基于模型的预测控制是一类典型的计算机控制算法，在工业控制中获得了大量成功的应用，受到控制界和工业界的广泛关注。然而工业实际被控对象大都具有非线性特征，并且带有各类线性/非线性、等式/不等式约束。随着性能指标要求越来越高，被控对象越来越多样和复杂，线性预测控制渐渐不能满足控制要求。因此，近年来基于非线性模型的预测控制引起了国内外的广泛关注。 当被控对象模型由线性转变为非线性时，一个重要的改变是：难以再保证获取最优控制序列的解析解，只能将其转化为控制量优化问题求取数值解。同时，预测控制器参数较多，相互关联较强，并且控制系统往往存在多个目标，故其参数整定问题较为繁琐，其本质是多目标优化。 近年来，模拟自然界优胜劣汰过程的演化算法发展迅速，作为一种具有较强的全局搜索性能的优化算法，在众多领域得到了应用。本文在阅读大量参考文献的基础上，着重研究如何将演化算法应用于非线性预测控制控制量求解和控制器参数多目标优化两个领域中，并针对其中存在的问题，对现有的算法进行改进，以改善控制量的平稳性、加快计算速度、加强算法多样性保持、增强算法可实用性。本论文的主要工作及意义有以下几个方面： 1．总结了在非线性预测控制控制量优化问题中的约束处理方案，并针对演化算法的特点，提出了适用于演化算法的约束处理方案。 2．将带精英保存策略和种子策略的标准遗传算法应用于控制量优化问题中，对非线性较强的被控对象得到了优于线性预测控制和基于SQP的非线性预测控制的控制效果。 3．结合SQP和GA各自的优势，提出GA/SQP混合优化算法，有效地解决了因标准遗传算法的随机性带来的稳态控制量抖动问题。 4．模拟自然界生物成长过程，在标准遗传算法框架中加入成长算法，并用爬山法实现，加强算法的局部搜索性能。试验表明，在保持标准遗传算法性能的基础上，有效的降低了算法的时间消耗。 5．利用模拟退火更新策略平衡差分演化算法的广度搜索和深度搜索，并将其应用于非线性预测控制控制量优化问题中。基于双容水箱的实控结果验证了算法的有效性。 6．证明了主导数和目标函数空间多样性之间的概率关系，并基于此提出基于主导数的多目标遗传算法。将其应用于函数优化和基于双容水箱的控制器参数多目标优化中，试验结果验证了算法的有效性。