现实生活中,人们都是追求利益最大化、成本最小化,多目标优化问题普遍存在。多目标优化问题的难点在于需要同时处理相互冲突、相互约束的多个目标,最终解集并不是唯一的,而是一系列近似的Pareto最优解集。Pareto最优解对于决策者是一种很好的选择。由于进化算法一次运行能够提供多个Pareto最优解,且不受目标函数数学性质的影响,因此利用进化算法求解多目标优化问题成为近年来进化计算领域的研究热点。基于分解的多目标进化算法(MOEA/D)是由2007年张青富教授提出的将传统数学规划与进化算法相结合一种基于分解的多目标进化算法,通过预先设定的权重向量将复杂的多目标优化问题转变为一系列的单目标问题并行优化求解。MOEA/D在求解多目标优化问题时以其较强的搜索能力、高效的适应度评价、良好的收敛性等优点引起众多关注与广泛的研究。然而,此方法在求解目标维度较多或者Pareto最优解相对较为复杂的多目标优化问题时,存在收敛速率慢、同等评价次数情况下求解质量不够高等问题。因而,进一步改进MOEA/D,提高该算法的性能,研究更加高效的分解类多目标进化算法具有深远的意义和应用价值。本文针对目前众多学者在进化过程中采取的固定邻域结构与统一邻域大小存在的不足展开深入的研究,分别提出两种改进策略,并融入到MOEA/D中,进而提出两种改进的分解类多目标进化算法,并进行相关的仿真实验,验证策略的有效性,主要工作围绕以下几个方面展开:(1)为充分利用父代解繁殖出的新解带来的一系列有指导价值的信息,提出一种动态的邻域更新策略,并应用在MOEA/D中,提出基于邻域更新的分解类多目标进化算法(MOEA/D-UN)。通过新生个体与所有个体权重向量的聚合函数值,比较排序后,为每个个体的下代杂交与替换挑选合适个体组建新的邻域结构。从而增强了算法的收敛能力,提高算法收敛速率。为难于收敛的多目标优化问题提供一种解决方法。并在标准的测试函数,如ZDT系列,DTLZ系列,MOP系列测试问题上展开性能测试,采用常见的IGD指标与HV指标评价算法的性能,并MOEA/D、MOEA/D-GR算法相对比,结果表明,改进算法的收敛速率明显提高。(2)为解决不同的子问题使用相同大小的邻域统一优化,减缓算法搜索全局最优解的速率这一困难,尝试提出一种动态邻域设置策略,为每个子问题设置特有的邻域。通过分析不同子问题差异处理的原因;进而根据子问题与边界的距离,提出边界子问题与靠边界子问题的邻域减小,其他子问题邻域增大策略,将以上策略应用在MOEA/D中,提出一种动态邻域的分解多目标进化算法,简称为MOEA/D-DNS,并在ZDT系列,DTLZ系列,WFG系列典型的测试问题上进行性能测试。从IGD指标,HV指标,算法运行时间以及近似Pareto前沿几个方面与几个典型的算法做深度对比。实验结果表明,提出的动态邻域策略能够极大地增加算法的收敛能力,改进算法求得解集的收敛性极大提高,验证不同子问题邻域应差异处理策略的有效性。为之后研究算法性能的提升奠定基础。(3)为检测算法中提出的两个主要参数对算法性能的影响,本文通过设置一系列的参数,对此展开一系列的仿真实验。结果表明,对于不同的测试问题,总体上来讲,参数的改变对算法性能的影响不大,但为提高算法求解的性能,不同的子问题可以试图找到合适的参数。对于区分靠近边界的子问题,阈值设置为pi/18左右,效果较好,类似ZDT6测试函数的Pareto前端,角度的阈值设定应略微偏大。(4)将MOEA/D-DNS用于直线阵列天线的综合设计。利用该算法对具有对主波束功率聚集,而旁瓣得到一定抑制的直线阵列天线进行综合,实验表明,该算法设计出的值更加贴近期望值。同时算法的收敛速度较快,求解质量高。