在现实世界中，大多数优化问题都要涉及多个目标。多目标优化是近30年来迅速发展起来的一门新兴学科。多年来许多研究者的工作就是寻找一些重要技术来处理多目标优化问题。 进化算法(Evolutionary Algorithm：EA)作为优化算法来解决复杂的多目标优化问题具有一定的优势。Schaffer在二十世纪80年代中期提出了VEGA，它是使用进化算法来解决多目标优化问题的第一次实现。现在的进化多目标算法大致可以被分为三类：(1)聚合法：这种方法是将多个目标聚合成一个目标函数来进行优化。它虽然简单且容易执行，但是当我们对问题了解较少时，就很难为各个目标产生合适的权值。(2)基于群体的非Pareto法，如VEGA；(3)基于Pareto的方法，如SPEA(Strength Pareto Evolutionary Algorithms)，它是最好的进化多目标优化算法之一。 根据对GA存在问题的思考以及对人类思维进步的分析，模仿人类社会中存在的趋同和异化现象，孙承意教授于1998年8月提出了思维进化计算(MEC)。经过几年来的理论和实验研究，目前思维进化计算在理论上已经有了很大的发展，同时也广泛应用于一些实际问题，所有这些工作已经为MEC建立了一个初步完整的体系。 本文提出两种多目标优化算法：Pareto-MEC和SP-MEC。它们都是将Pareto理论引入到基本MEC中来解决多目标优化问题的。 Pareto-MEC的基本思想是：(1)首先在整个解空间散布一太原理工大学硕士研究生学位论文些个体，选择最好的一些个体作为子群体的初始中心。(2)每个子群体从这些初始中心出发，每个子群体仅搜索一个局部区域并逐渐向Paret。前沿漂移。(3)在漂移的过程中，算法调整各子群体的搜索范围和方向。上述的(1)和(3)称为异化操作，(2)称为趋同操作。 SP一MEC的基本思想是:(l)首先在整个解空间散布一些个体，根据它们的得分选择一些最好个体作为子群体的初始中心，该得分反映个体间的统治关系和密度信息。(2)每个子群体从这些初始中心出发，仅搜索一个局部区域来逐渐地向Paret。前沿漂移。(3)在漂移的过程中，算法会调整各子群体的搜索范围和前进方向。上述(1)和(3)称为异化操作，(2)称为趋同操作。 分别将Pareto一MEC和SP一MEC与Rand，VEGA，NSGA和SPEA这四种算法进行了比较实验。并且在凸的，非凸的，离散的及分布不均匀的测试问题上进行了测试，其中SPEA是这些比较算法中性能较好的。实验结果表明Pareto一MEC和SP一MEC在所有的测试函数上都超越了Rand，VEGA和NSGA这三种算法:在第三个测试问题上，Pareto一MEC与SPEA具有同样优越的性能，SP一MEC略好于SPEA;在最后一个测试问题上，两种算法的结果都好于SPEA的结果。其它算法预先给定了迭代次数，而这里提出的两种算法可以有客观的停止准则，这样即保证了解的质量又提高了计算效率。 在凸的及分布不均匀的这两个测试函数上，我们还使用了两个度量标准Cover和Spacing对算法进行定量的评价。实验结果从数学的角度上说明了Pareto一MEC和SP一MEC这两种算法与当前最好的算法SPEA相比，具有更好的性能。