多目标优化问题在科学与工程实践中普遍存在,进化多目标优化主要研究如何利用进化计算方法求解多目标优化问题,是现如今进化计算领域的研究热点之一。多目标交叉熵算法MOO CEM算法是一种非常有效的多目标进化算法,具有较强的全局搜索能力和较快的收敛速度。然而,基于一定阈值的精英种群提取策略导致了算法效率较低且求得解的分布性较差,易出现过度收敛或分布不均匀的现象。针对MOO CEM算法的不足,本文提出了一种改进多目标交叉熵算法MOCE-S算法。改进算法主要完成了三个方面的改进:第一个方面是引入了基于浓度的免疫选择机制,依据促进低浓度高亲和度抗体,抑制高浓度低亲和度抗体的原则来对精英种群进行提取,以提高算法求得解的分布性;第二个方面是为了防止新的种群提取机制使算法的收敛性有所降低,本文采用了K均值聚类与直方图法相结合的方式对新样本群进行分类生成,以提高改进算法的收敛性能;第三个方面是改善了对多目标优化问题中约束条件的处理手段,以更好的引导样本群向Pareto最优解方向进化。本文对MOCE-S,MOO CEM,NSGA-II以及NNIA四种算法在ZDT1,ZDT2,ZDT3以及OSY四种测试函数上进行了对比测试。算法对测试函数及相关性能指标的求解结果展现了MOCE-S算法在求解多目标优化问题上的优越性。最后,针对热点的应急调度优化问题,本文建立了一个多目标应急调度优化模型,以MOCE-S算法完成了以实际案例为背景的多目标应急调度优化问题的求解。