地下水资源作为全球水资源供应的重要组成部分,对社会经济的发展与生态环境的保护有着至关重要的作用。但是,伴随着人口增长与经济发展,人类活动对地下水系统的不利影响日益加剧,引发了一系列生态环境问题。因此,如何在维持经济可持续发展的前提下保护地下水系统的水量平衡与水质安全已是地下水管理的重要研究课题。基于启发式搜索原理的进化算法（Evolutionary Algorithm,EA）可以高效求解具有非线性、非凸、多峰、随机等特征的地下水模拟-优化（Simulation-Optimization,S/O）问题。同时,地下水管理问题往往是考虑经济效益与生态环境效益的多目标优化问题。因此,在S/O方法的框架下采用多目标进化算法（Multi-Objective Evolutionary Algorithms,MOEAs）是求解此类管理模型的有效工具。地下水系统涉及复杂的物理、化学过程,导致地下水管理问题的求解也面临着多方面的挑战。如大尺度的地下水数值模型的计算复杂度高,在S/O方法的框架内造成了不可负担的计算负荷。因此,如何在获得Pareto最优解集的同时降低计算负荷是MOEAs求解超大计算负荷的地下水管理问题的难点。涉及多个利益相关方的地下水管理要求决策者考虑包含高维目标向量的多目标优化设计。如何改进传统的MOEA以适用于高维目标管理模型的求解是解决地下水系统高维目标优化设计的关键问题。由于有限的观测数据与概化的数学模型,地下水模型不可避免地存在预测的不确定性问题。如何在考虑模型不确定性的前提下求解多目标优化管理模型是获取稳健的管理方案的主要问题。本文分别从滨海地下水管理、地表-地下水耦合管理以及地下水污染的监测网优化设计方面出发,针对以上难点提出了三种多目标模拟-优化框架的地下水管理模型:（1）本文首先提出了一种基于自适应替代模型的多目标优化算法（Surrogate assisted Multi-Objective Memetic Algorithm-Kernel Extreme Learning Machine,SMOMA-KELM）。该算法在搜索Pareto最优解的同时极大地降低了传统的S/O方法造成的巨大计算负荷。SMOMA-KELM在进化算法的搜索过程中依据超体积改善与拥挤度指标优选改善程度最大的Pareto解,然后扩充KELM模型的初始训练数据集并重新训练以提升预测精度。因此,在多目标优化过程中KELM模型预测精度不断提升,减少了预测误差对MOEAs寻优能力的影响。通过对美国Alabama州Baldwin县南部滨海含水层的地下水集中开采井的优化实例研究,结果表明SMOMA-KELM在保证Pareto最优解集的收敛性与多样性的同时降低计算负荷达94%。（2）中国西北典型干旱区焉耆盆地的水资源管理需要考虑地下水开采与地表水引水灌溉的供水需求与供水成本,同时盆地的生态脆弱性要求考虑当地水资源开发利用对博斯腾湖的径流补给与区域含水层中地下水储量的影响。因此,焉耆盆地的地表-地下水耦合管理是典型的高维目标优化问题。本文开发了一种基于ε-dominance排序的多目标进化算法（epsilon Multi-Objective Memetic Algorithm,ε-MOMA）有效缓解了此类管理模型的求解难点。将ε-MOMA求解焉耆盆地的地表-地下水耦合管理模型,优化结果表明管理者应限制地表水引水灌溉量及调节不同灌区地下水开采量以权衡多方面的利益。此外,本文考虑气候变化条件下开都河径流量减少的情景,然后重新求解管理模型。优化结果表明Pareto解集的目标性能与维持当前径流量不变的解集相比进一步恶化。（3）地下水污染的监测网设计旨在全面获取含水层中污染物分布及运移规律,为后续地下水污染的风险评价或修复管理提供基础数据。但是,含水层的物理、化学非均质性难以刻画清楚导致模型预测的不确定性难以避免。本文提出了两步随机多目标优化框架,首先采用稀疏多项式混沌展开构建替代模型并实施精确的不确定性分析,然后以污染羽质心坐标优选典型的污染羽实现集。基于前述的ε-MOMA和噪声遗传算法（Noisy Genetic Algorithm,NGA）的框架提出了一种随机多目标优化算法（epsilon Multi-Objective Noisy Memetic Algorithm,ε-MONMA）求解地下水污染监测网设计的随机优化管理模型,优化结果表明该算法可以提供更稳健的监测方案。