روشهای الگوریتم ژنتیک از قابلیت مناسبی درحل مسایل چند هدفه برخوردارند و در هر بار اجرا مجموعه ای از نقاط بهینه را در قالب مسیر بهینگی چند هدفه ارایه می کنند. قابلیت حل مسایل با هر درجه غیر خطی و نیز مسایل غیر محدب و مشتق ناپذیر حوزه کاربرد این روشها را وسیعتر کرده است. اما این روشها دارای نقاط ضعفی از جمله کندی همگرایی و عدم دقت در ارایه راه حلهای بهینه و زمان نسبتا زیاد حل هم هستند و این ضعفها به ویژه در زمینه الگوریتمهای چند هدفه نمود بیشتری دارند. در این رساله ضمن بررسی ادبیات زمینه الگوریتمهای ژنتیک و تعیین نقاط قوت و ضعف آنها، تلاش شده است ک الگوریتمهایی توسعه داده شود که از نظر شاخصهای عملکردی، الگوریتمهای ژنتیک چند هدفه موجود را بهبود دهند. در این راستا پس از مرور ادبیات، شاخصهایی که مبنای مقایسه را فراهم می آورند، الگوریتم مبنا که نتایج الگوریتمهای توسعه داده شده با آن مقایسه می گردد و مساله پایه برای اجرای الگوریتمهای توسعه داده شده (مساله توسعه سیاستهای بهره برداری از سیستم سدهای چند مخزنه به صورت قطعی و فازی) مشخص شده اند. در ادامه سه نوع الگوریتم ژنتیک چند هدفه جدید زیر بر اساس نقاط قابل بهبود الگوریتمهای موجود، توسعه داده شده اند : الگوریتم ژنتیک مبتنی بر گرادیان که در آن توسعه نسلهای بعدی به صورت تصادفی نیست بلکه با استفاده از اطلاعات گرادیان، نسلهای بعدی تولید می شوند. این استراتژی باعث می گردد که ضمن برخورداری از مزایای الگوریتم ژنتیک، دقت جستجوی محلی الگوریتم بهتر شده و جوابهای بهتری در زمان کمتری تولید شود. الگوریتم ژنتیک یادگیرنده که از ترکیب یک الگوریتم ژنتیک با شبکه های عصبی خود سازمانده کوهونن توسعه داده شده است. این شبکه ها برای آموزش نیاز به مجموعه ای از داده ها دارند که این داده ها به آسانی در الگوریتمهای ژنتیک تولید می شوند و قابل دسترس اند. شبکه نرونها در حین آموزش جوابهای جدیدی توسعه می دهد که می توان از آنها برای ارتقاء کیفیت مجموعه حل جمعیت خارجی یا آرشیو استفاده کرد. نتایج اجرای این روش قابل توجه بوده و در سه زمینه زمان پردازش، پراکندگی حل و دقت مجموعه حل نهایی الگوریتم مبنا (nsca-ii) را بهبود داده است. الگوریتم ژنتیک یادگیرنده مبتنی بر گرادیان که از ترکیب دو الگوریتم ژنتیک بر گرادیان و الگوریتم ژنتیک یادگیرنده توسعه داده شده است و در آن شبکه عصبی خودسازمانده با استفاده از الگوریتم ژنتیک مبتنی بر گرادیان آموزش می بیند. دقت بیشتر حلهای این الگوریتم و تعداد بیشتر حلهای موثر آن بعث افزایش کارایی و اثربخشی الگوریتم ژنتیک یادگیرنده شده است و بر اساس شاخصهای عملکردی نتایج بدست آمده به نحوی است ک بهبودی جامع در همه زمینه های مشخص شده ایجاد شده است. کارایی مدلهای پیشنهادی با استفاده از اطلاعات سیستم چند مخزن کارون –دز ارزیابی شده است.