基于分解的多目标进化算法(MOEA,Multi-objective Optimization Evolutionary Algorithm)在多目标优化领域获得了越来越广泛的关注与研究。很多研究已经验证了基于分解的多目标进化算法的性能,但是其仍然存在一些问题。比如其对帕累托前沿的形状比较敏感,在处理具有复杂帕累托前沿的多目标优化问题时往往会出现解集分布不均,无法覆盖整个帕累托前沿的现象。本文针对这一问题进行了研究,提高基于分解的多目标进化算法处理复杂帕累托前沿的能力。主要的研究内容可以概括如下:1.针对复杂帕累托前沿中的不连续帕累托前沿,提出了一种两段法的MOEA/D算法框架。其将算法分为两段,在第一段中探索帕累托前沿的形状,判断其是否为不连续的情况;若是不连续的情况,在第二段中将其转化为数个连续帕累托前沿的优化问题并协同演化它们。算法框架中提出了使用参考点集代替参考点指导种群演化,算法还包括生成数组权向量和进行种群重分配。通过这些操作提高算法框架在处理不连续帕累托前沿的能力。在重生成权向量中,提出了一种通过子类种群的目标向量空间比的方法来确定每组权向量生成的数量,使得计算资源在空间中的调配更加合理。在进行种群重分配中提出了一种基于贪心法的种群重分配策略。通过这种策略可以在快速分配的同时尽可能的保存种群的多样性。2.在上面提出的两段法的MOEA/D算法框架的基础上,将经典的基于分解的多目标进化算法MOEA/D-DE与一种基于密度的聚类算法DBSCAN相结合。DBSCAN用于判断帕累托前沿是否为不连续的类型。还提出一种邻居/类内/类间的父代个体选择策略,可以让种群进化时不仅可以借助邻居的优势,也可以借助子类种群的优势,加快收敛的速度。我们将这种算法命名为MOEA/D-DE-DC。实验结果表明,提出的算法在处理不连续帕累托前沿问题的多目标优化问题相比于传统的算法有了大幅的提升,在近似解集的分布上也比传统的算法更加均匀。3.为了提高算法处理各种帕累托前沿的能力,提出了一种概率自适应的MOEA/D-DE算法。该算法可以自动非线性的调整每个子问题选择父代个体的概率、差分进化的概率和变异的概率。当子问题的解分布稀疏时,降低从邻居中选择父代个体的概率,提高差分进化的概率和变异的概率;而当子问题的解分布密集时,提高从邻居中选择父代个体的概率,降低差分进化的概率和变异的概率。最后通过实验验证了MOEA/D-ACP的性能。