自20世纪50年代，运筹学（OR）研究组织就一直着手于近似求解多目标优化问题。目前，在运筹学文献中就广泛地应用各式各样的数学规划方法设法解决多目标优化问题（参见例[52，24]）。然而数学规划方法在解决多目标优化问题时存在一定的局限性。例如，当帕累托最优解集是凹集或断开时，数学规划方法就不能得到一个连续的帕累托前沿甚至求解不出最优解集。其它对多目标函数的可微性和约束性还有所要求。此外，先运行数学规划方法来找出初始点，之后这样类型的搜索通常是要最后的解要尽可能比较接近初始点。因此，数学规划方法很容易受到初始化值的影响，并且，每次数学规划的运行都寻要一个单一的非支配解作为初始化，所以要想得到几个帕累托最优解集集合的元素，就需要设置不同的初始点运行几次[52]。

进化算法（EAs）一直被发现在解决各式各样的（单目标）优化问题上是非常成功的[37，29，66，25]。运用进化算法去解决多目标优化问题好似自然选择如果我们考虑到它们的一些主要特征。进化算法是在一个解集上执行的（称之为“群体”），这样我们确信能找到帕累托最优解集的几个成员向量在进行简单的进化算法运行之后。此外，进化算法也不受帕累托前沿的形状和连续性的影响（例如,它们能轻易处理间断和凹性的帕累托前沿），也不需要任何关于衍生的目标和约束条件。

第一次能够使用进化算法解决多目标优化问题的提示是出现在1967年的一篇博士论文中，但是，论文中并没有形成实际的多目标进化算法（多目标问题是作为单目标问题的重申，是应用遗传算法来解决的）。虽然，自1983年很少提及试图用遗传算法解决多目标优化问题，但在19世纪80年代中期，David Schaffer 被普遍认为是第一个设计出多目标进化算法的人[64,65]。Schaffer方法，也称向量评价遗传算法，被认为是一个简单的应用改变机制的遗传算法。在每一代中，许多子种群依次根据每个目标函数通过选择比例遗传得到。然后这些子种群被混合在一起组成一个新的种群，在此过程中，通常情况下遗传算法都提供交叉和变异算子。向量评价遗传算法存在很多问题，其中重要的一个是执行算法时没有能力保留当中的可行解，多半是高于平均值，但是不存在对于任何一个目标函数来说非常优的解。这些解很可能称为非支配解中的候选解，但在接下的选择方案中不可能都幸存保留下来。