对于处理多目标优化问题，本文着重对不同的多目标优化算法进行研究，例如传统多目标优化算法、 MOGA(Mulit-Objective Genetic Algorithm)、NSGA(Non-Dominated Sorting Genetic Algorithm)等。结果表明这些算法对处理多目标优化问题有很好的效果，但在种群多样性、算法复杂度以及算法的应用等方面还存在一定的问题。基于上述问题，本论文主要做了以下改进工作：1）详细分析由Knowles和Corne提出的PAES（Pareto Archived EvolutionStrategy）算法，并对算法进行实际的仿真实验。PAES算法以进化算法为基础，利用精英保留策略，将产生的最好的解暂且放在档案中，该档案即为最优非支配解集，并且通过网格的排挤机制对最优非支配解集进行更新，从而产生适合多目标问题的最优解。通过对算法进行分析和实验验证，结果表明该算法不仅具有良好的可行性，并且时间复杂度远低于经典的多目标优化算法NSGA。将算法首次应用于经典多目标优化问题——车间调度问题，仿真实验表明，该算法对车间调度问题积极有效。2）通过对现有多目标优化算法的研究及PAES算法的分析与实现，针对PAES算法的不足之处，提出ε-PAES算法。与Pareto支配不同的是ε支配关系比Pareto支配关系更弱，可能使原来没有支配关系的个体间确定支配关系。ε支配把目标函数空间划分为不同的网格，而且规定一个网格存一个解。在不增加时间复杂度的情况下，使得算法在解的选取过程中更具倾向性且收敛速度加快，解的分布均匀。本文进行仿真验证，结果证明了算法的数学可行性，并对多目标问题的车间调度问题达到很好的解决效果。