遗传算法来源于自然界中生物的繁殖和进化过程,是一种仿生优化算法。在遗传算法中,种群中的个体经过复制、交叉、变异和选择操作产生子代个体,进行种群的更新,从而选取出优良的个体。遗传算法概念具有概念简单、参数调整少、操作容易等特点。本课题在研究遗传算法的基础上,对多目标优化算法进行研究,主要研究基于分解的多目标优化算法,针对其存在的计算成本代价高等问题,提出了一种改进的多目标遗传算法。另外,使用提出的多目标遗传算法解决生产调度问题。首先,深入研究了遗传算法,阐述了遗传算法的仿生学原理、主要思想以及算法描述,并展示了算法流程图。其次,研究多目标优化算法,针对高计算代价,提出了一种基于代理辅助的多目标遗传算法。算法中采用了适应度估计策略,借助邻近个体和父代个体的目标函数值,来预测新个体的目标函数值。同时也采用了径向基函数网络,通过种群训练网络,使用训练后的网络预测新种群中个体的目标函数值。当个体进入更新种群时便要计算真实目标函数值,保证种群中的个体都有真实目标函数值。使用上述两种代理辅助策略减少个体真实目标函数值的计算次数,从而减少算法计算代价。为了证明所提算法的有效性,使用ZDT和DTLZ测试函数系列,将所提多目标遗传算法与其他算法进行比较。通过测试函数仿真实验结果表明,该算法在减少计算代价的同时,取得收敛性和分布性良好的帕累托前沿。最后,将多目标遗传算法应用到生产调度问题中。对流水车间调度问题进行描述,建立两目标模型,确定目标函数。通过仿真实验结果表明,提出的多目标遗传算法能够有效求解流水车间调度问题。