在现实世界中，很多问题都要涉及对多个目标进行优化。因此多目标优化也成为近30年来迅速发展起来的一门新兴学科。 本文提出了一种新的方法来进行多目标优化。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)。本文将Pareto理论引入到基本MEC中形成了该方法。 Pareto-MEC的基本思想是：(1)首先在整个解空间散布一些个体，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Pareto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。 本文分别将Pareto-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是这几种比较算法中性能最好的。实验结果表明Pareto-MEC在所有的测试太原理工大学硕士研究生学位论文函数上都超越了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;在最后一个测试问题上，该算法的结果好于SPEA的结果。此外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。实验结果从数量的角度上说明了Pareto一MEC这种算法与当前最好的算法之一SPEA相比，具有相当甚至略好的性能。 本算法是使用MEC进行多目标优化的第一次尝试，也是首次把Parcto的概念引入到MEC之中。从获得的实验结果来看，本算法与SPEA各有所长。而本算法的计算效率却比较高。而且与那些比较算法不同，该算法有自己客观的停止准则。可以看出Pareto一MEC十分适合处理多目标优化问题。