存优秀解,尽可能地改善劣质解以提高算法收敛性与多样性的要求。为了解决以上问题,本文做出以下几点创新及工作:1.为了帮助算法跨越不可行域并收敛到较小的可行域中,提出了基于改进的Logistic算子的多目标进化算法LCMO。该算法使用协同进化框架,在改进框架的优化器算法时,引入改进的Logistic混沌映射到环境选择中,改进后的Logistic算子改善了原来算子迭代点分布不均的问题,能够改变解个体在空间中的分布,从而帮助种群跨越不可行域提高算法的收敛性。同时算法还采用二次排序法改进非支配排序操作以达到进一步细化非支配解等级的目的。将LCMO与4个先进的MOEA进行对比实验,结果表明算法LCMO在可行域较小的问题上表现突出,具有较好的多样性和收敛性。2.为了使进化过程中个体的变异概率能够随着进化自适应地改变,提出基于自适应变异算子的多目标进化算法AKn EA。该算法在Kn EA算法的基础上,引入自适应变异概率,在环境选择阶段,通过比较解个体的适应度值和当前种群的最大适应度值间的关系,计算出该个体在下一次迭代中的变异概率。这一参数能够根据解个体自身的情况和种群的进化程度自适应地调节变异操作。将AKn EA算法与4个先进的MOEA进行横向对比实验,AKn EA算法在多数问题上获得了更好的结果;通过AKn EA与Kn EA的对比实验可以看出改进后的算法具有更好的多样性和收敛性。综合来看,自适应变异算子的引入提高了算法的性能。3.改进原有的选址模型——P median模型,且利用的改进的算法求解模型并展示求解结果。