传统进化算法在实际应用中往往受到各种条件的限制。偏好优化、编码方式和动态环境等,都向传统进化算法提出了更高的要求。偏好优化中比较典型的方法有：利用权重求和将多目标转换为单目标,基于参考点选择方法。他们的不足之处是：难以确定权重系数,参考点选取比较困难。动态环境是进化优化的最大挑战,其干扰对象主要是决策变量和目标函数,通常采用增大种群规模(Population Expansion,PE)以及从大规模种群中抽样求匀值的方法来解决,存在的最大问题是精度难以保证。本文以工业应用中的多阶段工序计划为研究对象,针对进化算法优化动态问题和偏好优化存在的不足,采用多选择策略组合方法及滤波技术对传统进化算法进行改进,主要的工作如下：第一,把进化算法同实际应用问题紧密结合,结合决策者的信息,提出了-种改进的进化算法(Multi-Decision Conbination Mulit-Object Evolution Algorithm, MDC-MOEA)。该算法把参考距离选择,非支配排序选择和种群密度选择以概率的方式有机的结合在一起,作为对偏好解的选择策略,实验表明,这种选择策略高效可靠。第二,针对算法在干扰环境下优化效果差的缺陷,通过引入滤波技术,建立了基于傅里叶空间变换的噪声处理算子,并将该算子应用到进化算法中,使改进后的进化算法在动态环境下具有较好的优化效果。第三,以现代制造系统中的多阶段工序计划问题(MPP)为研究课题,使用算法MDC-MOEA和滤波技术在动态环境下对它进行了偏好优化,优化结果表明,算法解决此类问题非常用效。