遗传算法(Genetic Algorithm)是基于进化论的原理发展起来的一种广为应用的、高效的随机搜索与优化方法。自1960年以来,人们对传统方法很难解的复杂优化问题求解的兴趣日益增加。一种模仿生物自然进化过程的、被称为“进化算法”的随机优化技术在解这类优化难题中显示出了通常优于传统优化算法的性能并且得到了很大的发展和应用。目前,这种进化算法主要包括三个领域:遗传算法、进化规划和进化策略。其中,遗传算法是迄今为止进化算法中最广为人知的算法,它在求解多目标问题中处理大问题空间的能力是传统方法无法比拟的,而且它还对函数定义域的凸性是不敏感的,这也使得遗传算法在金融数学、组合优化和工业工程等方向的单目标和多目标优化问题求解中有很好的应用。本文在广泛深入地查阅国内外文献的基础上,对遗传算法及其面向多目标求解的理论和基本方法进行了研究和实例分析,主要内容如下:1.系统、详尽的介绍了遗传算法的一般流程和基本理论、方法以及面向多目标优化问题的遗传算法的基本理论和方法。2.在传统Markowitz投资组合模型中考虑了最小交易单位、交易费用以及最大投资上限等时机因素,得到了一个改进的投资组合模型。该模型是一个非线性整数规划问题,传统算法难以求解,为此,设计了一种基于整数编码的遗传算法求解该模型。实际算例表明,所提出的算法是有效的。3.对于最小化总工期和总拖后时间的双目标流水车间调度问题,文中基于NSGA-Ⅱ算法的选择机制,设计了求解该问题的多目标遗传算法。用随机产生的问题进行数值试验,结果表明,所提出算法是有效和稳定的。