多目标优化问题一直是科学和工程领域的一个难题和热点问题，在演化算法应用到这一领域以前，已经产生了许多传统的方法，传统的方法存在探索未知空间的能力不强，容易陷入局部极值点，对问题的内部信息过于敏感等问题，而演化算法具有处理大的问题空间的能力，在一次演化过程中可以得到多个可行解，对问题域的先验知识没有要求，对函数定义域的凸性不敏感。研究表明，演化算法非常适合于求解多目标优化问题。近年来，演化计算是多目标问题求解的一个重要研究方向，引起了众多学者的浓厚兴趣，并涌现出了许多优秀的多目标优化算法，而基于Pareto存档演化策略代表了一种最简单可行的优化算法，它能在Pareto最优解集中找到不同解。对于多目标优化问题而言，PAES算法属于一种优秀的局部搜索算法，具有较好的演化性能和收敛速度，它的理论价值和创新意义都较高。　　 PAES算法的计算简单复杂度低，没有使用任何传统的多样性保护技术，算法运算速度快，收敛性好，得到的解的质量高，并且它的性能不会随着所求解问题目标维数的增加而迅速下降。然而对于某些测试问题，PAES在保持解的多样性方面的表现较差，本文针对其在保持解的多样性方面的缺点对原算法进行了改进，引入正交初始化方法、柯西变异、模拟退火。实验结果表明改进后的PAES不仅保持了原算法的各项优点，而且使原算法在保持解的多样性方面有了较大的改善。与其他优秀的基于Pareto的MOEAs相比，改进后的PAES也具有更好的鲁棒性和通用性。　　 本文简要介绍了多目标演化算法的背景知识，然后针对原始的PAES算法在解决多目标优化问题时的不足，提出了一种改进后的混合PAES算法，以增强算法的鲁棒性和全局搜索能力。为了验证改进算法的性能，通过对一些目前主流的、具有代表性的测试函数进行了数值实验，并与其他多目标演化算法的结果相比较，结果表明，改进后的算法在解的多样性方面和解的收敛性方面都有较大改观，在多样性及收敛性之间达到了一个较好的平衡，避免了解过早收敛到局部Pareto解集。　　 验证改进算法的性能之后，在对改进后的多目标优化算法分析的基础上，为了与实际应用相结合，本文对地火转移轨道优化设计以及卫星星座优化设计分别进行了研究。　　 首先，深空探测已成为世界关注焦点，这类任务的高成本特性，也使得与探测成本密切相关的探测轨道的设计和优化方法的研究成为热点。不同于近地卫星的轨道设计，深空探测的轨道通常有多种转移方案，这也使得优化空间呈现数量级的增长。因此本文将改进后的算法对深空探测任务的轨道优化设计问题之一--地火轨道优化设计进行了研究。数值证明，改进后的算法优化轨道获得较好的优化效果。　　 随后又将改进后的PAES算法应用于星座优化设计中。随着现代小卫星技术全面迅速地发展，星座技术逐渐在通讯、导航、气象、定位、空间探测和科学实验等各方面得到越来越广泛的应用。目前世界上许多国家都希望建立自己的区域覆盖卫星通信系统。中、低轨道系统与同步轨道系统相比，具有传播延时短、传输损耗小、节省运载器成本、提高有效载荷分辨率等突出优点，所以中、低轨道区域覆盖星座的设计研究已成为当务之急。中、低轨道区域覆盖星座优化设计涉及多个特征点和多项优化指标，是一种比较典型的多目标优化问题。　　 本文在对多目标优化算法PAES和卫星星座优化设计系统地学习和研究的基础上，尝试将改进后的PAES算法应用到低轨道区域覆盖星座的优化设计中。本文用改进后的SA-PAES算法对具体的区域覆盖星座模型进行优化，实验结果表明，改进后的算法对于求解区域星座优化设计问题是有效的，可以在给定条件下获得覆盖性能良好的星座方案，可以为星座方案决策提供有力的支持。　　 改进后的算法应用于行星际轨道优化设计与星座优化设计中，均能得到较优的结果，达到了优化的目的。最后通过研究分析，得出结论：利用改进后的SA-PAES算法在实验中对实际的高维问题进行模拟计算优化，有其自身的方便和灵活之处，在实际应用中，决策者可根据自己的经验和偏好设定相关背景参数，通过模拟计算能得到更多有价值的参考信息。