多目标优化问题（Multi-objective optimization problems,MOP）是指需要同时对不止一个目标进行优化求解的问题,这些目标之间是相互矛盾的,在对其中一个目标优化的同时会导致其他的目标劣化,该类问题的求解是需要找到一组能够使各个多目标之间优化性能均衡的解。机组组合优化问题作为一种典型的多目标优化问题,其研究具有很大的经济效益与环保效益,遗传算法在解决机组组合优化问题时有较大优势,而带精英策略的非支配排序遗传算法（Elitist Non-donminated Sorting Genetic Algorithm,NSGA-II）作为遗传算法的衍生算法在求解多目标优化问题时具有更高的求解效率,但也存在着容易陷入局部最优、搜索能力较弱等缺点,针对这些问题,本文对此做了研究与改进并应用到机组组合优化问题中。本文对传统的NSGA-II的交叉算子与变异算子进行改进。引入正态分布交叉算子与自适应调整变异算子来替代原有的模拟二进制交叉算子与多项式变异算子,增强了算法的空间搜索能力,加快了收敛速度并保证了种群的多样性。针对传统的NSGA-II局部搜索能力较弱的问题,本文使用了一种将模拟退火法引入到NSGA-II的方法,通过对进化过程中每一代种群中的个体进行退火搜索,提高了算法的局部搜索能力,加快了收敛速度。将改进的算法应用到机组组合优化问题中,针对传统机组组合问题只考虑经济效益而忽略环保效益的问题,本文提出了一种含CO₂与SO₂排放量的目标函数。针对传统NSGA-II无法解决含混合整数变量及时间耦合特性的多目标机组组合问题,本文使用了一种基于NSGA-II的分步优化的策略,最后使用偏小型模糊满意度函数来选择出最优折中解。通过改进的NSGA-II与传统的NSGA-II实验结果进行对比,结果表明,本文提出的改进算法具有更好的收敛性与分布性,应用到机组组合问题中可以有效地降低煤耗量与污染气体排放量,具有更好的经济效益与环境效益。