在科学实践中，很多问题都可以归结为优化问题。一般说来，科学实践中许多优化问题大都是多目标优化问题。多目标优化问题中存在多个目标，多个目标通常是相互冲突，相互竞争的，对其中一个目标的优化必须以其他目标为代价。多目标优化问题常难以处理，在实际中问题通常由多个相互冲突的指标组成，问题的解通常不是单个的最优解，而是一组非劣解。多目标优化问题一直是科学实践领域的一个热点和难题问题，在遗传算法应用到这一领域之前，已经产生了许多传统的方法，而这些传统的多目标优化方法存在着许多的缺陷，因而传统多目标优化方法常无法解决多目标优化问题。　　 遗传算法是模拟达尔文的自然淘汰和遗传选择生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法，是一种求解优化与搜索问题的一类自组织、自适应的人工智能技术。遗传算法是一种群体搜索方法，可以在一个进化代中获取多个Pareto优化解。遗传算法的这种特性说明遗传算法非常适合求解多目标优化问题。Rosenberg于1967年提出了用遗传的搜索算法来求解多目标优化问题，遗传算法自从1990年以来，无论是理论研究还是应用研究都成了十分热门的研究热点。遗传算法已被人们广泛地应用于信号处理、机器学习、组合优化和自适应控制等领域。遗传算法是现代有关智能计算中的关键技术之一。遗传算法的主要特点是直接对结构对象进行操作，不存在对函数连续性和求导的限定。遗传算法具有内在的隐并行性和更好的全局寻优能力，它采用概率化的寻优方法，可以自动获取和指导优化的搜索空间，自适应地调整搜索方向，而且不需要确定的规则。非支配排序遗传算法NSGA(Non-dominated Sorting Genetic Algorithm)是由Srinivas和Deb于1995年提出的，这是一种基于Pareto最优概念的遗传算法。它的优点是优化目标个数任选，非劣最优解分布均匀，并允许存在多个不同的等价解。它的缺点是计算复杂度较高，当种群较大时，计算相当耗时；没有精英策略，精英策略能加速算法的执行速度，而且也能在一定程度上确保已经找到的满意解不被丢失；需要指定共享半径。NSGA-Ⅱ是Deb等人针对NSGA的不足之处，提出的改进算法，带精英策略的非支配集排序遗传算法。通过在NSGA的基础上引入快速非支配排序策略、精英策略、和密度值估计策略，在很大程度上改善了NSGA的性能。本文研究的NSGA及其改进算法NSGA-Ⅱ是遗传算法中发展较快、优化效果较好的一种方法。　　 本文对NSGA-Ⅱ算法基本原理进行了系统学习和研究，在此基础之上，针对算法的应用研究方面，做出了大胆的尝试。在NSGA-Ⅱ算法的基础上，针对NSGA-Ⅱ在种群的多样性保持和收敛性方面的不足，介绍了一种改进的NSGA-Ⅱ算法—INSGA-Ⅱ算法。改进方法体现在两个方面：(1)在比较Pareto排序值和密度值之后，选出的解不一定是理想解，从而影响种群的多样性和收敛性。针对这一不足，本文介绍了对Pareto排序值进行改进。(2)本文通过引入一个分布函数改进原算法中的精英策略，以加强种群的收敛性。通过将这两种方法结合，以加强了种群的多样性和收敛性。　　 本文针对典型的测试函数(ZDT1、ZDT2、ZDT3、ZDT4、ZDT6)进行了计算，并将所得结果与NSGA-Ⅱ计算得到的结果进行比较。测试结果表明，与NSGA-Ⅱ相比较，改进后的算法具有更好的多样性和收敛性。本文通过对Pareto排序值进行改进，提高了算法的多样性和收敛性；通过引入分布函数，更好地加强了种群的收敛性。改进后算法的解集分布基本与Pareto Front重合。随着卫星技术的不断发展，使得由多颗卫星组成的星座的应用越来越广泛，如在通讯、导航、气象、定位、空间探测和科学实验等方面。低轨卫星移动通信系统由于其较短的传输时延、较小的传输损耗、较低的运载器成本、较高的有效载荷分辨率等优点，已经发展成为当今通信领域的主要研究方向之一。　　 卫星星座的优化设计涉及多项优化指标和特征点。卫星星座优化的目的是通过对卫星进行合理的配置以实现通信系统的性能要求。由于卫星星座优化是一个典型的多目标优化问题，因此遗传算法在卫星星座优化中的应用十分广泛。本文在对多目标优化算法NSGA-Ⅱ和卫星星座优化设计系统地学习和研究的基础上，将改进的多目标优化算法INSGA-Ⅱ应用到低轨道区域覆盖星座的优化设计中。通过学习和研究轨道的计算模型，掌握了卫星运行轨道的控制参数。卫星星座的区域覆盖性能要求是进行卫星星座设计的主要依据，卫星星座覆盖问题是本文主要研究对象。　　 本文的染色体编码采取固定长度，染色体编码的长度由卫星星座最多的轨道面数以及各轨道面内最多的卫星数目确定的最多变量个数决定。仿真结果表明，在求解区域卫星星座优化设计问题上，INSGA-Ⅱ算法是有效的。在给定条件下，INSGA-Ⅱ算法可以获得一组分布合理的Pareto解，继而获得覆盖性能良好的星座方案，可以为卫星星座优化方案的决策提供有力的支持。