分类学习作为机器学习领域重要的分支之一,其应用涉及日常生活的多个领域,如疾病诊断、蛋白质检测、网络安全监测以及金融风险评估等;这些实际问题属于多分类问题,即每个样本只对应一个标签,且标签种类个数为两个以上。当前解决多分类问题的方法基本属于传统机器学习领域范畴,这些方法对于目标函数的设定需要满足一定的前提条件(如梯度下降法中连续凸函数,可导可微),而实际问题中这些前提条件并不满足。进化算法作为一种元启发式算法,其自身具有并行性、全局搜索能力以及对目标函数的设定无过多假设条件等,在多个复杂领域得到广泛的应用;此外,集成学习近年来受到众多研究者们的关注,并在机器学习领域取得了一些研究成果。基于此,本文从进化计算的角度出发,在多目标进化优化框架下,分别提出了基于一对多分解策略的多分类算法与基于一对一分解策略的集成学习多分类算法。下面是本文的主要工作总结:(1)提出了基于进化多目标优化的一对多多分类算法(MOVA)。该算法将训练样本与分类器模型参数用进行混合编码,然后通过多目标进化优化算法迭代得到Pareto前沿面上最优解集,每个解代表二分类子问题中多类样本的选择方式,为了提升在某些二分类子问题上的分类器模型性能,一种模型改进策略被提出,前提条件为分类器模型在训练集上的AUC(Area Under the receiver operating characteristic curve)值小于阈值参数,最后输出性能最优的分类器模型。在基准数据集上进行对比实验,结果表明MOVA算法具有一定的有效性。(2)在一对一分解策略下,提出了基于进化多目标优化的一对一集成多分类算法(MOPE)。该算法首先是利用种群初始化策略来提高初始种群的质量,在此基础上提出新的目标函数,由于目标函数之间的内在冲突,利用进化多目标优化算法进行迭代,以获得一组Pareto前沿面集合,最后对Pareto前沿面中的个体加以集成,该策略通过在Pareto前沿面上选取合适的个体进行集成以获得性能更优的分类器模型。本文提出MOPE算法在基准数据集上与经典的多分类算法进行对比,结果表明MOPE算法在解决多分类问题上具有一定的性能优势。