多目标优化的目的是获得一组在各个目标上折衷的Pareto最优解集,它们在目标域上被称为Pareto前沿(PF)。衡量这组解集的性能主要依靠度量指标,包括收敛性和多样性两个方面。收敛性指解集趋近于真实帕里托前沿的程度;多样性指所得解集在整个真实帕里托前沿上均匀分布的程度。本文围绕多目标优化中的性能度量指标开展研究,主要研究包括如下两部分:第一,从衡量性能的不同角度对当前领域内的性能度量指标进行总结归纳并分析它们的优缺点后,本文提出了一种基于网格化反向迭代距离的超过目标优化度量指标(Grid-IGD)。GridIGD的核心是在目标空间中建立网格系统,利用网格等距均匀划分的特点近似出一组近似参考点集来代替真实PF,克服了当前主流性能指标不能度量高维PF、需要真实PF等不足。实验部分通过人工生成以及真实问题的PFs,验证了Grid-IGD的准确性和有效性。第二,为更好地在超多目标空间保持种群的多样性和收敛性,本文进一步提出了一种基于Grid-IGD度量指标的超多目标进化算法(GI-NSGA-Ⅱ),将衡量种群多样性和收敛性的综合度量指标Grid-IGD作为选择标准参与算法选解过程来增强算法的多样性保持。为了加快算法的收敛速度,将在超多目标下失效的Pareto支配关系替换为格子支配关系。实验证明GI-NSGA-Ⅱ在主流的超多目标优化基准测试问题集上与主流算法相比有更好的表现。另外,我们将该算法应用于水资源调度工程问题,实验进一步证明GI-NSGA-Ⅱ在超多目标优化问题上具有良好的性能。