对水资源的优化调度是复杂的多目标问题。对多目标问题的处理主要分为传统的处理方法和基于Pareto 最优的进化方法。采用传统的多目标优化的方法，由于一次只能产生一个最优解，且在把多目标转化为单目标处理时由于各个目标的重要程度难以权衡，造成权系数选取困难。而多目标进化算法中基于群体的进化机制，能够一次求出多个Pareto 最优解，具有更好的灵活性和实用性。　　 基于Pareto 支配关系的多目标进化算法，主要对非支配集的构造、多目标进化算法的收敛性和多目标进化算法群体分布性等方面进行研究。在多目标进化算法中，由于适应度值和群体多样性等机制的设置，使得算法早熟和分布性较差。针对以上问题，本文主要对多目标优化中的非成熟收敛和群体分布性的问题进行研究改进，主要的研究成果如下：　　 1)由于在多目标进化算法中计算个体适应度值时，常采用Pareto 排序分类的方法来计算进化群体的适应度值。这种计算方式由于只与个体支配关系相关，所以会产生较大的选择压力，从而导致算法非成熟收敛。因此，本文改进了多目标进化算法适应度值计算的方法，即提出了一种结合Pareto 支配关系与目标函数值有相对关系的适应度值计算方式，从而改善了多目标进化算法的收敛性和分布性。　　 2)孟德尔多目标简单遗传算法(Mendelian Multi-Objective Simple algorithm，简称MMOSGA)，利用二倍体的性质提高算法在多目标优化中的搜索能力，使得算法具有更好的收敛性。然而，由于MMOSGA 采用隐性基因和支配关系表的机制，导致求得的Pareto 解集分布性较差。本文针对在多目标遗传算法中研究中的选择压力过大的问题，在MMOSGA的基础上，提出了二倍体多目标遗传算法(DiploidGenotypes Multi-Objective Genetic Algorithm,简称DGMOGA)。由于采用了二倍体遗传算法中的参考码链机制，并引入孟德尔算法中所缺乏的变异算子和聚类方法，提高了算法的全局搜索能力，有利于保持多目标解群体的分布性和多样性。　　 另外，通过对改进的多目标进化算法进行测试，证明改进的算法具有更好的收敛性和分布性。在水资源优化方面，利用改进的多目标进化算法，以东江流域水资源优化调度为例，对其进行优化调度计算，得到较好结果。