在科学研究和工程实践中,许多实际问题通常可以归结为不同类型的数学规划问题,如单目标优化问题和多目标优化问题等。随着科学技术和工程产业的发展,抽象成数学问题也越来越复杂,普通的搜索算法已经不能满足复杂问题处理的需要,以遗传算法为代表的仿生群体算法在处理单目标和多目标优化问题时所表现出的优越性,使之成为解决目标优化问题的重要工具。遗传算法具有高鲁棒性、通用性与优秀的全局搜索能力等优点受到广大学者的关注。遗传算法是一种通用算法,在处理复杂优化问题时不需要过多的信息,对于求解较为复杂的组合优化问题效果显著。本文对于单目标优化问题和多目标优化问题进行研究并提出了几种方法,主要创新成果如下:（1）提出了基于单目标优化的反馈多智能体遗传算法。针对多智能体遗传算法收敛速度慢,求解精度有待提高的问题,提出一种新的反馈多智能体遗传算法。该算法融合了均匀设计思想,丰富了初始种群的多样性并予以验证;添加反馈算子,提升了算法的收敛速度,大大降低了函数评价次数。同时,对邻域竞争,变异和自学习算子做出改进,结合算术交叉,以及二进制竞争的方式保留精英个体。高维函数优化实验表明,改进后的算法在很大程度上能避免陷入局部极值的窘境,具有很好的全局寻优能力和更高的求解精度。（2）提出了基于列队法的Pareto最优解集构造算法。针对多目标决策问题构造Pareto最优解集的时间与效率问题,提出一种基于列队法的Pareto最优解集构造算法,给出非支配关系的性质,以及构造Pareto最优解集的相关定义与定理并对其证明,分析所提算法的时间复杂度为（rm N）,最坏时间复杂度为rm（2N-2m-1）,推导出算法在最坏情况下的构造集的结构。对比算法表明,当非支配解比重较小（m/N=20%）时,本文算法在比较次数和CPU运行时间均优于快速非支配排序法,当非支配解比重较大（m/N=80%）时,本文算法较快速构造方法和擂台赛法在比较次数上相差无几,但在CPU运行时间上有明显优势。（3）提出了基于多目标优化的反馈多智能体遗传算法。在基于单目标优化的反馈多智能体遗传算法融入用于构造Pareto最优前沿的构造方法,再借鉴非支配排序方法中的拥挤度距离方法,引入拥挤度概念,使构造的Pareto前沿解的分布更加均匀。最后通过常用测试函数进行实验测试,测试结果显示,较其他算法在解的分布均匀上有一定优势。