目前,多目标优化方法主要是基于Pareto机制的优化方法,其核心是获取Pareto前沿,若不能获取Pareto前沿,则尽可能多地获取靠近Pareto前沿的非劣解集,此为目标折衷过程。接下来,需要通过待解决问题的要求或者根据决策者的偏好,提取最终的决策信息,然后从非劣解集中确定一个解作为优化问题最终的“最优解”,此为决策过程。本文主要从目标求解的角度出发,研究了一种多目标优化的智能进化算法——和声搜索算法。和声搜索算法的突出优点是算法简单易实现,且易与其他算法和机制相结合。但和声搜索算法也存在“早熟”收敛、进化后期收敛速度较慢等缺点,尤其是对于复杂的优化问题。本文首先对和声搜索算法进行了改进,引入混沌机制优化初始解,提高解集质量,并对控制参数进行了自适应调整,使其更加适合搜索在不同阶段对参数的要求,提高了算法性能。在此基础上将其与多目标理论框架中的非支配排序思想相结合,提出了基于混沌自适应的多目标和声搜索算法(MOCAHS)。仿真研究,选择7个标准测试函数来评价算法性能,验证了 MOCAHS算法的优异性能。虽然分析并验证了 MOCAHS算法的性能,但MOCAHS算法作为单策略群智能算法的一种,仍然具有所有单策略群智能算法的弱点,即无法在同一阶段同时关注于算法的局部探索能力和全局开发能力,使二者获得有效的平衡,而且,目标数目越多,此问题也越严重。为此,本文提出了基于协同进化的多种群多目标和声搜索算法MOMPHS,该算法引入了协同进化机制,设计了三个具有不同进化策略的种群,使其分别具有全局开发能力、局部探索能力和均衡能力的特性,三个种群互相交流信息,互相配合,共同进化找到Pareto前沿。最后通过仿真实验,将MOCAHS和MOMPHS算法与其他经典进化算法相对比,证明本文所提出的算法在处理多目标优化问题上表现突出,达到了预期的效果。