摘要：汽车投产排序时，希望同时实现零部件消耗均衡化、车型调整费用最小化、工位作业位置精准化三个目标，为此提出一种基于 Pareto 层级的混合多目标网格遗传算法（HmoGA）。先将个体排斥机制加入到 Pareto 层级构造中，使非支配解的分布更均匀，再融合 Pareto 层级划分、网格拥挤度评价与相邻个体几何距离计算，设计一种多目标自适应网格选择机制，用于从动态变化的父代种群中选择较优个体构成进化种群、获取交叉运算的父代基因、改善非支配解集的分布质量。混合双基因位的迁移算子对非支配解进行邻域搜索，适时扩大搜索空间，跳出局部最优。利用三组不同规模的测试问题集，从非支配率、非支配解数量和相邻个体距离偏差三个指标方面进行比较，实验证明 HmoGA 算法在收敛性、解的数量和分布性方面都比 NSGA-Ⅱ算法有显著优势。

关键词：pareto 层级 网格拥挤度 自适应选择 个体排斥机制 

单位：武汉科技大学; 武汉430081; 神龙汽车公司技术中心; 武汉430056