多目标优化起源于许多实际复杂系统的设计、建模和规划问题,这些系统涉及的领域包括工业制造、资本预算、网络通讯、道路规划等等。现实生活中,几乎每个重要的决策和预测都需要考虑各种制约条件,并处理若干目标的相互冲突,这就涉及多个目标的优化。因为这些目标并不是独立存在的,对其中一个目标进行优化必须以牺牲其它目标为代价,并且各目标的单位又往往不一致,这就导致很难客观地评价多目标优化求解的优劣性。传统的求解多目标优化的方法通常存在许多缺陷,如各目标加权值的分配带有较大的主观性,优化目标仅为各目标加权和,过程中各目标优化的不可操作性等。本文着重对人工智能中两个热点问题遗传算法和人工神经网络进行分析和改进,尝试对这两种方法进行融合,并将其应用到多目标优化领域。论文主要内容包括:首先,介绍遗传算法的原理,重点介绍现今经典的多目标遗传算法的优缺点,分析多目标遗传算法设计中所要解决的问题:适应度分配、多样性保持、收敛性。针对简单遗传算法应用过程中所存在的不易收敛,结果常常陷入局部最优等缺点,在改进型非劣分层遗传算法基础上提出改进的并行混合非劣分类遗传算法。多个算例测试表明,改进的算法在解的多样性和收敛性方面都有不俗表现,其性能明显优于改进型非劣分层遗传算法。其次,通过对BP神经网络的关键技术及其算法的研究,针对BP神经网络的限制与不足进行分析,提出一种改进技术。最后,将改进后的遗传算法与BP神经网络融合,提出基于遗传算法的BP神经网络融合算法。利用基于遗传算法的BP神经网络对多目标优化问题进行求解,充分发挥遗传算法的全局搜索能力和BP算法的局部搜索能力,加快收敛速度,提高收敛精度。将其应用于多目标车间作业动态调度实例中,也取得较好的效果。