进化算法是当前求解多目标优化问题的一种主要方法,因此多目标进化算法(MOEA)成为了计算智能领域的重要研究课题。MOEA主要由变种算子(包括配对选择、重组和变异)和环境选择算子两大类算子组成。当前关于MOEA的研究中,大多数的工作都集中在了环境选择算子,而对于变种算子的研究较少。特别是关于配对选择机制的研究工作并不充分。因此本文基于近邻传播(AP)聚类技术,对MOEA中的配对选择机制展开相关的研究工作,从而提升算法的性能。首先,文中对多目标进化算法的国内外研究现状进行了分析,总结了当前MOEA研究中存在的问题,进而给出了本文的研究动机。并且,对于遗传算法以及多目标进化算法的基本理论进行了阐述。其次,给出了AP聚类算法的详细运算过程,基于AP聚类算法,设计了一种基于AP的配对限制策略,提出了一种基于AP的多目标进化算法APMO。在APMO中的每一代,首先利用AP算法对种群进行聚类,然后基于一定的概率,只允许从同一类的相似个体中选择父代个体进行重组产生新个体。并且,为了适应算法进化过程中勘探和开采的平衡的变化,设计了一种基于强度支配的配对限制概率自适应调整机制。最后,运用具有复杂Pareto解集结构以及Pareto前端结构的标准测试题对APMO的性能进行了测试。选取了三种流行的MOEAs,即MOEA/D-DE,NSGA-II以及SPEA2进行性能对比。计算实验结果表明,在解决本文的测试题时,相对于对比算法,APMO具有最佳的性能。运用APMO对导弹瞄准点优化选择模型进行计算,检验算法的实际应用效果。结果表明,相对于比较算法,APMO表现出了最有前景的应用效果。