Evolutionäre Algorithmen (EA) wurden erstmals in den 1970'er Jahren zu Zwecken der Optimierung technischer Systeme vorgestellt. EA bestehen aus Operatoren, welche die natürliche Fortpflanzung simulieren. Dazu gehören Rekombination und Mutation von genetischer Information und eine Selektion im Sinne des `Survival of the Fittest'. In den 1990'er Jahren wiederentdeckt, bewiesen EA ihr Potenzial als globale Such-Algorithmen mit Eigenschaften und Leistungsmerkmalen, welche von konventionellen Methoden kaum erreicht werden. Heute kann zur anwendungsorientierten Optimierung und unter Gegenüberstellung der Vor- und Nachteile zu konventionellen Methoden wie gradientenbasierenden Verfahren kaum eine Alternative zur Verwendung dieser heuristischen Methoden gesehen werden. Im Rahmen der Verbesserung technischer Systeme, wie etwa die Gestaltoptimierung, liegt kein auswertbarer Gradient vor und eine Approximation dessen verbietet sich aufgrund der extrem hohen Anzahl von Funktionsaufrufen, welche dafür notwendig wären. In dieser Dissertation werden EA nicht nur der als Variante vorkommenden Simulated Annealing vorgestellt, sondern als Systemparameter bestimmende Hilfsmittel in der Grundlage für Approximationsmodelle angewandt. In diesen Approximationsmodellen wird der funktionale Zusammenhang zwischen den Systemparametern und der Zielfunktion gespeichert und kann für die Generierung von Funktionswerten von Parametern, welche selbst nicht zur Bestimmung des Approximationsmodells herangezogen wurden, abgerufen werden. Wir betrachten dabei Neuronale Netze des letzten wissenschaftlichen Standes, welche zur Benutzung von Approximationsmodellen herangezogen werden. Anwendungsbeispiel ist ein versetzter Kanal, dessen Geometrie durch Splines verzerrt werden kann. Durch eine numerische Simulation kann der Druckverlust dieser verzerrten Geometrien berechnet werden. Eine Menge der daraus entstehenden input/output Stichproben wird dann zu Bestimmung eines Approximationsmodells herangezogen. Der Optimierungsvorgang besteht dann daraus, den minimale Druckverlust mit Hilfe dieses Approximationsmodells zu bestimmen. Sobald ein Optimierungsproblem vorliegt, in welchem es mehr als eine Zielgröße zu optimieren gilt, diese obendrein auch noch widerstreitend sind (etwa Auftrieb und Widerstand für einen Flügel), wird oftmals eine Menge von optimalen Lösungen voliegen. Diese Menge optimaler Lösungen kann nur unter Anwendung von heuristischen Verfahren effizient bestimmt werden. Dazu dienen wieder evolutionäre Algorithmen, hierbei erfahren die dort angewandten Operatoren eine Reinterpretation, um im Rahmen der Mehrzieloptimierung eingesetzt zu werden. In der vorliegenden Dissertation werden Konfigurationen von Wärmetauschern anhand mehrere Kriterien wie etwa Wärmeleistung, Druckverlust, Flußgeschwindigkeit an einem Kontrollpunkt, und bedecktes Strömungsgebiet, optimiert. Dabei treten Pareto-Mengen auf, sie entsprechen gleichwertigen Designvorschlägen. Der Anwender kann unter diesen jenes aussuchen, welches seinen Präferenzen entspricht. Durch Betrachten der Pareto Front kann der Anwender seine subjektiven Vorstellungen quantifizieren.