多目标优化问题与单目标优化问题有很大差异.当只有一个目标函数时,人们寻找最好的解,这个解优于其他所有解,通常是全局最大或最小,即全局最优解.而当存在多个目标时，由于目标之间存在冲突无法比较，所以很难找到一个解使得所有的目标函数同时最优，也就是说，一个解可能对于某个目标函数是最好的，但对于其他的目标函数却不是最好的，甚至是最差的。因此，对于多目标优化问题，通常存在一个解集，这些解之间就全体目标函数而言是无法比较优劣的，其特点是：无法在改进任何目标函数的的同时不削弱至少一个其他目标函数。这种解称作非支配解（nondominated solution）或Pareto最优解（Pareto optimal solution）。

多目标优化的目标：

（1）找到一组尽可能接近Pareto最优域的解   （2）找到的解尽可能的分布均匀

求解多目标问题有很多方法,遗传算法由于其优良的全局优化能力被广泛的运用到求解多目标问题中，多目标遗传算法也有多种形式。通过这段时间的比较我发现多目标遗传算法中NSGA-Ⅱ的效果还是不错的。能够获得不错的较均匀分布的Pareto前沿。