多目标优化问题在社会经济、管理、军事和人文等领域应用的非常广泛。传统的多目标优化方法,有一定局限性,往往只能搜索到部分局部最优的Pareto前沿(Pareto Front),而很难得到充分、均匀的全局Pareto最优解。建立在生物智能或物理现象基础上的群体智能优化算法,搜索最优解的速度快、具有普适的鲁棒性,正成为解决多目标优化的前沿研究课题。遗传算法和蚁群算法是研究的比较成熟、应用比较广泛的智能优化算法。遗传算法具有大范围全局搜索的能力,与问题的领域无关,其搜索从群体出发,具有潜在的并行性、可进行多值比较、鲁棒性强等特点。蚁群算法能够智能搜索、全局优化,而且具有鲁棒性、正反馈、分布式计算、易与其它算法结合等特点。考虑到遗传算法具有快速性、随机性、全局收敛性等优点,但也具有冗余迭代多、早熟、对参数比较敏感的缺点;而蚁群算法具有并行性、正反馈机制以及求解效率高等特性,但其全局搜索能力较差,容易陷入局部解。因此本文将遗传算法与蚁群算法融合,提出多目标蚁群遗传算法,用于解决带约束条件多目标最优化问题。该算法结合蚁群算法的信息反馈更新机制,把信息量应用于指导多目标遗传算法的搜索选择,改善非劣排序的计算效率,在保证求解精度的同时降低计算复杂性。本算法先将解空间分解成多个子空间,再用信息素标定这些子空间,信息素对遗传搜索进行指导,在搜索中更新信息素,同时采用了最优决策集的更新策略和搜索收敛退出机制,从而提高求解效率,降低算法复杂度。实验证明,与以往算法相比,此算法能更快更精确地逼近Pareto前沿。在多目标遗传算法的应用方面,本文解析了区域水资源优化配置模型,并基于该算法提出了一个合理的解决方案,应用于实际问题获得了满意的效果。