多目标优化是优化问题的主要研究领域之一,现实中的优化问题大多具备多目标的特征,并且这些目标往往是相互冲突的。不同于单目标优化问题有唯一的最优解,多目标优化问题的最优解为一组折中解集,即Pareto最优解集。进化算法是一类模拟生物自然选择与自然进化的随机搜索算法,以其擅长于求解高度复杂的非线性问题而得到了广泛的应用,并且由于一次运行可以得到一组非支配解集,从而非常适合于求解多目标优化问题。近年来,研究者们针对不同的应用问题,提出了自己的多目标进化算法,比较有代表性算法有:NSGA-II,SPEA-II,PESA-II等。然而,由于这些算法都使用了精英求解方法,这决定了对于一些大型的复杂多极值问题,即便是基于全局搜索的进化算法也往往限于局部最优。并且,传统的多目标进化算法易受随机干扰的影响。本文针对目前多目标进化算法易陷于局部收敛和易受随机干扰的缺点展开研究工作,主要工作包括以下两方面:第一,提出一种基于局部收敛估计的多目标进化算法。由于在算法运时判断其是否已经陷入局部收敛极其困难,针对此问题提出了一种局部收敛估计的方法,当达到一个相对较弱的条件,我们认为该算法有一定概率已经陷入了局部收敛。我们可以在一定概率下对有可能陷入局部收敛的算法进行处理,使其避免陷入局部收敛。第二,提出了一种基于二元差异的交叉算子,并采用了自适用的交叉和变异概率。交叉算子是多目标进化算法中很重要的操作算子,对于交叉算子的改进在很大程度上可以改进多目标进化算法的收敛性。目前在实数编码的多目标进化算法中,最常用的交叉算子为Deb等人提出的模拟二进制交叉(SBX),针对其全局搜索能力较弱的缺点,提出了二元差异交叉算子。与SBX相比,二元交叉算子大大提高了全局搜索能力,但局部搜索能力较之要弱。因此通过自适应的交叉和变异算子,在算法运行末期,提高其局部收敛能力。实验结果表明了采用该算子与采用sbx相比,能在很大程度上改进算法的收敛性。