现实生活中很多优化问题都由多个目标组成，而且这些目标通常是相互矛盾甚至是相互冲突的，其问题的解也有许多个。如何得到一组全面、有效的代表解供决策者进行选择判断，以使问题达到最优的解决效果，是求解多目标优化问题的主要目标。一般地，传统的数学规划方法比较依赖于优化函数的数学特性，对目标空间的搜索能力低，且计算量非常大。遗传算法由于具有较好的鲁棒性、问题无关、速度快等特性，在解决多目标优化问题中存在很大的优势。遗传算法在智能计算方面表现良好，本文将其与智能体技术相结合，提出改进的算法来求解多目标优化问题。本文首先介绍了遗传算法及多目标优化问题的基本概念、发展历程及理论知识，并阐述了几种经典的多目标遗传算法。接着根据多智能体的思想提出一种新的智能体进化算法，在交叉算子的选用上，根据参与交叉运算的两个体的适应度与平均适应度的关系选择了不同的交叉算子以此来达到增加运算结果多样性的目的。进化早期使用均匀分布变异算子，使算法具有较强的全局搜索能力，在进化后期使用高斯分布变异算子，使算法具有较强的局部搜索能力。通过测试函数对算法性能进行检验分析，仿真图形表明本文提出的算法能够找到数量较多且分布较均匀的Pareto解，算法性能比较好；最后提出另外一种智能体进化算法应用于网络多目标最短路径问题中，提出了一种改进的轮盘赌选择方法，使得选择的智能体更加具有竞争性，在交叉操作中根据种群的平均适应度值与进行交叉的两个个体的平均适应度值的关系来选择不同的交叉算子，使得产生的智能体更优，实验用例表明该种方法能够得到性能优良的路径。