由于多目标优化技术在工程、经济、管理和军事等领域中具有重要的应用价值,多目标优化的研究越来越受到广泛的关注和重视,它已发展成为一门新兴的学科并在应用中显示出强大的生命力。遗传算法是借鉴生物的自然选择和遗传机制而开发出的一种全局优化自适应概率搜索算法,它在解决复杂系统优化时的所表现出的独特的优越性和健壮性,使其成为解决多目标优化问题的一个非常有效的手段。本文详细地介绍了多目标优化的研究现状、基本原理和具有代表性的算法以及遗传算法的数学理论和实现技术等内容,并对多目标优化遗传算法中有待解决的问题对进行了研究。通过对最优保存策略的研究,提出了基于Pareto最优解数据仓库的多目标优化遗传算法,该算法利用数据仓库来保存每代所产生的Pareto最优解个体,采用度量个体间的距离方式来淘汰数据仓库中相同或相似的个体,该算法还对选择算子进行了改进,使得算法的自适应能力增强,这种新算法提高了算法性能,改善了解集的质量,能够获得了大量的、均匀的Pareto最优解;针对实际应用中的多目标优化问题一般都含有约束条件这一情况,提出了一种基于群体分类的复杂约束条件多目标优化遗传算法,该算法对群体多样性问题进行了重点的研究,采用k-均值聚类分析运算来解决群体多样性问题,该算法将整个群体划分为四个子群体,并赋予适当的适应值,从中体现最优保存策略,大量的计算机仿真计算表明,该算法不仅能得到分布广泛的、均匀的Pareto最优解,而且进化速度快,通常只需10～40代即可达到很好的优化效果。