在工程、生产、科研等各个领域中存在大量的优化问题,其中存在着一类需要同时优化多个目标的优化问题,简称多目标优化问题。在这类多目标优化问题中每个目标往往都具有非线性、不可微的特性,并且这些目标之间相互牵制。因此传统解决单目标优化问题的方法已不再适用于处理多目标优化问题。目前处理这类问题使用最多的方法是多目标进化算法。它在每次优化中得到的不再是某个单一的最优解,而是一组权衡各个目标信息折中的解的集合(在目标空间称为Pareto前沿)。多目标进化算法是基于自然界中生物进化理论而提出的,算法中主要包括选择、交叉、变异三大步骤。近年来,学者们基于这三个步骤,探究了很多相关算法。本文首先对交叉操作中的传统重组算子(Simulated Binary Crossover,SBX;Differential Evolution,DE)进行了分析,然后利用数理统计知识将重组算子模型化,改变了传统重组算子一直被人质疑缺乏数学理论基础的看法。该方法主要是利用分析出来的搜索模式,使用数理统计中采样点的方式重新构建重组算子的搜索模式,最后再利用构建的搜索模型产生子代。这样模型化的重组算子不仅能保证重组算子原本的搜索特性,而且能增加重组算子的多样性,让重组算子的适用范围更加广泛。接着本文介绍基于概率模型的高斯重组算子并总结当前使用高斯重组算子的研究方法,提出了一种自适应使用高斯重组算子的进化算法。该算法避免了只使用一种(0,1)分布的高斯模型,同时为了保证个体信息不丢失,迭代过程中我们使用MOEA/D框架中邻居内所有个体完成建模。最后本文利用多目标算法的思想去解决现实生活中基因网络(如:protein-protein interaction network,简称PPI)比对的实际问题。首先是从PPI网络建模出两个优化的目标(生物相似性和结构相似性),之后提出一种基于多目标算法中分解思想的MOEA/D-Net算法。该算法首次将多目标算法中的分解思想融入其中,并提出在初始化阶段调整边和节点比对关系的方式,来得到多样性较强的初始种群;然后在交叉阶段,通过类似贪婪算法的方式去调整节点与其对应领域内节点比对关系,使得每个子问题对应的解向着权重向量方向收敛,得到收敛性和多样性都较强的候选解集。