最短路径算法一直是优化领域研究的热点问题之一,被广泛应用于多个领域,具有重要的现实价值。传统的最短路径问题需要解决的往往是单一的目标优化,如时间、距离等。然而,现实中多数问题都是无法用单一的目标优化就可以解决的。在许多实际应用中,经常会发现这一点,单一的目标优化不足以充分表述问题。因此,现实的需要使得很有必要研究多目标最短路径问题。本文首先讨论了对最短路径问题编码,之后设计了一个多目标的混合进化算法来解决多目标最短路径问题,该算法混合了两种采样策略,即矢量评价遗传算法(VEGA)的采样策略与一种新的适应度评价函数的结合使用。VEGA的采样策略倾向于搜索Pareto前沿面边缘区域,而新的适应度评价函数倾向于挑选出Pareto前沿面中心区域的个体,两者互相取长补短,使得算法可以往Pareto前沿面均匀的搜索,最后与传统的NSGA-II以及SPEA2做了实验对比。结果显示无论在算法的收敛性还是分布性上均优于传统算法。本文最后介绍了一种多目标混合粒子群算法来解决多目标最短路径问题,由于粒子群算法较传统进化算法具有更好的全局搜索能力和更快的计算速度,且比较适合在多目标环境中寻优,故而使用它与上述的混合采样策略结合,然后与一般的多目标粒子群算法以及本文所设计的多目标的混合进化算法做了实验对比。结果显示,无论在算法的收敛性还是分布性上均优于所对比的两个算法,进一步证明了算法改进取得了良好效果。本论文设计了针对多目标最优路径问题的两种算法,一种在传统进化算法的基础上加入了混合采样策略,另一种算法是基于粒子群算法来实现的,对粒子群进行了分类,在分类的基础上,根据每一类粒子选择不同的全局最优位置和历史最优位置来进行更新。以上两种算法均与传统经典的多目标进化算法进行了对比分析,结果表明,改进后的算法均取得了良好的结果。