多目标优化问题广泛存在于各种实际工程应用中,越来越多的研究人员将目光聚焦于与之对应的多目标优化算法领域。其中基于分解的多目标优化算法(MOEA/D)被视为非常有竞争力的算法,其在众多测试问题中都表现良好,但其性能对于分解的方法非常依赖,算法期望得到一个在PF面上均匀分布的权重向量,如果权重向量不均匀,则目标向量永远不会均匀。此外,大多数算法在处理低维问题时表现良好,但在高维空间会出现性能退化。本文着手于改进以上存在的两个问题,旨在提升算法的收敛性、多样性。本文的主要研究内容分为以下两部分:1、自适应调整权重向量。首先通过研究双层权重向量生成法中存在的缺陷并从实验和理论方面分析导致缺陷的原因,然后引入了自适应权重向量设置策略,并提出了基于自适应更新权向量的PBI分解多目标进化算法MOEA/WD。算法在种群进化过程中,使用当前种群的非支配解对目标问题的PF面进行形状估计,然后根据PF面的形状估计来调整权向量。在权向量的调整过程中,首先对权向量包络线的弧度因子进行了敏感度分析。其次,本文通过实验分析了解到基于归一化函数(ASF)的方法在高维目标会存在超平面无法构造的情况,对于8维及更高目标的问题,基于ASF的方法表现很差。对此本文提出一种改进的归一化方法,并将这种分解方法运用于MOEA/WD算法框架中。经过对比实验分析,MOEA/WD不仅在处理复杂PF面时表现优于其他对照算法,而且利用其求解电子系统故障诊断的最优测试序列时也表现突出。2、对于高维多目标问题,为了保证算法性能,往往会要求种群数量成比例增加,然而这势必会导致算法效率降低。求取PF面特定区域而不是整个PF面的解是一种提高计算高维多目标问题效率的可行方法。基于这种策略,本文提出了一种基于用户偏好的多目标优化算法(R-MOEA/WD),通过用户指定的标识点将权重向量映射到指定区域。使用线型变换后的权重向量进行种群搜索得到的解必然会聚集于指定区域。相较于全PF面搜索,只搜索特定区域的解对算法效率的提升有立竿见影的效果。此外R-MOEA/WD算法拥有MOEA/WD算法相同的算法框架,所以R-MOEA/WD算法也保持了MOEA/WD算法在处理复杂PF面的稳定性和灵活性。经过对比实验验证了R-MOEA/WD在处理所选择的基准测试问题时对效率的提升,并且相较于对照组采用的算法在收敛性以及多样性方面都有更好的表现。