现实生活中需要优化的问题往往具有多个目标，例如，时间、质量、花费和数量等。进化算法是一种随机搜索算法，通过模拟生物自然进化与自然选择实现优势基因的积累来引导种群的进化。进化算法具有高鲁棒性和广泛适用性，能够不受问题性质的限制，有效地处理传统优化算法难以解决的复杂问题。受以NSGA-II[1]为代表的基于Pareto支配方法的影响，数学方法备受冷落。近几年，标量函数和分解方法成为传统优化领域最受关注的方法之一。现在在整个多目标优化领域，从传统的算法中寻找灵感，已成为一个趋势。由于优化问题中的各个目标往往是相互冲突的，故优化算法的目的是要找到目标间的折衷解，即Pareto最优解。为需要优化的目标定义一个聚合方法值或者偏好顺序，多目标问题即可转换为单目标优化问题，单目标优化算法可以找到多目标优化问题的一个最优解。然而，各目标间的折衷关系是无法确定的，因此需要一种方法提供最好的候选解并从中选出偏好解。基于分解的多目标进化方法（MOEA/D[2]）通过预先产生一组均匀的权重向量将多目标优化问题分解为一组单目标子问题，并为每个子问题分配一个个体。权重向量直接决定了种群的性能，然而，权重向量的均匀程度与具体优化问题有关，如何根据优化问题动态调整权重向量和子问题已成为基于分解的多目标进化算法研究领域的重点。
　　本研究针对目前均匀权重的产生方法及其权重向量与进化过程中的非支配面的形状的关系展开研究，主要工作包括以下三个方面：
　　第一、聚合方法将权重向量转化为一定方向的选择压力，这些聚合函数对选择压力的转换呈现一定的规律性。在使用某种聚合方法分解待优化问题时，本文利用Pareto最优解与权重向量的关系确定对应子问题的权重向量，并运用该权重向量指引子问题的进化。该方法可以自适应的调整子问题的进化方向，弥补为子问题指定权重向量带来的缺陷。
　　第二、归档集保存着算法搜索到的所有非支配解，这些解包含着待测试问题的最优解的信息。利用这些信息可为子问题的搜索提供依据。然而，归档集规模会随着算法迭代逐渐变大，本文采用第 K近邻的方法修剪归档集。通过修剪归档集大小可以达到与种群大小相同。
　　第三、由于归档集修剪需要耗费较多的计算资源，本文提出一种以基于试探的聚类方法为基础的归档集聚集程度评价方法来判断何时调整权重。该方法计算简单，可以在每一次迭代中节省较多的计算资源。
　　实验表明：本文提出的算法(SMOEA/D)在分布性方面有了较大的提高,采用Weighted Sum聚合方法也可以较好的处理非凸问题，并且本文提出的算法在收敛速度方面也有一定的提高。