当优化问题包含的目标个数是两个或者三者时,传统经典的优化算法会有好的效果,但是在处理目标多于或等于五个的超多目标优化问题时,这些算法的效果并不理想,主要原因有：1)从收敛性方面考虑,目标空间维数的增长将会导致种群中Pareto非支配解呈指数型增长,致使算法无法从种群中选择性能较好的个体,从而影响算法的收敛性能.2)从分布性方面考虑,大部分分布性保持策略通常比较偏好某些极端个体,在高维空间中,这种特点会减弱算法的搜索能力,最终影响种群的分布性.针对传统的进化多目标算法在处理超多目标优化问题时收敛性与分布性不足的这种情况,本文提出一种基于改进的K支配排序以及种群分解的进化超多目标算法(KD-MOEA)该算法结合种群分解策略,对整个区域进行分解,从而对种群进行分解,这在整体上有利于提高算法的分布性,同时也在很大程度上减少了计算量；改进之后的K支配与Pareto支配关系相比,极大地增大了算法的选择压力,提升了算法的收敛性能；为了弥补传统的聚集距离精确性不足,本文使用新的密度估计方法,提升局部密度估计的精确性.新提出算法与NSGA-II就DTLZ测试函数集进行对比试验,实验结果显示该算法在处理超多目标优化问题具有明显的优势,不仅提升了传统进化算法的收敛性能,而且获得的解集在Pareto前沿上具有较好的分布性.我们将新提出的算法应用到实际问题—汽车侧面碰撞优化问题中.在运用新算法求解时,考虑到待优化问题的特殊性,我们会对算法的加进约束处理策略-罚函数,使其更好地处理这个优化问题.从仿真的结果可以看出,新算法求解出来的解具有较小的质量和较高的安全等级得分,并且这些解求出来的指标值离约束上界有较大的空间,即说明这些解具有很好的适用性.兼具上述性质的解能够为实际的生产设计提供很好的参照,所以新算法能够有效的解决汽车侧面碰撞优化问题.