多目标优化问题往往需要同时考虑若干个相互冲突的目标。大多数情况下,某个目标的改善可能引起其它目标性能的降低,同时使多个目标均达到最优是不可能的,只能在各目标之间进行协调权衡和折中处理,使所有目标尽可能达到最优。如何获取这类问题的最优解,一直都是学术界和工业界关注的焦点问题。演化算法是模拟自然界生物的进化过程产生的一种基于种群的随机优化算法。利用演化算法解决多目标优化问题具有独特的优势:可以解决大规模复杂空间上的搜索问题;一次运行可以获得多个折中解。由于这些优势,演化多目标优化算法逐渐兴起,并成为演化计算的主流研究方向之一。近年来,基于分解的演化多目标优化算法（MOEA/D）逐渐成为研究热点。这类算法的基本思想是将多目标优化问题分解为一组标量子问题。相邻的子问题相互协作以生成新的后代解,而新的后代解不仅会更新相应子问题的解,也会更新邻域解。通过这种方式,所有子问题同时得到优化,最终可以得到整个逼近解集。本论文针对基于分解的演化多目标优化算法的一些关键组成部分,即后代生成策略、预选择策略和替换策略展开深入的研究,并将研究成果应用于数据挖掘问题。论文的主要工作包括:1.后代生成策略研究。针对当前后代生成策略难以生成高质量后代解的问题,本文提出了一种后代生成策略（MOEA/D-OGS）。首先,本文根据父代解之间的优劣为每个子问题生成一个临时解集;然后,利用代理模型估计每个临时解的目标值,排序并获得最优临时解;最后,利用差分演化算法与最优临时解生成后代解。实验结果表明本文提出的后代生成策略取得了比传统演化算子更优的性能。2.预选择策略研究。针对当前基于分类的预选择策略难以识别最优候选解的问题,本文给出了两种改进策略:（1）提出了一种混合个体选择机制（MOEA/D-CS）。首先,本文为每个子问题生成候选解集并构建分类模型;然后,利用分类模型区分候选解并保存优良候选解;最后,利用相似性度量方法计算每个优良解与邻域解之间的相似性,将最近邻域解的目标值作为该优良解的目标值,排序并获得最优后代解。（2）本文提出了一种代理个体选择机制（MOEA/D-SISM）。首先,本文基于后代生成策略为每个子问题生成候选解集;然后,利用代理模型估计每个候选解的目标值并获得最优后代解。实验结果表明本文提出的两种改进策略取得了比基于分类的预选择策略更优的性能。3.替换策略研究。针对当前替换策略难以平衡种群收敛性与多样性的问题,本文提出了两种改进策略:（1）提出了混合局部替换策略与全局替换策略方法（MOEA/D-HRS）。本文利用阈值决定局部替换策略或全局替换策略被选择的概率,并且利用后代生成策略为每个子问题生成后代解。这种混合替换策略可以较好的平衡种群收敛性与多样性。（2）为了克服混合替换策略需要手动调整阈值的不足之处,本文提出了基于自适应方法的替换策略（MOEA/D-ARS）。在该策略中,适应值改进率与退化机制被用来平衡局部替换策略与全局替换策略被选中的概率。实验结果表明本文提出的两种改进策略显著提升了基于分解的演化多目标优化算法的性能。4.应用研究。极限学习机使用单层前馈神经网络并广泛应用于数据挖掘问题。针对目前极限学习机随机产生初始权值与隐层偏置会导致网络性能不稳定的问题,本文提出了多目标极限学习机参数优化策略（MOEA/D-ELM）。该策略优化两个相互冲突的目标:（1）训练误差;（2）泛化性能。实验结果表明本文提出的参数优化策略提升了极限学习机的模型精度。