当优化问题的最优操作条件确定以后,设计变量会由于各种问题而遭受扰动或变化。如果全局最优解对它邻近的各种扰动非常敏感,则其实际的目标值可能会跟理论最优解产生很大偏差,使生产装置不能满意地运行工作。因此,对于实际应用方面,不能仅以获取全局最优解为最终目标,找到对邻近扰动有一定不敏感性的鲁棒最优解具有更大的实际意义。本文将在搜索多目标优化问题的最优解的基础上,把鲁棒度的概念与非劣前沿分类遗传算法NSGA-Ⅱ相结合,提出一种能得到有效鲁棒最优解的方法。首先,本文为进一步刻画扰动下获得不同敏感程度的鲁棒最优解,以满足不同的需要,对鲁棒度作了更精确的定义。解的邻域样本除了要满足对应目标函数空间归一化后的外限约束条件之外,还需满足新增设定的内层约束条件,从样本目标值分布的角度利用更为严格的鲁棒度判定标准来提高鲁棒最优解的抗敏感程度；其次根据解各自的鲁棒度,通过计算对应邻域内样本的平均目标函数值来作为适应度值参与进化；在进化的选择机制中除了要考虑个体的非劣等级和聚集距离外,还加入了鲁棒度作为考虑因素之一,从宏观的角度提升了对最优解鲁棒程度的要求。最后,对不同测试函数作了大量仿真实验,并分析了各鲁棒参数对搜索结果的影响,另外还结合Deb等人提出的鲁棒最优解的搜索方法进行了效果比对。仿真结果表明该方法能得到具有较好鲁棒性的最优解,并能给出不同级别鲁棒度的解的分布。