多目标优化问题一直是科学领域和工程研究领域中的热点问题。在过去二十年当中,由于演化算法的出现,多目标演化算法已经成为多目标优化问题中的热点。在多目标问题中,各子目标之间相互冲突,对一个子目标的优化往往以其他子目标的性能降低为代价,问题的解往往是一个解集。为了在多个目标间得到较优的解,因而要考虑一些折衷解方案。如何使算法得到的解尽量接近Pareto最优前端且分布均匀是求解多目标优化问题的关键。因此,在设计多目标演化算法时,维持种群的多样性对获得多目标优化问题解的收敛性至关重要。本文主要研究基于多样性保持策略的多目标演化算法。本文首先介绍了多目标优化问题的研究背景、现状和研究意义;然后,着眼于种群多样性的研究,对现有多样性的保持策略,特别是密度估计方法进行了系统的介绍与分析;在此基础上,提出了一种梯度拥挤度的评价策略,称为Gradient Crowding策略,用于选择过程中非劣解集的缩减,以此来保证解的均匀、广泛分布,达到维持种群多样性的目的;接着,借助信息论中“熵”的概念,定义了熵的度量方法,并用这种方法对所提出的策略进行详细的验证与分析。在提出的新多样性保持策略的基础上,本文给出了一种基于梯度拥挤度的多样性保持策略的多目标演化算法。在算法的设计中,分别对初始化和选择过程进行了多样性的处理。在初始化过程中,求解多目标问题的一般算法大都采用随机初始种群的策略,而本文设计的多样化初始策略是在随机产生种群的基础上做了多样化处理,使得整个种群在初始化时就维持在一个较为均匀的分布状态;在选择过程中,又将Gradient Crowding策略作为拥挤操作算子的一部分,来决定个体的去留,保持演化过程中的解更加均匀分散。为了算法具有较好的自适应性,本文还在选择阶段设计了分段式精英策略和两级适应度选择模型,以建立通用的模型。通过数值实验的分析,验证了本文所提出的算法在种群多样性保持和解收敛性两方面都得到较好的改进。