进化算法是一种模拟自然界生物进化过程的启发式搜索算法。近年来,利用进化算法处理多目标优化问题已经成为进化计算领域的一个研究热点。为此,本论文围绕影响多目标进化算法的收敛性和最终解集的分布性的主要因素展开研究。主要研究工作包括:　　 (1)如何进行适应值分配是影响多目标进化算法收敛性的关键因素。因此,本文对多目标进化算法在发展历程中出现的各种适应值分配方案进行了总结分析,这些适应值分配方案大体分为基于Pareto支配的方法和非基于Pareto支配的方法。两类方法各有特点和优势,但也各自具有一些局限性。因此单独使用某一个适应值分配方法无法克服各自的局限性。在此基础上提出了一种混合适应值分配的多目标进化算法,将算法的搜索过程细化为两个阶段,根据不同阶段的特点分别使用不同的适应值分配方法。合理地利用了两种方法的互补性,弥补了各自的局限性。并通过实验对此方法进行了验证,结果表明了算法的有效性。　　 (2)为了提高算法最终解集的分布性,本文总结分析了当前几种广泛使用的非支配解集的更新机制。传统的修剪策略可能造成进化前沿退化,目前松弛的Pareto支配容易丢失代表性个体。通过对各个支配概念的占优区域进行分析,本文提出了一种更为合理划分占优区域的γ支配概念。对使用此支配概念更新的非支配解集的收敛性进行了证明,并通过实验验证了此更新策略获得的解集具有良好的分布性。　　 (3)电力系统调度中将气体排放量和经济成本综合考虑形成了一个多目标优化问题,即电力环境/经济调度问题。本文将混合适应值分配的多目标进化算法成功地应用于求解该问题。实验结果表明,使用进化算法求解电力系统问题具有良好的应用前景。