在多目标问题(Multi-objective Optimization Problems,MOP)优化过程中,由于缺乏对帕累托前沿(Pareto Front,PF)的选择压力,导致经典的多目标进化算法(Multi-objective Evolutionary Algorithms,MOEAs)求解多目标优化问题无效。此外,众所周知,在收敛性和多样性之间如何保持良好的平衡对于MOEAs的性能也是至关重要的。上述两个方面对设计MOEAs提出了很大的挑战。为了解决这些问题,研究人员开发了基于参考点的方法,在优化过程中使用预先产生的参考向量助其保持良好的种群多样性。但是,不同测试问题形状(Shape of PF)在搜索过程中会严重影响MOEAs的性能。本文提出一种基于参考点自适应的高维多目标算法,“基于自适应参考点的多目标进化算法(An Adaptation Reference-point-based Multi-Objective Evolutionary Algorithm,ARMA)”,此方法根据种群的候选解集来学习MOP的PF形状。这种自适应方法是调整参考点的相对位置和调整参考平面的形状,使其可以处理具有凹形的多目标优化问题或凸形多目标优化问题,并且根据整个种群的目标值,使用参数φ来控制参考点集的超平面形状和个体解在超平面上的分布情况。根据参考点的分布概况,提出的新聚类方法就可以用来平衡多目标优化中的小生境精英个体保存操作。我们通过比例和角度值将种群划分为若干个局部环境,这种局部环境被称为小生境,然后在环境选择策略中根据不同的适应度值挑选不同的或者更好的精英解方案。在这种方法的环境选择期间,通过聚合函数值能加强种群的收敛性能,并且基于比例和角度方法作为衡量种群多样性的指标,能够提高种群分布性能。在实验中选择六种最先进的进化算法,HYPE、SPEA2+SDE、MOEA/D、MOEA/DD、NSGA-III和RVEA作为对比算法。在实验中用来测试算法的优化问题选自于ZDT系列,DTLZ系列和WFG系列。这三个系列问题在多目标优化问题中具有良好的扩展性和分布难度。同时,测试的多目标优化问题具有各种特征,例如具有线性,多模态,凹凸面,不连续或退化特性。在与六个进化算法对比中发现,本算法产生了一组具有多样性和收敛性种群,具有强大的竞争力与有效性,满足不同测试问题的需求。此外,随着进化代数的增加,参数φ控制的参考点平面能自适应测试问题的真实PF,具有测试问题的凹凸性,线性等特征。