优化来源于现实,在我们的日常生活中,会遇到许许多多的优化问题。其中很多问题又都是多目标优化问题。在多目标优化中,各目标之间是互相矛盾和互相冲突的,其最优解往往有无穷多个,如何在最优解集合中求出一组分布均匀、范围广泛且数量充足的代表解供给决策者进行选择是求解多目标优化问题的主要目标。以进化算法为代表的仿生算法,是一种随机、简单、自适应的全局搜索算法,已成为求解多目标优化问题的重要工具。本文首先对进化算法的基本概念、基本理论、基本框架和多目标优化问题的数学描述、基本概念等进行了系统的综述分析。接着概述了差分进化算法,提出了一种改进的多目标差分进化算法(LSMODE),即使用一种新的局部搜索策略,引入了新的局部搜索算子来自动地调整搜索步长,同时对DE中的缩放因子F与交叉因子CR进行自适应调整,并针对算法的解的产生过程中出现变量越界问题提出了一种有效的修补方法。从测试结果可以明显看出,与目前经典算法NSGA-Ⅱ进行比较,LSMODE能够找到数量更多,分布更加均匀的Pareto最优解。此外,本文还给出了一种新的解决多目标TSP问题的差分进化算法。针对多目标TSP问题的优化模型,综合LSMODE算法并做了相应的优化调整。在该算法中,引入了新的变异操作公式,新的局部搜索算子,并针对算法的解的产生过程中出现变量越界问题提出了一种有效的修补方法。实验结果表明,该求解方法是有效的。