在科学研究和工程设计过程中，很多具体问题都可以归纳为参数优化问题，而现实当中，这些优化问题往往有多个设计目标，这些目标互相矛盾，彼此制约，一个目标的性能优化往往会导致其它至少一个目标的性能退化，即多个目标很难同时达到最优。因此，多目标优化算法的研究成为当今科学和工程设计当中的一个热点研究方向。进化算法是一种受自然界生物和系统的启发而发展起来的启发式搜索和优化算法的总称，用进化算法求解多目标优化问题得到了广泛的应用。做为进化算法的重要组成部分，差分进化算法是一类容易理解、结构简单、可调参数少、鲁棒性强的智能优化方法。本文旨在基于差分进化算法对多目标优化问题的求解展开研究，主要的创新性工作概括如下:　　 (1)利用差分进化算法对多目标优化问题的求解进行了研究，提出了一种差分克隆免疫多目标优化算法。该方法以差分进化算法为基础，对种群初始化过程，差分变异过程以及差分选择过程进行改进，提高算法的有效性。在种群初始化过程中采用一种对称拉丁超立方设计方法，能在初始阶段使得种群有比较高的种群分散性。在差分变异操作过程中，首先定义了一种个体之间的邻域拓扑结构，然后根据这种拓扑结构，提出一种结合了邻域变异策略和全局变异策略的混合变异算子，提高算法的探索和开发能力。采用基于拥挤度距离的比例克隆操作，增加了算法的收敛速度，同时也提高了近似最优边界的分布性。仿真实验结果表明，该算法在5个测试函数上相比其它两种多目标算法具有优势。　　 (2)针对常规多目标差分进化算法中使用单一的选择算子容易使得算法陷入局部最优的问题，提出了一种基于多种群策略的多目标差分进化算法(DEHC)。在DEHC中，主种群被分为三个不同的子种群，每一个子种群对应一种选择策略，这样可以结合每一种选择策略的优点。同时在传统差分进化算法基础上增加了一个额外的外部存档集合用于保存当前的最优解，并采用一种循环拥挤度评价机制维持该种群的规模。此外，该存档集合中的最优解也是算法结束时最终输出结果。另外，在差分变异过程中，增加了一个变异策略候选集合，即将常用随机变异策略和基于最优解的变异策略加入到这个变异策略集合中，在个体执行变异操作时，从这个策略候选集合中选择一种策略参与变异操作。增加了算法的探索和开发能力。实验仿真结果证实了多种群策略的有效性。　　 (3)在利用进化算法求解约束问题的时候，如何提高搜索效率以及有效地处理约束条件是一个关键问题，为此提出了一种基于混合差分进化算法和alpha约束支配处理技术的约束多目标优化方法(HDE-αCD)。该方法在基本差分进化算法中引入了动态单纯形交叉算子，这种混合算子在初期有较高的探索能力，而后期具有较好的开发能力。针对约束问题，引入模糊控制领域中隶属度的概念，将个体可行的程度转化为一种隶属度的关系，即个体越靠近可行域，它隶属于可行解的概率就越大。同时根据水平截集和多目标进化算法中的支配关系，提出了一种alpha约束支配关系，重新定义了约束多目标优化中的支配关系。实验结果证实了HDE-αCD算法的有效性。　　 (4)针对差分进化算法中参数设置问题，提出了一种用自适应差分进化算法和epsilon约束支配处理方法的优化算法(SADE-εCD)，解决了针对不同优化问题需要设置合理控制参数以及如何合理高效利用不可行解携带的有效信息的问题。在SADE-εCD中，差分变异策略以及对应的变异交叉控制参数在算法进化过程中根据搜索优秀个体解的有用信息自适应的调整。此外，将多目标中的支配技术引入到epsilon约束方法中，提出了epsilon约束支配原则。根据这个原则，第一次提出了个体伪可行的概念，这样的话，可以将主群体中的个体分为伪可行部分和伪不可行部分。SADE-εCD认为将伪可行个当成是可行个体对待，大大的提高了种群的分布性，也充分利用了一些不可行解携带的有用信息。将SADE-εCD算法和两个有名的多目标进化算法在求解14个约束测试函数时进行比较，实验结果表明，SADE-εCD中的自适应策略和epsilon约束支配原则在处理约束多目标优化问题时是有效的，具有一定的优势。此外，在求解4个工程设计问题的结果表明SADE-εCD在解决实际问题的可行性和有效性。　　 (5)针对具体的实际工程优化问题，采用自适应差分进化算法和epsilon约束支配处理方法求解对二甲苯氧化操作问题和油品调和过程配方设计问题这两个石油化工领域优化问题。相对单目标优化，多目标优化方法能为工程设计人员等决策者提供一组分布均匀的Pareto最优解集，方便决策者根据当前境况等偏好信息从中选择一组解用于指导实际工业设计。实验结果表明，该方法在解决具体工程优化设计问题也具有很大的潜力。