由于多目标遗传算法能够通过一次运行找到一组多目标优化问题的Pareto折衷解,所以受到了国内外众多研究者的广泛关注。一个多目标遗传算法的优劣主要看三个指标:解集收敛程度,解集分布度以及时间消耗。其中良好的解集分布度能够让决策者们从解集中选择最适合问题的解。对于如何保持解集的分布度,相关人士作了大量的研究工作,并提出了多种分布度保持策略。其中,最有代表性的是:基于适应度共享的策略,它很依赖参数的设定;基于拥挤距离的策略,它在高维问题上的解集分布度不理想;基于第k小距离的策略,它的时间复杂度很高;基于网格的策略,它的参数很难确定。在对现有的分布度保持策略的研究的基础上,本文提出了一种基于极坐标的解集分布度保持策略。它不需要设定任何参数,且时间复杂度低于O ( N 2)。为了达到使解多样化的目的,该策略通过均匀划分极角,将解的搜索空间分成若干区域,使解分布在尽量多的区域当中,且让解恰好处于每个区域的中心位置附近。在此基础上,本文进一步提出了一种新的多目标遗传算法:PCGA2。它采用了擂台法则来构造非支配集,并融合了极坐标的思想来维持解集分布度。为了测试PCGA2的性能,本文将PCGA2同NSGA2,PESA2以及SPEA2进行了实验比较,实验表明PCGA2在解集分布度和CPU时间两方面能够取得较好的结果,且其解集在基于极角的分布上具有非常好的分布度。