在现实生活中,一些工程应用中通常会存在相互冲突的目标,决策者需要通过寻找最优值来解决问题。上述优化问题普遍存在于金融投资、生产制造和工程设计等领域。经过大量的学术研究,为了平衡问题中相互冲突的目标,需要建立多目标模型进行优化,使整体效果获得最优。由此,我们可以得出多目标问题的概念:若问题中存在多个需要同时优化的目标,并且目标之间相互制约,便称之为多目标优化问题(Multiobjective Optimization Problem,MOP)。由于目标之间的冲突性,多目标优化问题中通常不存在唯一的最优解,在经过算法优化后最终会得到一组最优解,即帕累托最优解集,其在目标空间中对应的目标值称为帕累托最优前沿。帕累托最优前沿的输出可以帮助决策者基于自身偏好做出最终选择。本文基于经典多目标优化算法框架进行研究和分析,在原始算法的基础上挖掘了可提升的空间,例如收敛性和多样性之间的平衡、处理复杂问题时的缺陷等。本文在算子方面提出了新的选择策略,以此满足复杂问题对算法性能的要求,此外,针对推荐系统应用的特点,本文通过优化改进多目标算法的性能,实现了多目标优化算法与推荐系统应用的有效结合。具体研究工作包括以下两方面:首先,本文提出了一种基于帕累托辅助自适应重组算子的多目标算法。该算法的核心思想是通过帕累托支配关系进行混合算子池的选择,两个算子池分别侧重收敛性和多样性,其中每个算子池包含两种特性的差分进化算子,算法采用适应值提升率的策略对算子进行评价和选择。最终,通过组合不同特性的算子,实现了算子之间的优势互补,综合提升了算法求解优化问题的能力。其次,本文提出了基于最优值点引导的多目标个性化推荐算法,该算法综合考虑了推荐系统的精确度、覆盖面和新颖度三个目标,并在多目标优化算法的框架基础上,通过目标最优值点引导进化的方式,使算法快速收敛到最优端面,提升了算法的进化效率。此外,通过优化算子的交叉方式,在高相似度的用户之间进行信息交互,最终实现了推荐系统评价指标的综合提升。