遗传算法是模拟达尔文的遗传选择和自然淘汰的生物进化过程的一种新的迭代的全局优化搜索算法,已经广泛地应用到组合优化问题求解、自适应控制、规划设计、机器学习和人工生命等领域.由于现实世界中存在的问题往往呈现为多目标属性,而且需要优化的多个目标之间又是相互冲突的,从而多目标遗传算法应运而生,它使得进化群体并行搜寻多个目标,并逐渐找到问题的最优解. 本文在广泛深入地查阅国内外文献的基础上,对遗传算法及其面向多目标优化问题的基础理论和基本方法进行了深入的理论研究和实验分析,主要内容如下: 系统、详尽地介绍了遗传算法的一般流程和基本理论、方法,以及面向多目标优化问题的遗传算法的基本理论和方法.对经典的方法进行了全面的分析和比较,指出其应用范围、不足之处,并在此基础之上提出了改进的算法. 提出了对遗传算法的改进策略,在具体问题中结合相应的特点再作相应的改进,通过TSP等算例的验证,表明算法是可行的,同时也提高了算法的效率. 介绍了多目标优化问题的基本概念和实现步骤,探讨了多种采用遗传算法的实现方法并比较了其优缺点,表明了遗传算法用来解决多目标优化问题的有效性.该文以NSGA-Ⅱ为基准,提出了改进的多目标遗传算法.针对多目标JSSP问题,比较试验结果表明算法在运行效率与保持群体多样性等方面取得了较好效果.