现实生活中,人们经常会遇到很多具有多个约束条件、多个决策变量、高度非线性等特征的复杂多目标优化问题。由于传统的基于聚合技术的优化方法在求解这些实际问题的时候会遇到很多困难,因此基于自然启发的进化算法获得了广泛的关注和青睐。多目标进化算法不依赖待求解问题的性质,并且可以一次给出多个供选择的解,因此得到了快速发展。本文简要介绍了多目标进化算法的发展历程以及发展现状,指出了现在的一些发展趋势,结合机器学习算法以改进算法的能力,通过在一个算法中结合多种重组算子来争取获得求解能力更好的进化算法。提出了一种基于聚类的多目标进化算法。该算法在聚类的基础上对解个体建立局部高斯模型,通过采样的方法来产生新解,从而实现对决策空间进行搜索的目的。并对该算法的求解能力进行了实验和对比研究,证明了算法求解能力的优越性,而且还对算法进行了灵敏度分析。在前面算法的基础上进行了改进,提出了一种基于聚类的多算子多目标进化算法,在算法中融入了三种不同的重组算子,并引入自适应机制,使得算法能够根据不同阶段的需求自动改变各种重组算子的选择概率。在对比实验中,该算法取得了良好的表现,并且验证了其对于不同的复杂多目标优化问题的求解能力。文章最后介绍了航迹规划问题的模型,并利用所提出的算法对其进行了求解,分析了算法的求解性能以及出现问题的原因,给出了一些比较好的航迹曲线。证明了所提算法对复杂问题的求解能力。