GA是一个参数优化算法，以编码空间代替问题的参数空间，将适应度函数作为评价依据，以编码群体为进化基础，对群体中个体遗传操作实现遗传机制，建立迭代过程，跟具体的优化对象没有直接联系，只需优化对象提供目标函数的计算标准和参数的上下限，就可得到最优结果。-the algorithm is improved by the laplace crossover in which the parent of the Laplace distribution density function coefficie

多目标遗传算法是NSGA-II[1]（改进的非支配排序算法）,该遗传算法相比于其它的多目标遗传算法有如下优点：传统的非支配排序算法的复杂度为 ，而NSGA-II的复杂度为 ，其中M为目标函数的个数，N为种群中的个体数。引进精英策略，保证某些优良的种群个体在进化过程中不会被丢弃，从而提高了优化结果的精度。采用拥挤度和拥挤度比较算子，不但克服了NSGA中需要人为指定共享参数的缺陷，而且将其作为种群中个体间的比较标准，使得准Pareto域中的个体能均匀地扩展到整个Pareto域，保证了种群的多样性