约束优化问题广泛存在科学研究、工程应用和商业等诸多领域中,这类问题因具有复杂的约束条件等因素导致进化算法求解也会遇到极大的挑战。近二十几年以来,针对约束处理问题,研究人员提出了各种约束处理技术,其中,将约束优化问题转化成多目标优化问题,然后利用多目标优化方法进行求解,取得了良好的效果。尽管如此,多目标优化法在计算成本和兼顾可行性、多样性和收敛性等方面仍然存在不足。因此,本文针对性地提出了多种方法用于处理多目标优化方法使用中存在的问题。本文的主要内容包括以下三个方面:第一,针对多目标优化法使用中产生高额的计算成本问题,本文提出了一种基于多种变异策略的串联模式搜索方法,并同CMODE（Combining Multiobjective Optimization with Differential Evolution）算法进行了结合。该方法主要利用不同类型的变异策略之间勘探和搜索能力,满足进化过程中勘探和搜索的侧重需求,达到提升收敛速度的目的,进而降低计算成本。实验结果表明ICMODE（Improved CMODE）算法在收敛速度上与当前优秀的算法相比具有很好的竞争性。第二,针对多目标优化法难以同时有效兼顾可行性、收敛性和多样性的问题,本文提出了一种基于多阶段和双种群进化模式的进化算法框架,在该框架基础上结合一种自适应网格技术,提出了一种约束多目标进化算法DP-CDG（A Dual-population Constrained Multi-objective Evolutionary Algorithm Based on Constrained Decomposition Approach with Grids）。DP-CDG首先将进化过程分为可行解搜索阶段和双种群进化阶段,并将双种群进化阶段进一步划分为单目标和多目标两个并行的进化过程。在进化过程中,DP-CDG通过可行解的规模及种群重组、交叉变异等方式分别实现进化阶段的过渡和进化过程的交互。实验结果表明,DP-CDG在低可行域测试集上较现有算法具有良好的优势。第三,将上述提出的算法应用到夹具定位方案的稳健性优化设计中,对于夹具定位方案的稳健性设计问题,其本质是保证夹具上的工件在加工之前具有良好抵制位置偏移能力,以工件在空间中六个自由度方向产生的波动量大小作为评价依据,同时该问题存在性能、装配和几何等方面约束条件。结合本文提出的两种算法分别求解单目标和多目标形式下稳健的双圆柱定位方案,验证算法的性能。