科学与工程实践中的许多优化问题都可归结为多目标优化问题，这些目标通常相互竞争或相互冲突且无法直接比较优劣。而目前已有的多目标优化算法存在局部收敛、种群多样性差、时间复杂度高和对参数敏感等问题。因此，研究一种更高效的多目标优化算法非常具有科研价值和实际意义。　　 人工免疫系统(AIS)是模仿生物免疫系统功能的一种智能方法，具有较强的识别、学习、记忆和自适应能力。量子进化算法(QEA)是一种以量子计算理论为基础的概率搜索算法，具有较好的群体多样性、全局寻优能力、群体规模较小但不影响算法的性能等优点。　　 本文在分析多目标进化算法、人工免疫系统和量子进化算法的优缺点的基础上，基于混沌搜索的遍历性、量子计算的高效性和人工免疫系统中的抗体克隆选择学说，提出了两种用于求解多目标优化问题的量子克隆算法和量子克隆多目标进化算法的理论框架。本文的主要研究内容概括如下：　　 (1) 提出了一种新颖的多目标优化算法——混沌量子克隆多目标进化算法。该算法引入新的量子编码方法，并设计了相应的混沌量子旋转门变异算子提高算法的收敛性；　　 对优势抗体进行比例克隆；采用拥挤距离保持种群的多样性和分布性。对算法的性能和复杂度进行了分析。理论分析和数值仿真证明了该算法的有效性。　　 (2) 提出了一种基于非均匀变异的量子克隆多目标进化算法。该算法将非均匀变异与混沌量子旋转门变异结合，设计了一种新的量子旋转门变异——非均匀混沌量子旋转门变异。同时采用动态混沌参量加快了算法的收敛速度，提高了算法的收敛性。对其性能进行了分析，理论分析和实验结果表明，该算法具有较好的收敛性和较快的收敛速度，最优解在Pareto-前端上均匀性较好、分布比较宽广。