现实生活中存在的很多问题都是多目标优化问题,为了解决存在的多目标优化问题,人们提出了很多的方法并取得了较好的效果。但随着现实生活中很多问题的复杂化,目标个数和决策变量个数急剧增大,使得搜索空间成倍增加,导致现有的多目标算法收敛压力损失和多样性管理失效,不适用于求解大规模高维多目标优化问题,所以研究大规模高维多目标问题的求解方法是十分必要的。目前已有的大规模高维多目标优化算法主要是通过决策变量分析,利用协同框架和问题转化的方式进行优化。这三类方法在一定程度上能够解决大规模高维多目标优化问题,但是还存在着收敛速度慢的问题。因此,本文针对这一问题提出了两种非支配解集辅助引导搜索的大规模高维多目标优化算法,主要工作如下:一、提出了两层优化辅助的大规模高维多目标优化算法（TOS-assisted LSMOEA）。为了提升搜索效率,本文采用两层优化策略来解决大规模高维多目标优化问题。在第一层优化中选用具有良好探索能力的社会学习微粒群算法（SL-PSO）算法进化种群,并且通过非支配解集保存种群进化过程中产生的非支配解。该算法通过增加种群多样性提高算法的探索能力。在第二层优化策略中,根据参考向量选择若干非支配解进行遗传操作以提高算法的开采能力,以获得较好的非支配解集。本文采用标准测试函数进行测试,并且和近些年提出的5种算法对比。实验结果证明本文提出的算法在解决大规模高维多目标优化问题中是有效的。二、提出一种基于角度选择策略的大规模高维多目标优化算法（AS-LSMOEA）。在优化算法中,非支配解集是存放在进化过程中较好的解,但随着进化次数的增大,非支配解集中的解往往会越来越多,导致更新非支配解集的速度变慢,因此本文提出了一种角度选择策略用于维护非支配解集。即通过计算个体向量之间的夹角和拥挤度,选择夹角最小的两个个体中拥挤度较小的个体删去。本文采用标准测试函数进行测试,并且和近些年提出的5种算法对比。通过实验说明本文提出的算法能够保留进化过程中产生的较好的解,提高算法效率。