现今我们在日常生活中所遇到的问题大多是由几个相互影响甚至排斥的因素所组成,这类需要同时处理多个目标参数并达到均衡最佳状态的问题被称为多目标优化问题。随着当代智能生产技术与自动控制技术的飞速发展,该类问题普遍存在于工业、医疗、个性化推荐等方面,而如何高效准确的获取该类问题的最优解集已成为工业应用和科学研究领域中亟待解决的关键课题。自1975年遗传算法的提出到现今多种算法的衍生,进化算法已被广泛用于求解多目标优化问题。而根剧多目标进化算法自身核心思想的特点,大致可分为如下三种:一是基于非支配关系的多目标进化算法,即利用个体间的Pareto支配关系进行比较并选择出最优解集。二是基于分解思想演化而来,通常是利用传统的分解方法将所求问题进行分解,随后采用合适的优化方法获取子问题的解生成解集。最后一类是混合算法,即结合不同算法的不同优势来求解复合的优化问题。本文在现有进化算法的科研基础上,分析当下求解问题的理论思维,并针对混合算法展开研究,进行以下主要工作。一、在非支配遗传算法中使用个体累计支配策略从而提出新的算法IGNSGA,即对该个体在当前一代的Pareto排序值与其周围支配个体数进行求和,并将该排序和值记为累计排序值。个体累计排序值越大,则该个体优秀度越高。此策略相对于Pareto支配来说能够适度增加搜索压力,有助于Pareto分级排序时过滤掉同级中的较差个体,保存优秀的Pareto解,提高IGNSGA算法的收敛性与分布性。二、对于精英解和待确定候选解并存的临界等级层,引入自适应网格划分机制:对种群个体分布进行网格划分,比较网格内个体的混合距离大小,距离越小则越优。以此取替迭代过程,可以相对达到了降低计算、节约耗时、搜索速度快的效果。三、考虑到在同一网格内可能存在混合距离相等的点,针对此情况提出了权重偏好向量:即在多个同等优秀度的解中根据实际要求设定权重偏好,计算偏好混合距离,距离越大的解被选为最优解,从而更好的结合实际应用,达到最优解更加人性化的预期效果。四、提出混合算法WPA-NSGA,即在非支配遗传算法中根据Pareto支配关系选出头狼、探狼、猛狼,后利用狼群算子筛选优秀解并存入外部档案集。利用WPA自身较好的收敛性和稳定性,在一定程度上改善Pareto支配关系在面临高维MOP时由于搜索压力减弱所导致的Pareto分层排序耗时过多的缺陷,使得算法可以求解高维、复杂的优化问题。