进化算法的出现为复杂优化问题的求解提供了新的思路，由于它具有智能性、通用性、稳健性、本质并行性和全局搜索能力，已在各个领域得到了广泛的成功应用。进化多目标优化研究如何利用进化计算方法求解多目标优化问题，经过20多年的发展逐渐成为进化计算的主要研究热点之一。1999年以前的进化多目标优化算法以基于Pareto等级的选择和基于适应度共享的多样性保持为主要特点。从二十世纪末期开始，进化多目标优化的研究趋势转向注重算法的效率，以精英保留机制为特征的算法相继被提出。近几年，进化多目标优化前沿领域的研究呈现出新的特点。一方面，粒子群优化、人工免疫系统、分布估计算法等越来越多的进化范例被引入多目标优化领域，一些新颖的受自然系统启发的多目标优化算法相继提出；另一方面，为了更有效的求解高维目标优化问题，一些区别于传统Pareto占优的机制也相继涌现。　　 多目标问题解的分布主要体现在两个方面，即分布的广度和均匀程度。本文在分析了传统多目标进化算法保持解分布方式的基础之上，提出了一种基于自适应划分(Adaptive Partition，简称ADP)的非支配个体选取策略。新策略根据非支配个体在目标空间的相似性程度对由当前非支配个体构成的前沿面进行自适应划分，在划分出的各区域选择最具代表性的个体，实现对非支配个体的修剪操作。　　 本文将此策略应用于两类典型的多目标进化算法NSGA-Ⅱ及PESA-Ⅱ中，基于13个标准测试问题的仿真结果表明，引入了自适应划分策略的算法较之原算法，最终求得最优解的均匀性和广度都得到了很好的提升。随后，基于生物免疫学中的抗体克隆选择机理，通过引入自适应划分的非支配个性选择策略，本文构造了一种新型的免疫算法，该算法弥补了传统的非支配个体选择方式的多样性不足的缺陷，充分利用了抗体的结构信息，很大程度上提升了估计Pareto解的多样性。　　 最后，本文将自适应划分选择策略用于解决工程实践问题。通过处理多目标组播路由问题，验证了自适应划分选择克隆算法相比于其他算法具有更好解决工程问题的能力。