现代工程问题常常涉及多个目标的同时优化问题,称这种问题为多目标优化问题.传统的解决多目标优化问题的方法有多目标加权法、ε约束法、逐步法、目标规划法等,但传统方法对目标函数有凸(凹)性、连续性、甚至线性性等要求,而且有些传统多目标优化算法在求解多目标优化问题时是将多目标优化问题转化为单目标优化问题来处理,不但难以给定各目标合适的权值,而且往往只能得到一个解.近年来,借鉴生物学、物理学思想发展起来的全局优化算法——遗传算法(Genetic Algorithm)和模拟退火(Simulated Annealing)得到了很大的发展,越来越受到人们的重视.这两种算法对初始值的依赖性小,对目标函数没有凸(凹)性、连续性、甚至线性性要求,且具有较强的全局性搜索能力,尤其遗传算法还具有隐含并行性的优点,广泛应用于各类复杂的优化问题领域,并在多目标优化领域也得到了广泛深入的研究与应用.该文针对以上两种全局优化的算法各自的特点,有机的结合了多目标优化的Pareto最优解概念分别提出求解多目标优化问题的两种新的算法——基于模拟退火的多目标优化算法和基于最佳基因的多目标遗传算法.这两种新算法在一定程度上弥补了传统多目标优化方法的一些缺点.数值实验表明,这两种新算法不仅操作简单、速度快、鲁棒性强,而且由于其利用了多目标优化的Pareto最优解的概念作为寻优的判定条件,因而能够获得更多的且分布广泛的Pareto最优解,给决策者提供了更多的选择.