多目标优化问题(MOPs)作为一类在科学和工程领域中广泛存在的问题,对其研究具有非常重要的理论和实际意义。目前,多目标优化问题求解已经成为人工智能领域的一个重要研究方向。近年来,大量求解多目标优化问题的进化多目标优化算法(MOEAs)被提出。除此之外,研究者还将约束优化问题(COPs)转化为多目标优化问题并使用MOEAs求解。本文,我们探索求解多目标优化问题的新框架,考虑如何将多目标优化问题转化为一系列约束优化问题,并以此提出了基于约束优化方法的多目标优化算法(MEACO)。与现有的进化多目标优化算法不同,MEACO在求解过程中不需要复杂的选择策略和精英解保存机制。给定一个多目标优化问题,MEACO首先保留一个目标函数并将其它目标函数转化为约束条件以构建一个新的约束优化问题,然后使用约束优化方法求解新问题得到最优解,即Pareto最优解。之后,在已得的Pareto最优解构成的缩减的搜索空间上再次建立一个新的约束优化问题并求解。该过程迭代进行,直至满足算法的停上条件为止。在MEACO框架中,本文采用基于Jump局部搜索的演化算法作为约束优化方法以保证MEACO的收敛性。在9个常用的两目标优化测试用例上与三个经典的进化多目标优化算法进行实验对比,MEACO在收敛性和分布性上优于已有的经典算法。此外,我们修改算法参数,探究参数的改变对算法的影响,实验结果和分析表明,通过修改参数,MEACO可以得到更好的结果。