遗传算法现已广泛应用于解决水资源系统分析中的单目标优化问题（Bavic 等人 1994；Wu 和 Simpson 1996、1997a、1997b 和 2001；Wu 等人 2000 和 2001）。近年来，人们发现多目标遗传算法在解决多目标优化问题上比传统优化技术更为有效。利用进化算法已成功解决了各种多目标优化问题。

不需要修改或简化系统液压和设计标准来适应多目标遗传算法。单目标优化法用于根据唯一目标函数确定最优解或近似最优解。只要是比当前解更好的解，就会被接受。多目标优化法旨在解空间中找出非劣解（或非支配解）。当且仅当解 A 在所有目标中都不劣于解 B 时，称解 A 优于解 B。也称为解 A 支配解 B，或者解 A 为非支配解。全局非支配解被定义为在所有目标中均不劣于任何其它可行解的解。存在多个全局非支配解。多目标优化的任务是找出所有全局非支配解或非劣解（也称帕累托最优解集或帕累托最优前沿）

传统上，多目标优化问题通过两种方法转化为单目标优化问题，即：目标加权和法和 e 约束法 (Cohon, 1978)。加权和法对所有目标应用一组加权因子，并计算加权目标的总数来构建单一复合目标。复合目标的优化预计相当于多个原始目标的优化，但最优解取决于所选权重，而且一次运行只能搜索一个最优解，而不是帕累托最优解。约束法选择其中一个目标函数，并将其他目标函数作为约束。每个约束都局限于一个规定的值。它将多目标优化问题转化为单目标优化问题。但通过约束法得到的最优解取决于预先定义的约束限。通过使用不同的加权因子或约束限对单目标优化问题进行多次运行，可以得到帕累托最优解。加权因子或约束限的组合越多，需要进行的优化运行次数越多，计算成本越大。相比之下，多目标遗传算法通过一次运行即可同时优化所有目标函数，不需要对目标函数进行任何修正。它为处理多目标优化问题提供了一种有效的方法。

单目标优化的目标是寻找最优解。多目标优化在搜索过程中有两个目标。一是找到一组尽可能接近帕累托最优前沿的帕累托最优解。二是保持一组尽可能多样化的帕累托最优解。寻找帕累托最优解无疑是多目标优化的首要任务。单目标优化问题的解由目标值来评价，该目标值则直接决定了相应基因型解的适合度。而多目标优化问题解的适合度则取决于解的优越性，该优越性可定义为当前解的总体中起支配作用的解的数量。优越性越强，分配给解的适合度就越大。虽然确定帕累托最优解很重要，但保持帕累托最优解的多样性也很重要。在处理多目标优化问题（比如，使给水系统的成本达到最小、效益达到最大）时，人们期望能够找到最优权衡解，并在整个成本预算范围内均匀分布。这通常通过运用适合度共享或解聚类法来实现。

为有效解决成本效益权衡优化设计的问题（如前文所述），人们对快速混合遗传算法（Goldberg 等人，1993）进行了扩展，以处理多目标函数。多目标快速混合遗传算法已集成到 HAMMER 水力管网解算器中。该集成法（Wu 等人，2002）提供了一个强大的设计优化工具，可协助水利工程师高效进行实用的给水系统设计。它提供了三个层次的优化设计分析能力，包括最小成本设计、最大收益设计和成本收益权衡设计优化。