本文首先介绍了多目标优化的概念,对算法的发展历程进行了概括并简要介绍了算法的评价指标。随后介绍了本文主要在多目标进化算法上所做的工作。在本文中首先主要针对算法陷入局部最优的情况,引入突变惯性权重机制。使惯性权重突然增大或是急速衰减,使用最小距离和拥挤距离策略对外部归档集进行维护,通过轮盘赌策略选取全局最优位置,并在实验中证明其有效性。在实验中还比较了其与固定值、线性改变的惯性权重机制的优劣性,利用图示从收敛性与多样性方面进行比较;传统的进化算法在解决高维多目标问题时会遇到计算困难等问题,本文的第二种算法主要针对这一问题进行研究,采用在迭代过程中根据当前种群产生一系列兼具收敛性以及多样性的参考点来指导进化,根据外部文件求解方案在目标空间中生成一系列参考点,并利用非支配解与参考点之间的相对位置,选择最终的粒子作为解。这些参考点能够同时具有良好的收敛性和多样性。并用实验证明其有效性。在实验中还可以看出,对于本文的两种算法来说,基于突变惯性权重的多目标进化算法在收敛性上表现较为出色,而基于参考点的多目标进化算法则在多样性上表现较为出色。在本文的最后利用本文的两种算法计算一种实际用例,即电力系统的经济调度问题,借此来说明如何将进化算法应用到实际中,在本节中将排放量及燃料量作为算法的目标函数,利用费用及排放比较两算法的优劣性。