多目标优化问题是国内外学者研究的热点问题，而多目标遗传算法是解决这类问题的非常有效的方法。现实中遇到的许多问题往往表现为由多个、可能相互冲突的目标函数构成的多目标优化问题。多年来多目标优化问题尽管已有许多求解方法，并且，最近十几年来演化算法已经逐渐发展成为解决多目标优化问题的理想方法，特别为求解大规模复杂的多目标优化问题提供了有效的研究方法，因而多目标优化问题也已经成为演化算法领域的研究热点。国际上最为先进的多目标遗传算法(NSGA-Ⅱ)算法是最近发展起来的用来解决多目标优化问题的具有优良性能的一种多目标遗传算法，目前被大量应用在各行各业的各个领域中，并取得了很好的效果。　　 不可否认，NSGA有以下优点：优化目标的数目是任意的；非劣最优解分布是均匀；多个不同的等价解允许同时存在。但它仍存在一些不足：算法复杂度较高；没有采用精英策略；需要指定共享半径的大小。　　 在此算法的基础上Deb等人于2000年提出了一种改进算法一引进精英策略的非支配集排序遗传算法(NSGA-Ⅱ)，本算法大致有以下几大特点：　　 (1)基于Pareto最优的快速非劣等级分类排序方法，提高了运算速度，保持了适当的选择压力，避免了进化过程的早熟；　　 (2)采取计算个体局部拥挤距离的方法实现共享适应度，既克服了不易确定的传统的小生境半径的缺点，又提高了算法的健壮性;　　 (3)通过将父代与子代种群结合后，再选取前N个优秀个体的精英保留策略，提高了算法的收敛速度。　　 但由于其刚刚兴起，算法本身还有很多地方有待完善。其次，关于其研究领域还不够全面。因此，如何将有关的搜索策略和多目标优化技巧与NSGA-Ⅱ进行有效的结合，能够使种群快速收敛Pareto前沿，并尽可能均匀遍布，从而最终提高问题的求解质量，则是我们值得研究的一个问题。所有这些研究也将拓展演化算法及其在多目标优化领域的应用研究。　　 本文在分析非支配排序算法NSGA-Ⅱ算子的基础上结合近邻Pareto赋值策略以及复合交叉算子的操作，提出了一种改进的非支配排序遗传算法(简称KC NSGA-Ⅱ)。并给出了拥挤度的评估方法、复合交叉算子的计算。最小生成树的边的权表示个体的拥挤距离很好地确保了种群的分布性。分布函数的引入，限制了精英选取的数量，从而更好地维护了种群多样性。同时给出了一种新的复合交叉算子。使得算法不但增大了其解的搜索区域，而且增强了其对边界的搜索能力。　　 同时，通过标准函数ZDT1-6和DTLZ2-4的仿真试验，表明此算法有更好的收敛效果和种群多样性。所以基于NSGA-Ⅱ的遗传算法在解决大多数多目标优化问题时确实比较有效。针对一类对目标优化的实际问题，本文主要做了以下几个方面的工作：　　 (1)提出了一种基于最小生成树的拥挤距离和基于近邻的Pareto赋值策略，这种改进后的拥挤操作对个体周围的密度信息进行估计时，不再局限于对同一级非支配个体集中的个体，所以当采用最小生成树计算某些个体的拥挤距离相等时，通过借助基于近邻的Pareto秩赋值策略就可以很容易的选择出当前最优个体。试验表明这种赋值策略有效地增强了局部搜索的能力，提高了解向Pareto前沿的收敛速度；　　 (2)针对杂交操作，本文在基于多父体杂交的基础上提出了一种复合交叉算子，这种杂交算子通过灵活调控分布指数的大小，可得到很好的优化效果。试验表明该操作具有很强的空间搜索能力，增强了解的遍历性：　　 (3)通过对ZDT和ZDTL系列函数的测试，在GD、SP、Success Rate优化指标上KCNSGA-Ⅱ算法明显优于NSGA-Ⅱ，而且也和现行的较先进的算法相匹配，比如：SPEA2、MST-NSGA-Ⅱ、MOTA-MCS、N-MOEA，尤其是在取得最好优化结果的同时，其匹配成功次数，本算法是100-99％，而NSGA-Ⅱ一般是100-95％，而SPEA2算法的仅仅是100-90％。　　 总之，本文在NSGA-Ⅱ算法的基础上，提出了一种基于最小生成树的拥挤距离和基于近邻的Pareto赋值策略以及复合交叉算子的多目标遗传算法。引入的最小生成树的边的权表示个体的拥挤距离和采用近邻的Pareto赋值策略很好地保持了种群的分布性。通过分布函数的引入，限制了精英选取的数量，从而更好地维护了种群多样性。同时给出了一种新的复合交叉算子，其不但增大了解的搜索区域，而且增强了算法对边界的搜索能力。实验结果表明此算法有更好的收敛效果和种群多样性。