多目标优化问题大量的存在于现实生活中,并且也是工程领域和科学领域研究的热点。多目标优化问题由于考虑的优化目标不是单一的,与一个目标函数的优化具有很多不同的地方。在多目标优化中有可能优化目标一致,也可能优化目标相互冲突。对多目标优化问题的求解,有很多传统的常规多目标优化方法如目标加权法、层次优先法、目标规划法、约束法、最大-最小法等。这些算法虽然取得了一定程度上的成功应用,但是这些算法存在很多缺陷,不适合大规模的多目标优化问题的求解。遗传算法作为一种智能算法,起源于20世纪60年代,随后在众多学者的研究下取得了快速的发展。遗传算法作为一种概率算法,具有很多特点,如并行性、通用性、全局优化性、稳健性和简单性。这些特点使遗传算法在解决多目标优化问题上比传统方法有很多优势。遗传算法是模拟生物的遗传,变异,适者生存的进化模型,通过个体的选择,交叉和变异,不断进化,最后得到最优的个体。多目标的遗传算法得到了大量的研究和应用,取得了较多的成果。针对遗传算法的缺陷,很多改进方法仍在不断提出,这些研究促进了遗传算法的发展。混沌是一种存在于非线性系统中的较为普遍的现象。混沌具有很多特性,如非周期性,随机性,遍历性,对初值的敏感性,分形性等特点。这些特点使混沌可以用于函数优化领域。而混沌优化算法的研究也是混沌学研究的一个重要分支和混沌学应用一个重要课题。混沌优化算法目前也得到了广泛研究和应用,取得了不少成果。混沌优化算法的研究和应用也将推动和促进混沌学的研究和发展。本文研究了遗传算法和混沌优化算法各自的优缺点,并研究了混合型遗传算法的框架和遗传算法与混沌优化算法的融合方式。利用遗传算法具有全局优化性的特点和混沌优化算法很强的局部搜索能力特点,提出了一种将遗传算法和混沌优化算法结合的多目标混沌遗传算法(MOGA-CLS)。MOGA-CLS算法的主要思想是在按支配关系形成的第1、2层Pareto解上加入混沌局部搜索获得更优解；并采用基于聚集度的聚类方法保持种群和Pareto解集的多样性和分布性。文章对MOGA-CLS算法进行了有效的设计,并对算法进行了分析和实验仿真,验证了算法的有效性。