Due to the increasing market needs of simultaneously achieving a growing number of objectives when designing modern engineering systems, thus focusing more realistic problems from the industrial point of view, the so-called multi-criteria optimization problems, multi-objective or vectorial optimization, have deserved, recently, emphasis in the development of algorithms and specific software for the solution of these problems. Most of these objectives, in turn, are conflicting, that is, an improvement in any one of these objectives doesn't result, necessarily, in the improvement of the others. The optimal solution for these problems, unlike the optimization with an single objective, is the attainment of non-dominated solutions that form the Pareto Curve, also know as Pareto Optimal. There are two approaches for obtaining Pareto's Curve: the Deterministic one, that makes use of the Variational Calculus and the Non-Deterministic one, which is based in the natural selection processes, in population genetics or in purely structural methodologies. The use of the Non-Deterministic Approach is drawing attention in recent decades, mainly due to the fact that they do not make use of derivates, and are easy implemented and have simple conception. Evidently, the rapid development of the digital computation is also a decisive factor for the success of these techniques, since the processing time, which is greater than that of classic methods, has been decreasing significantly with the better performance of the processors. Among these, the Diferential Evolution Algorithm, an structural approach developed initially for problems without restrictions with an single objective, has been shown as a viable alternative for this purpose. Therefore, this work consists in the extension of Diferential Evolution Algorithm for problems with multiple objectives, through the incorporation of two operators into the original algorithm: the rank ordering and neighborhood exploration of potential candidates. The developed algorithm was tested on a series of classic mathematical and engineering problems of different areas, thus constituting a wide range of case studies. The obtained results were promising, as it is able to reduce the generation number, without loss of quality of Pareto's Curve, when compared with those obtained through classic evolutionary algorithms.Coordenação de Aperfeiçoamento de Pessoal de Nível SuperiorDoutor em Engenharia MecânicaDevido às crescentes necessidades do mercado em se atingir simultaneamente um número cada vez maior de objetivos quando do projeto dos modernos sistemas de engenharia, assim enfocando problemas mais realísticos do ponto de vista industrial, os chamados problemas de otimização multi-critérios, multi-desempenho, multi-objetivos ou otimização vetorial, têm merecido, nos últimos anos, destaque no desenvolvimento de algoritmos e softwares específicos para a solução destes problemas. Tais objetivos, por sua vez, são em sua maioria conflitantes, isto é, uma melhora em qualquer um destes objetivos não resulta, necessariamente, na melhora dos demais considerados. A solução ótima desses problemas, diferentemente do que ocorre na otimização com um único objetivo, consiste na obtenção de soluções não-dominadas que formam a Curva ou Fronteira de Pareto. Existem duas abordagens para a obtenção da Curva de Pareto: a Determinística, que faz uso do Cálculo Variacional e a Não Determinística, que é fundamentada nos processos de seleção natural, na genética das populações ou em metodologias puramente estruturais. O uso da Abordagem Não Determinística vem chamando a atenção nas últimas décadas, principalmente devido ao fato de que estas não fazem uso de derivadas, por serem de fácil implementação e de concepção simples. Evidentemente, o célere desenvolvimento da computação digital é um fator também determinante para o sucesso destas técnicas, uma vez que o tempo de processamento, naturalmente maior se comparado aos métodos clássicos, vem diminuindo significativamente com o melhor desempenho dos processadores. Dentre estas, o Algoritmo de Evolução Diferencial, abordagem estrutural desenvolvida inicialmente para problemas sem restrições com um único objetivo, vem se mostrando uma alternativa viável para a finalidade acima descrita. Neste sentido, este trabalho consiste na extensão do Algoritmo de Evolução Diferencial para problemas com múltiplos objetivos, através da incorporação de dois operadores ao algoritmo original: os mecanismos de ordenamento por rank e a exploração das vizinhanças de soluções candidatas em potencial. O algoritmo desenvolvido foi testado em uma série de problemas matemáticos clássicos e em problemas de engenharia de diversas áreas, constituindo dessa forma, uma ampla gama de estudos de caso. Os resultados obtidos se mostraram promissores, uma vez que conseguiu-se a redução do número de gerações, sem perda de qualidade na aproximação da Curva de Pareto, quando comparados com aqueles obtidos através de algoritmos evolutivos clássicos.