优化问题多种多样,为了尽可能高效的求得不同特点的优化问题的高质量全局最优解,人们陆续提出了各种不同的优化算法,其中智能优化的机制不断被引入多目标优化问题的研究。进化算法较好的通用性、高度的非线性性、并行性等特点,从而能够快速有效的求得多目标问题的Pareto最优解集。进化算法作为一种模拟自然界生物自然选择进化的启发式随机搜索算法,已经成功应用于多目标优化领域,并且也已经发展成为一个热点研究方向。本文根据多目标优化算法的特点和分布估计的优点,提出了基于分布估计的多目标进化算法。基于分布估计算法收敛性的优缺点,将差分进化算法与分布估计算法有机的结合以取长补短,提出了一种自适应的混合多目标分布估计进化算法。其基本思想是：在多目标分布估计算法中引入全局收敛性较强的差分进化算法,当函数变化率较大时,用分布估计算法产生新种群；当函数变化率较小即算法可能陷入局部收敛时,用差分进化算法产生新种群。理论分析和数值实验表明：改进后的新算法不仅具有良好的全局收敛性,而且解的分布性和均匀性较没有考虑目标函数变化率的混合多目标分布估计算法也有了一定程度的提高。将自适应混合多目标分布估计进化算法应用于车间优化调度问题的作业车间(Job-Shop问题)中,新算法的优越性得到验证。