多目标进化算法在解决多目标优化问题时,决策者有时对于各个优化目标的侧重程度并不相同。决策者很多时候只对Pareto最优边界上的一部分解集感兴趣,过多的最优解反而会增加决策者的决策开销。其次,在解决高维多目标问题时,种群中存在大量非支配解,算法性能因缺少选择压力而显著下降。偏好多目标进化算法将偏好信息引入算法从而指导种群进化,得到满足决策者偏好信息的最优解集。这样不仅能够节约计算资源,减轻决策者的决策负担,还能提升算法的优化性能。近年来,越来越多的研究学者投身于偏好多目标进化算法的研究并且取得了大量研究成果,但目前偏好多目标进化算法普遍存在如下问题:1.很多偏好算法的整体性能表现受参考点位置影响较大。2.在求解高维多目标问题时,一些算法的收敛性和分布性急剧下降。3.针对不同优化问题,决策者对于偏好区域大小有具体的设置,但是很多算法中决策者难以控制偏好区域的大小。4.在优化过程中,伴随着决策者对所优化问题了解的不断深入,决策者可能会对偏好信息进行调整,但目前的偏好多目标进化算法普遍无法满足这样的需求。针对上述问题,本文提出了一种基于权重向量调整策略的交互式偏好多目标进化算法（MOEA/D-WVA）。本文主要贡献如下:1.将参考点转化成偏好向量从而使算法的性能表现不再受参考点位置影响。2.利用分解的思想将多目标优化问题分解成一组单目标优化问题并对它们同时进行优化以保证算法在解决高维问题时的性能表现。3.提出一种权重向量调整策略将原本均匀分布于目标空间的权重向量通过特定的方式移动到偏好向量附近,从而指导种群朝着偏好区域进化,最终得到满足决策者偏好信息的最优解集,并且决策者能够通过该策略中的自适应参数δ调整偏好区域大小。4.提出一种交互式决策策略以帮助决策者在问题优化过程中调整偏好信息从而更好地指导种群进化。将本文中提出的算法与其他四种先进的偏好多目标进化算法在三种测试函数集上进行对比实验。实验结果表明该算法能够很好地解决偏好多目标问题,帮助决策者得到满足其偏好信息的最优解集,该算法在大多数测试实例上优于同类算法,表现出了出色的收敛性和分布性。