随着人类社会的发展,现实世界中的诸多决策问题趋于复杂化,以单个目标所构建的数学模型常常不足以描述问题的全部特征,因此实际问题的数学模型常常含有多个求解目标,即多目标优化问题。研究多目标函数的优化问题,具有很好的应用价值和重要的学术意义。在多目标优化的问题求解中,由于各个目标是互相冲突的,不存在所谓的最优解,使得所有的子目标同时达到最优,一个目标的最优往往会使其他目标的最优程度下降。多目标问题的解不是一个,而是一组解集,如何得到与理想解集充分逼近、分布均匀且范围宽广的解集是解决多目标问题的关键。进化算法在求解多目标问题上有着传统方法所不具有的优点,如何求解多目标优化问题已成为进化算法领域的一个研究热点。通过广泛阅读国内外的相关文献,在认真学习多目标优化理论、进化算法理论的基础上,改进程序中的进化算子,设计了基于归一化的快速进化算法(Normalized Fast Evolutionary Algorithm, NFEA),并在典型的高维单目标与多目标函数上进行验证,充分说明了改进算法的快速有效性,文章的主要内容安排如下：首先,介绍了多目标优化问题的相关概念以及求解多目标问题的传统方法,并进一步分析了多目标进化算法的国内外研究现状。同时,给出了多目标进化算法的基本概念,分析了算法的设计目标与要点。其次,设计了新的个体比较方法、进化算子,提出了基于归一化的快速进化算法。通过设置初始解集,包括可行解与不可行解两部分,算法能够尽可能地搜索整个解空间；通过归一化各个目标的函数值,形成了一种新的多目标个体比较方法；设计具有自适应性的变异算子,算法在前期可以实现快速收敛,选择算子采取精英保留策略,能够保证算法后期的最优解保持力：并对进化过程中可能出现的退化子代进行修正,使算法始终向着最优解逼近,可以有效防止个体的重复搜索,提高了算法的寻优效率。对典型的高维单目标与多目标测试函数的仿真,结果表明,NFEA不仅提高了算法的全局搜索能力,加快了收敛速度,而且也改善了求解的质量。最后,对论文的主要研究工作进行总结,并对今后的研究方向进行了展望。