在实际工程及科研领域中有大量需要同时对不止一个目标进行优化求解的问题,此类问题通常被称为多目标优化问题(Multi-objective optimization problems,Mops)。多目标优化问题的最优解往往并不唯一,并且多个优化目标之间一般存在相互冲突关系,在对某一目标优化的同时往往会使其他目标劣化,使得各目标难以同时达到各自的最优值,因此该类问题的求解就是要得出一组在多目标间优化性能均衡的解。实现对多目标优化问题的求解具有重要的现实意义和理论意义,该问题的求解已得到工程界和学术界的广泛关注。带精英策略的非支配排序遗传算法(Elitist Non-dominated Sorting Genetic Algorithm,NSGA-II)是目前最流行的多目标优化算法之一,它具有较高的求解效率,可在一次运行过程中得出多个高质量的解,成为了其它多目标优化算法进行性能对比的基准算法。随着NSGA-II应用的推广深入,一些问题也显现出来,首先NSGA-II在整个运行过程中运行参数保持不变,不能根据环境变化对其自适应调整,难以对解空间实现高效搜索;其次NSGA-II具有较强的全局搜索能力但是局部搜索能力较弱,从而导致算法收敛性能差,无法找到全局最优解集或需要较长时间才能找到全局最优解集。针对NSGA-II现存问题,本文从以下两个方面进行具体研究:第一方面,本文针对NSGA-II不能根据环境自适应调整运行参数的问题,给出了一种基于非支配排序分层的适应性策略。本文所提策略根据算法的运行阶段、运行代数及当前临时种群非支配个体数动态调整进化个体的运行参数,使算法具备运行自适应性,提高算法全局搜索能力,从而起到抑制早熟、加快收敛速度、增加种群多样性的作用。第二方面,本文针对NSGA-II局部优化能力较弱的问题,给出了一种基于模拟退火算法的NSGA-II优化改进。本文所提改进首先对传统模拟退火算法进行调整,即以支配关系作为个体优劣的评价标准,在搜索过程中只接受优于原始解的新解,并根据当前进化代所对应的退火温度对搜索范围进行动态调节;然后将调整后的模拟退火算法引入到NSGA-II中,形成综合算法,即加入局部搜索的非支配排序遗传算法,通过对每一代进化生成的父代及子代种群个体进行退火搜索,从而起到提高算法局部优化能力的作用;最后将加入局部搜索的非支配排序遗传算法与第一阶段所给出的适应性策略相结合,给出了一种加入局部搜索的自适应非支配排序遗传算法,通过提高算法进化适应性及局部优化能力以提升原算法求解全局最优解的能力,从而起到抑制早熟、加快收敛速度、增加种群多样性的作用,实现对NSGA-II的优化改进。本文通过模拟仿真实验对所提改进进行验证,实验分为三部分:第一部分通过实验对比表明本文所提基于非支配排序分层的适应性策略能有效提高原算法的全局搜索能力;第二部分通过实验对比表明本文所提加入局部搜索的非支配排序遗传算法能有效提高原算法的局部搜索能力;第三部分通过实验对融合本文所提基于非支配排序分层的适应性策略和加入局部搜索的非支配排序遗传算法的综合算法,即加入局部搜索的自适应非支配排序遗传算法进行性能验证,表明本文对NSGA-II进行的两点优化能有效结合,在收敛性及多样性两方面对算法的性能确有提升,从而证明了本文对NSGA-II优化研究工作的有效性。