多目标优化已经被成功应用于实际生活的许多领域中,其中作为启发式搜索算法的进化算法经常被研究者用来处理多目标优化问题。现实世界中所处理的多目标优化问题通常涉及噪声,噪声可能以不同的分布出现在随机模型、目标函数或决策变量上,噪声的存在对于求解多目标优化问题有一定的影响。如果适应度函数中掺杂噪声,在函数评价时,目标函数值相对于真实值会变大或变小。噪声的出现使得函数值带有欺骗性,进入到下一代的个体不能被准确选择。本文提出了三种基于混合选择机制的噪声进化多目标优化算法,这三种算法都是基于两种选择方式进行展开的,这两种选择方式分别是非支配排序和概率排序。本文的具体工作安排如下:1.提出了一种基于混合选择正则模型噪声进化多目标优化算法。该算法中建立正则模型的解是来源于分别使用非支配排序方式和概率排序方式选择出的解集合的并集。本文中使用这两种方式选解的个数是由当代种群中参与交叉的个体来源于非支配排序方式还是概率排序方式的数目决定,并且算法的第一代需要预先将这两个数目初始化。最后,该算法在建立好的正则模型上得到采样种群,采样种群进入到算法的进化过程中。为了验证该算法的效果,我们通过与其他四个算法相比,表明了该算法对于处理噪声环境下的多目标优化问题具有一定的优势。2.提出了一种基于改进的正则模型的噪声进化多目标优化算法。该算法与第一个工作的不同是只用概率排序的解建立正则模型并得到采样解,非支配方式得到的解不用于建模,而是直接让非支配方式得到的解与采样解组合成新种群。这样非支配方式得到的解会在算法进化过程中提高算法的多样性,同时可以辅助算法的进化方向尽可能向最优化靠近。实验结果也证明了该算法比第一个工作的算法具有很大的进步,特别是对于部分多峰问题抗噪性能的提高。3.提出了一种基于混合双模型的噪声进化多目标优化算法。该算法与第二个工作的不同是在非支配方式得到解之后,利用这些解建立高斯模型并在高斯模型上采样得到采样解,而概率排序得到的解用来建立正则模型并在正则模型上采样得到采样解。两部分采样解组合为新种群。该算法与第一个算法和第二个算法相比具有一定的优势。