现实生活中的许多实际问题,都是对多个目标的同时优化,同时这些问题通常又是高度复杂的,非线性的。通常称这类问题为多目标优化问题。多目标进化算法( Multi-Objective Evolutionary Algorithms,MOEAs)非常的适合于求解这类的问题,已成为多目标优化问题的主流解决方法之一。近年来,研究者们针对不同的应用问题,提出了自己的多目标进化算法,比较有代表性算法有:NSGA-II,SPEA2,PESA-II等。变异算子在进化算法中起着非常重要的作用,研究者做了大量的理论和实验研究。进化算法通过引入变异算子,使算法具有一定的局部随机搜索能力,一方面,在求解的后期,加速向最优解收敛,另一方面维持解的多样性。然而,在多目标进化算法中,研究者们的注意力主要集中在构造非支配集、适应度赋值、种群维护等问题上,关于多目标进化算法中的基本进化操作算子的研究不多,特别是变异算子,大多使用Deb提出来的多项式变异算子。本文针对多目标进化算法中的变异算子展开研究,主要工作包括以下两个方面:第一,将单目标进化算法和进化策略中一些有效的变异算子引入多目标进化算法,然而,多目标优化与单目标优化在求解问题的规模、最优解的数量等方面有很大的差异,频繁的变异越界操作导致种群多样性的丧失,提出了一种适应于多目标环境的变异越界处理策略以维护种群的多样性,成功的将这些变异算子应用到多目标进化优化问题中,最后通过一组实验比较了它们的收敛性能。第二,提出一种改进的变异和分布性保持策略的多目标进化算法。首先提出一种将均匀变异、高斯变异和柯西变异相结合的一种混合变异策略,在全局搜索和局部搜索进行平衡以获得更好的收敛性,其次针对NSGA-II利用聚集距离来保持分布性存在的缺陷,提出了一种基于动态阈值的修剪策略,对每一层个体分布密集的区域进行修剪,使得分布性好的个体有更大的生存机会。通过一组实验说明改进算法的收敛性和分布性都取得了较好的效果。