现实世界中存在许多具有两个及两个以上目标的优化问题,这些目标往往相互制约,一个目标性能的改善会引起其余目标性能的恶化,这样的问题称之为多目标优化问题。多目标进化算法(MOEA)在解决多目标优化问题时具备传统方法没有的优势,通过维护种群,算法经过单次运行可以得到一组折衷解,非常适合求解多目标优化问题。以NSGA-II、MOEA/D为代表的许多优秀多目标进化算法已经被提出,并且许多算法也应用到现实生活中去解决实际问题。本文从多目标进化算法框架出发,将种群预划分步骤集成到框架中,提出一种基于种群预划分的MOEA。同时在人工智能兴起的环境下,不断扩大规模的高性能计算机集群需要一个有效的资源管理系统,为此本文将高性能计算机集群资源调度问题模型化为一个多目标优化问题,提出了一个以MOEA为优化引擎的基于规划的调度系统。本文的主要工作如下:(1)进化算法在种群不断进化的过程中,如果作为亲代进行繁殖的一对个体在空间相去较远,那么他们产生的后代无法有效帮助种群朝正确方向进化。为了解决该问题,本文将种群预划分的步骤加入到MOEA中,提出了基于预划分的MOEA。为了提供一种有效的种群预划分手段,本文在聚类算法基础上,提出了适用于MOEA的基于聚类的种群预划分算法,用于在种群产生后代之前对种群进行预划分。这个预划分算法分别被集成到基于支配的MOEA和基于分解的MOEA中。为了分析个体之间空间距离对产生后代的影响,本文将空间中距离较远的个体与距离较近的个体分别产生后代进行实验,根据支配准则对其进行比较。为了测试基于预划分的MOEA的性能,将提出的算法在18个广泛应用的基准测试函数上进行测试,包括DTLZ的七个测试函数和WFG的九个测试函数以及UF的两个测试函数。(2)为了给高性能计算机集群的有效调度提供一种可能的方案,本文以用户和计算机系统为中心,遵循为用户提供良好使用体验的同时减少集群空闲计算的原则,将最小化平均等待时间和最大化系统利用率作为目标,建立多目标优化问题模型。依据此模型,使用基于规划的调度策略,以MOEA作为优化引擎,为集群指定一个作业执行计划。提出了一个新的有效管理大规模计算机集群的调度系统。在MOEA优化过程中,采用混合交叉算子策略。使用现实世界中超级计算机的真实工作负载追踪,对提出的系统进行模拟仿真实验,并与两种调度系统进行比较,验证本文提出系统的有效性。