多目标与超多目标优化问题广泛存在于现实世界当中,处理好这些问题具有重要的现实意义。然而,这些问题具有多个需要被同时优化且可能相互间存在冲突的目标函数,导致传统的数学方法很难进行处理。进化算法是一种基于种群的启发式算法,具有较强的搜索能力,能够解决很多传统方法无法解决的优化问题,已被广泛用于求解多目标与超多目标优化问题。近年来,为处理好超多目标优化问题,学术界提出了大量超多目标优化算法（Many-objective evolutionary algorithms,Ma OEAs）,但现有超多目标进化算法仍存在较大的改进空间。一方面,大多数的超多目标优化算法仍然直接采用为单目标优化算法所设计的变异算子,没有考虑超多目标优化问题（Many-objective optimization problem,Ma OP）的特点;另一方面,现有算法的性能有待提升。为此,本文提出了两种新颖的超多目标优化算法。具体的研究工作如下:1)提出了一种基于变量分类与精英个体的超多目标进化算法（2REA-VCEM）。该算法的核心创新是设计了一个基于决策变量分类与精英个体的变异策略（Variable classification and elite individual based mutation strategy,简称为VCEM）。VCEM首先将决策变量分为收敛性相关变量和多样性相关变量。然后,对于每一代种群,选择一个收敛性最好的精英个体和一组多样性优秀的精英个体,并分别利用这两类个体的收敛性相关变量和多样性相关变量引导变异操作。为了验证2REA-VCEM算法的有效性,将2REA-VCEM与七种先进的超多目标进化算法在超多目标问题集上面进行了比较,实验结果表明所提出的算法表现出了良好的竞争力。此外,通过将VCEM与4种不同类型的Ma OEAs进行结合并与原算法对比,以及基于经典的超多目标优化算法与5种不同的变异算子进行对比,进一步证明了所提变异策略的有效性与通用性。2)提出了一种基于双指标选择策略的超多目标优化算法（Ma OEA-2IS）。Ma OEA-2IS在环境选择中采用两种选择标准来平衡种群的收敛性与多样性。首先设计了一种新颖的基于超体积（HV）指标的收敛性指标,并基于该指标挑选种群中收敛性最好的个体,同时通过分布性指标计算该收敛性最好个体与种群中其他个体的相似性。随后,当被选个体邻域没有其他个体时,这个个体将被认为是具有良好收敛性与多样性的个体而被保留到下一代,否则,该个体将被放入候选存档中。重复上述操作直到保留到下一代的个体数目达到种群上限。当下一代个体的数目不足时,候选存档中的个体将依据它们对下一代种群多样性的贡献被选出并保留到下一代。为了验证Ma OEA-2IS算法的性能,将Ma OEA-2IS与七种先进的超多目标进化算法在三个具有代表性的超多目标问题集上面进行了实验比较,结果表明Ma OEA-2IS能够有效解决超多目标优化问题。