多目標最佳化方法近年來廣泛的被運用於各種不同的領域，其中進化式演算法(Evolutionary Algorithms, EAs) 模仿自然界進化的原則以逐步搜尋朝向最佳化，與其他傳統搜尋之最佳化方法有很大的不同。在以往多目標最佳化問題的研究中，研究範圍有很大的比例是把焦點放在不具限制條件的演算法設計上，然而在真實環境中，多目標最佳化往往需要考慮到諸多限制條件的因素，而限制式處理機制普遍都採用懲罰函數法(Penalty Function)。但是懲罰函數法的設計需要針對不同的測試問題調整懲罰參數(Penalty Parameter)，在設計上具有困難性與不確定性。本研究將進化式演算法中新發展出的兩個演算法－多目標微粒群最佳化與多目標仿電磁最佳化導入一套不需要因應不同的測試問題而改變參數的限制式處理機制，透過難易不同的測試函數以不同的績效評量指標來分析其結果。