多目标优化问题在现实生活中广泛存在,这些问题具有复杂度高,不易求解等特点,传统的数学方法难以对该类问题进行很好的求解。为解决这个问题,多目标进化算法被提出来并获得了广泛应用。多目标进化算法是启发式搜索算法中的一种,在处理多目标优化问题上,该类算法表现出了良好的鲁棒性和适用性。然而,随着目标个数的增加,这些多目标优化算法的有效性将逐渐地失效。原因是当目标数大于三个时,非支配解的数量将快速的占据整个种群的数量,传统的支配关系将失去收敛压力的功能,导致整个种群无法收敛到真实的帕累托最优面（Pareto optimal front,PF）上。为处理好该问题,基于指标类的超多目标进化算法和基于分解类的超多目标进化算法被提出来用于增强环境选择。然而,指标类算法获得的解集易于收敛到某些特定的帕累托区域,从而导致种群多样性和覆盖度方面的缺失;分解类算法的性能又依赖于真实PF的形状。针对指标类和分解类的超多目标进化算法存在的不足,本文主要致力于对基于指标和基于分解的超多目标进化算法进行改进,提出了两种超多目标进化算法,其内容如下:1)提出了一种基于指标带边界保护策略的超多目标进化算法（An Indicator-based Many-objective Evolutionary Algorithm with Boundary Protection,简称MaOEA-IBP）。在MaOEA-IBP中,设计了一种基于I?+指标和边界保护策略的最差淘汰机制,可更好地平衡种群的收敛性、多样性和覆盖率。具体来说,首先从种群中选取一对具有最小I?+指标值的个体,如果其中一个个体支配另外一个个体,则淘汰被支配的那个个体,否则用边界保护策略淘汰一个性能较差的个体。MaOEA-IBP继承了指标的优点,同时也弥补了指标在多样性和覆盖性方面的不足。为了验证所提出算法的性能,将MaOEA-IBP与四种基于指标的算法（即ISDE+、SRA、MaOEAIGD和ARMOEA）以及其它五种最新的MaOEAs（即KnEA、MaOEA-CSS、1by1EA、RVEA和EFR-RR）,在各种超多目标测试问题上进行了比较。实验结果表明,MaOEA-IBP具有优越的竞争性。2)提出了一种基于分解带目标空间转移的超多目标进化算法（An Decomposition-based Many-objective Evolutionary Algorithm with the Transfer of Objective Space,简称MOEA/D-TOS）。该算法很好的利用了权重求和收敛能力强的优势,同时弥补了权重求和不能处理好非凸问题的缺陷。首先,MOEA/D-TOS利用当前种群和预设PF之间的方差预估出真实PF的形状;然后,计算出个体到真实PF的距离,根据该距离将个体映射到凹问题内;最后,在凹问题中利用权重求和函数计算出映射后个体的适应值,适应值越大代表个体越优秀。为了验证所提出算法的性能,MOEA/D-TOS在各种类型的超多目标测试问题上,与MOEA/D的八个变体及一些最新的超多目标分解算法进行了实验对比与分析。实验结果表明,与对比的算法相比,MOEA/D-TOS算法具有一定的竞争优势.