约束优化问题(Constrained Optimization Problems，COPs)是科学和工程应用领域经常会遇到的一类数学规划问题，因而对其研究具有十分重要的理论和实际意义。进化算法(Evolutionary Algorithms，EAs)是一种模拟自然进化过程的全局优化方法。近年来进化算法已被广泛地应用于求解约束优化问题，并提出了大量的约束优化进化算法(Constra-ined Optimization Evolutionary Algorithms，COEAs)。 本文首先介绍了进化计算的起源、发展及其三个主要分支(即遗传算法、进化规划和进化策略)。接着描述了约束优化问题和多目标优化问题，并对约束优化进化算法的国内外研究现状进行了回顾。 然后在第四章和第五章提出了两种约束优化进化算法，它们都基于多目标优化技术。 第一种算法首先阐述了一个重要的结论，即在约束优化中，非劣个体代表了群体中最主要的信息。接着提出了非劣个体替换准则，并将其与三个基于群体的算法发生器进行了结合。为了有效利用不可行解，该算法提出了一种不可行解存档和替换机制。此外，通过克服两种极端的情况，该算法可以直接处理等式约束条件。对13个标准测试函数的测试结果表明，该算法在优化性能上显著优于其它算法。 第二种算法将多目标优化技术与全局和局部搜索模型有机地结合起来，提出了一种混合约束优化进化算法MCOEA。该算法中，全局搜索模型为一种基于联赛选择的小生态遗传算法。此外，该算法采用一个并行的局部搜索操作对群体实施聚类分割和多父体交叉产生子代群体。对13个标准测试函数的测试结果表明，该算法在鲁棒性、优化效率等方面显著优于其它约束优化进化算法。 本文最后在“结束语”中，提出了约束优化进化算法中值得进一步研究的问题。