现实中存在着许多的优化问题,所谓的多目标优化问题通常指的是那些具有多个相互影响甚至相互矛盾的目标函数的优化问题。现如今,运用进化(EMO)算法解决多目标优化问题(MOPs)已经成为多目标优化领域的一个研究热点,针对不同类型的多目标优化问题,许多的研究学者都相继提出了各种多目标进化算法,并且一些优秀的算法已经成功地应用在了实际问题的解决中。可以说,运用进化算法解决多目标优化问题,正受到越来越多的人的关注。本文首先全面阐述了 EMO算法的基础理论知识,并介绍了 EMO算法的研究现状。然后针对一些不同特征的MOPs设计出了两个优秀的求解算法。本文的主要研究工作如下:(1)本文提出了一种新型的多目标差分进化算法:基于优异个体进化策略的自适应多目标差分进化算法(Multi-objective Differential Evolution Algorithm Base on Excellent Individual and Evolutionary-strategy Self-Adaption,简称MODEA-EESA)。该算法在传统的差分算法的基础上,引入了一种基于优异个体的进化策略,同时,结合不同效果的差分变异算子,提出了一种动态选择变异算子的方案,即一种自适应方案,并给定一个阈值的概念对变异算子的选择进行干预。而在分布度维持策略方面,则是采用了经典的基于拥挤距离的分布度维持法。MODEA-EESA将会通过一系列的双目标的测试函数与三个权威的经典进化算法NSGA-Ⅱ、MODEA以及PAES进行比较分析。(2)本文还提出了一种新的基于非支配排序和维度双向搜索的多目标进化算(NSDLS)。该算法以个体的维度搜索为搜索策略来产生新的种群,并通过不断的迭代,在满足终止条件时,则输出非支配解。NSDLS算法的主要过程可简述为:NSDLS算法首先随机初始化一个固定大小的种群P0,然后通过不断的迭代进化,引导种群中的个体向最优前沿逼近。对于t-1代产生的种群Pt,NSDLS算法引入一种局部的维度双向搜索策略来引导种群进化,从而产生种群Pt’;然后,将进化产生的种群与原种群进行合并,运用经典的快速非支配算法对合并种群Pt U Pt’进行排序,并产生优劣分层;在分层结束后,结合一种新的分布度维持策略,来产生进入下一次进化的新种群。NSDLS将会通过一系列双目标的测试函数与三个经典算法NSGA-Ⅱ,MOEA/D-DE,以及MODEA进行比较,实验结果表明,NSDLS能够找到具有更好的分布度与收敛性的解。总之,本文针对一些特定特征的多目标优化问题,提出了两种有效的解决方法。两个方法提升了传统多目标进化算法的性能,在一定程度上促进了多目标进化算法的研究。