大多数多目标优化问题的理论研究一般只涉及少量的目标，对于更多个子目标（大于3个）的高维函数优化问题尚没有深入的探讨。当考虑大于3个以上的多目标搜索空间时，多目标进化中的Pareto最优技术不能符合要求。所以在超多目标优化问题的研究中，我们要采取一些新的概念和方法。一种是把Pareto优化定义扩展，以便使用模糊支配技术来避免Pareto支配局限性。另一方面可以利用博弈模型的共同进化技术来实现问题分解，使超多目标优化问题得以相对简化。　　本文在广泛深入地查阅国内外文献的基础上，对进化算法及其超多目标优化问题的基础理论和基本方法进行了深入的研究和实验分析，并且应用到营养膳食的决策中。主要内容如下:　　1.系统地介绍了多目标优化问题的遗传算法的基本理论和方法，对经典方法进行了分析和描述。介绍了超多目标优化的概念，分析了目标对之间关系分类和定义。论述了目标的关系对EMO的影响，以及目标关系的识别方法和算法。　　2.根据博弈理论、NASH均衡概念、进化均衡策略、NASH共同进化算法以及基于博弈模型的共同进化算法，设计提出了改进的NASH共同进化算法和改进的基于博弈模型共同进化算法用来简化超多目标优化问题。根据目标之间的关系特性，这些算法可以方便把-N个目标的问题化成2个N-1个目标的共同进化问题。通过实验与传统经典的多目标算法比较，证明这些算法的收敛性能和分布性能要更好。　　3.根据模糊支配技术，我们结合多目标进化算法的一些关键技术，设计了基于精华策略的模糊支配进化算法以及改进的基于共享技术的模糊支配进化算法。通过实验比较分析，相比传统的方法，这些算法解决超多目标优化问题有其优越性。　　4.应用超多目标技术到营养膳食决策支持中。根据营养专家知识和营养科学，我们设计了营养膳食通用模型和各种优先级模型;在原有食物分类基础上，扩展设计自定义类概念。在决策技术上定义营养搭配框架，根据专家知识设计多种营养搭配模型，结合自定义类来满足用户的偏爱和需求。