进化算法现如今成为随机搜索算法中的强有力科研工具,在于其具有并行运算的优势、迭代寻优收敛性良好的属性以及其不需要特别复杂的先验知识背景就能解决大量的多目标问题的特点。首先,进化算法能够收敛到当前可行域内的最优解或类最优化解本质在于种群个体的筛选保留机制,而这种机制的判断来源于评判种群个体的适应度数值函数。整个存活种群的个体都是依照算法设定的适应度数值函数进行相应的个体筛选删除操作而得到的。然而,当随机噪声这一不确定因素添加进进化算法的内部里,进化算法中对于种群个体筛选保留机制将会受到严重的影响,这种现象的发生将会导致进化算法性能发生十分恶劣的变化:种群个体间的Pareto支配关系发生紊乱,种群间充斥着大量的非支配解使得决策者对可行解的选择造成困扰,甚至使得进化算法将无法搜索可行域内存在的最优解。经过分析该现象的本质,不难发现,问题的根源在于随机噪声的添加使得进化算法机制内的评判个体适应度数值函数附加上了噪声函数随机赋予的一定大小的数值,使得算法在筛选评判个体适应度的时候容易发生误判,正因为这种误判会造成优良个体的流失进而使得算法无法搜寻到可行域内存在的最优解。针对这种现象的存在,本文的工作分为以下三个方面:1、噪声环境下的进化多目标算法性能肯定是会受到影响,那么这种影响程度是否使得进化多目标算法的性能依旧能够采用无噪声环境进化算法中代表性评价参数进行评价。本文将世代距离,空间评价和超体积这三个具有代表性的评价指标进行了相应的噪声环境下进化算法性能评价,结果发现噪声环境下非支配种群的世代距离、空间评价和超体积指标与实际非支配种群个体数量和分布情况不相符,这说明这些指标并不能有效反映噪声环境下进化多目标算法的性能。2、本文针对噪声下进化多目标性能评价指标失效的这一现象提出了一种新的评价指标,给出该新指标对应的操作流程以及对该新指标进行相应测试函数的检测与验证新指标的准确性。通过实验数据及结果分析,说明本文提出的新指标确实有效的能够评价噪声环境下进化多目标算法性能,并能通过该新指标看出不同噪声水平对进化多目标算法的性能的影响程度强弱。3、在噪声环境下的多目标进化算法是无法达到预期的收敛效果,因而,本文提出一种改善的支配关系应用于当前经典的多目标进化算法,得出这种改善支配关系确实在一定程度上有着改善噪声环境下种群个体间的紊乱支配关系的效果。