近十几年来，演化算法已逐步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已成为演化算法领域的研究热点。随着研究和应用的不断深入，实际求解问题的复杂性对算法的各种性能技术发展提出了新的挑战。因此如何进一步提高演化算法性能，以及在多目标优化领域，如何将有关的搜索策略和各种优化技巧进行有效的结合，从而最终提高算法的求解质量，是本文研究的关键问题。所有的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。 本文首先介绍了研究背景和意义，简单概括了求解多目标优化问题的传统方法和其局限性，并简单综述了多目标演化算法的发展。接下来介绍了多目标优化问题的基本概念、定义，然后介绍了多目标演化算法的主要策略，随后介绍了当前主要的多目标演化算法、混合多目标演化算法和待解决的问题。在第3章中针对演化算法在解决多目标优化问题时的不足，在构造了新的杂交算子，引进了邻域自适应缩小策略和具有加速作用的传统的快速局部优化方法，并改进了NSGA-II的拥挤操作的基础上，提出了一种新的基于相似性的多目标演化算法。在第4章中针对大多数的工程优化问题．．．．Pareto最优解落在可行域的边界上这一类特殊的多目标优化问题，通过对杂交算子的分布指数这个参数的合理设置，运用了三种评价尺度，做了数值实验，并与经典算法NSGA-II作了比较。数值实验结果表明，本文算法能够高效处理这类测试函数，并且在非常少的演化代数就可以使得到的非劣解全部进化到Pareto最优解。第5章针对一般的多目标优化问题，重新设置杂交算子的分布指数，数值实验表明，本文算法仍然优于NSGA-II，这也说明了本文算法具有较强的通用性。因此本文提出的算法具有一定的实际价值，对于实时性和优化性同样重要的工程领域来说具有很强的吸引力和实用价值。 本文的主要创新如下：1、构造了一种新的杂交算子；2、引入了自适应邻域缩小策略和局部优化方法；3、改进了NSGA—II的拥挤操作；4、用Pareto排序得到的rank值和拥挤距离共同反映的个体的适应值来决定个体间的差异程度，用相似性描述个体间的类似程度，从而实现了对种群的分级。5、提出了一种新的基于相似性的多目标演化算法。