生产计划中的多目标排序问题是一类典型的组合优化难题,对其求解过程是在多个冲突的优化目标及高度复杂的搜索空间进行寻优,因此传统优化算法往往难以有效求解这类问题。本文在分析总结现有进化算法及多目标排序研究基础上,提出一种基于递进进化结构的多目标进化算法,并针对排序问题的特点,将现有启发式算法引入进化算法的局部搜索中,提高了算法的求解效率。本文主要工作内容如下:1.简要回顾了多目标进化算法及多目标排序问题的发展历史。在分析现有多目标遗传算法特点的基础上,归纳总结了现有多目标遗传算法研究存在的不足,指出其应用于多目标排序问题存在的困难。2.针对现有多目标进化算法存在的不足,提出一种基于递进进化结构的混合多目标进化算法。通过在进化算法中引入递进进化结构,改善了群体多样性,又隐式地实现了不同进化层之间的非劣解集信息传递;通过采用改进的精英选择策略,实现了不须计算适应值而仅通过规则指导即可实现精英个体的保留;同时,在递进进化过程中引入非劣解局部搜索策略,提高了进化算法的局部搜索性能。采用改进算法对7个典型的多目标连续函数优化算例进行求解,将所得结果与两种现有代表性多目标遗传算法的优化结果进行对比,研究结果表明,新算法具有更好的优化性能,在相似进化条件下,较参照算法获得了更好的非劣解集。3.提出一种求解flow shop排序问题的混合多目标进化算法。提出一种结合flow shop启发式算法与可变邻域搜索的启发式局部搜索策略,并将该策略应用于算法递进过程中的非劣解局部搜索,极大改善了算法寻优能力。采用改进的混合多目标进化算法(HEMEA)与NSGA-II、MOGLS等方法对31个标准双目标flow shop算例及一个典型三目标flow shop优化算例进行求解,优化结果表明,本文提出的混合算法较现有代表性算法具有更强的求解性能。4.提出一种求解job shop排序问题的混合多目标进化算法。根据job shop排序问题的特点,提出一种基于时间进度表原理的启发式算法,可以在解码过程中通过一次解码求出一个排序的所有目标值,提高了现有基于操作编码算法的解码效率;提出一种新的适应值计算方法,通过新的适应值评价方式,可以在一个评价公式中同时体现非劣解等级数与同一非劣解等级内个体稀疏状况对个体适应值的影响,降低了算法复杂性。采用改进算法(HEMEA)与NSGA-II、MOGLS对82个标准双目标job shop算例和5个三目标job shop算例进行求解,优化结果表明,本文提出的混合算法较两种验证算法取得了更好的优化结果,验证了算法的有效性。5.为解决某航天企业生产车间作业排序中出现的铣床瓶颈问题,本文建立了一种求解该问题的“分解-协调”混合生产作业优化模型,并提出一种基于操作编码的混合多目标进化算法对该优化模型进行求解。优化结果表明,混合多目标进化算法比实际生产排序人员能得出更好的排序结果,并且求解效率大为提高,从而验证了本论文改进算法的实用性。