多目标优化问题频繁地出现在科学研究与工程应用中,如控制系统设计、工业调度、软件工程与资源分配等等。这些实际问题常常涉及到多个互相矛盾的子目标,在多个目标相互关联的情况下如何找到最优解集尤其重要,这使得多目标优化成为一个热门的研究方向。进化算法启发于达尔文的进化论,因其不需要优化问题的先验信息,能够通过空间随机搜索的方式同时找到多个非劣解而成为多目标优化设计中一个重要分支,受到广泛关注并且应用于各个科学研究领域。多目标进化算法的优劣很大程度上取决于算法的多样性与收敛性,同时如何平衡算法的局部搜索能力与全局搜索能力也成为多目标进化算法的一大难点,本文从以上两个角度出发,主要研究内容包括:(1)以提高多目标优化算法多样性为出发点,在NSGA-Ⅲ算法基础上提出一种基于浓度策略的算法,在种群非支配排序的过程中根据个体与参考点之间的关联信息计算相似程度得到浓度信息,调整个体进入下一代的几率,使得种群不会因为大量相似的非劣解聚集而导致的局部最优,进而在保证算法的收敛性的同时可以使得算法具有良好的多样性。通过与ZDT系列及其他测试函数的真实Pareto前端对比验证算法的收敛性,同时与其他先进算法对比,通过性能指标证实算法在多样性方面有所改进。(2)平衡多目标优化算法的探索性与开发性,即局部搜索能力与全局搜索能力。用自适应选择策略调整算法在决策空间内的搜索方式,采用高效的、动态的操作算子来更新下一代。将单纯形交叉、模拟二进制交叉与定向交叉结合作为交叉算子池,基于这些算子的性能存储它们最近的适应度改善率,根据算子在上一代的表现自适应地找到更适合下一代的算子然后进行种群更新,同时采用自适应控制策略来调整每个复合算子池中的参数。通过UF系列测试函数的求解以及与其他先进算法的对比展示了所提算法具有良好的收敛性与鲁棒性。(3)对永磁驱动器进行多目标优化设计。基于有限元三维模型,分析结构变量参数对输出转矩与涡流损耗影响,把增大输出转矩与降低涡流损耗作为优化目标,采用响应面法建立优化模型,并结合前面提出的优化算法对其求解,计算结果表明优化后的驱动器性能提高,也证实了所提出的算法的优良性。