在优化实际任务时,主要考虑的问题包括:存在许多标准;许多局部极值和显著性限制。这使得应用经典梯度优化方法成为不可能,摆脱这种情况的方法是使用自适应随机算法,它可以成功克服这些困难。对于这类问题,它的解决方法难以用正式形式呈现,一些任务不能在短时间内用传统算法解决。用遗传算法可以解决这类问题,遗传算法是自适应的,可以并行化,很容易与神经网络和模糊逻辑元素相结合。本文研究的目的是解决多目标优化问题的方法和算法。本文研究的主题是并行类型的演化算法。这项工作的目的是提高形成Pareto集的过程的效率,使用并行遗传算法并改进亚群之间信息交换的程序。本文通过理论研究和试验分析实现了研究目标,具体工作如下:1.分析多目标优化问题的方法和算法,解决研究课题。调查了四种最常用的方法,即实施各种适合性和选择方案。VEGA方法,FFGA方法,SPEA和NPGA方法。VEGA方法使用选择来切换目标函数,也就是说,分别针对每个K标准的个体的适合性进行选择;FFGA方法对个体使用帕累托显性程序,每个个体的等级由其主要个体的数量决定;SPEA方法将非劣个体复制到外部种群,然后对群体中的每个个体赋予一个强度值做为适应度值,当前种群个体的适应度值是按照外部种群中支配它的非劣解的强度之和;在NPGA方法中,适应性分配阶段被改进的适应性分离方案取代,该方案使用为替代方案或目标函数空间中的个体定义的利己概念,并提供维持多样性并允许获得代表性帕累托组。对这些方法的有效性进行了一系列具有代表性的测试,这些测试任务具有不同的目标函数和不同数量的变量。2.开发并行遗传算法求解多目标优化任务。制定了一个实验方案,用于在亚群之间交换遗传信息和领导者的选择程序。在SPEA方法的基础上开发了一种包含上述所有改进的算法。3.程序实现和遗传算法性质的调查。介绍了用于研究遗传算法和程序的性质的开发程序,该程序实现了多目标优化问题的解决方案。所有的数值结果都是通过对在实验过程中记录的数据进行平均而得到的,具有不同的迁移方案,不同数量的亚群体和不同数量的个体在群体中。最后,开发了一个实验验证程序,该程序实现了一个并行演化算法,用于解决多目标优化任务,并使用不同的方案在亚群之间交换遗传信息。该程序允许改变个体的数量和亚群的数量,因此可以研究并行遗传算法的亚群和其他参数的大小对保证找到全局极值的概率的影响。该程序的实验表明,并行进化算法能够找到帕累托近似的点集。