高维多目标优化问题中一个长期困扰着研究人员的问题就是当目标空间维数大于等于4的时候，目标空间中解向量的可视化是几乎不可实现的。由于不能像在2、3维空间中那样能够直接观测目标空间中种群的动态变化情况，故而不能很直观的判断算法的优劣。特别是在算法存在不足的情况下，只能通过相关的实验数据来推测问题的所在，这就给算法的设计、测试开发和改进带了很大的麻烦。为改善在高维多目标可视化研究中的所遇到的困难，本文提出了用于高维可视化研究的Circle测试问题,它具有以下三个关键特征：
　　a)Pareto最优解集位于二维决策空间中的圆形区域内，这样就能直接观察决策空间中解集的收敛情况和分布情况；
　　b)决策空间与其相对应的目标空间在欧式几何空间范畴上具有图形相似性，即他们的任意维数的目标空间中的图形在二维空间上的投影与二维决策空间中的图像存在确定的比例关系；
　　c)能够任意设置目标空间的维数，即目标空间维数可以为任意的正整数。
　　这样研究者就能通过观察解集在圆形区域内的收敛性和分布情况来获知算法在高维目标空间中目标向量的收敛性和分布性，从而就能够为算法设计者提供了更为直接的工具来设计和修改算法。
　　由于经典的Pareto支配关系在高维情况下已经失效，大多数学者就致力于提高算法在高维问题上种群的收敛压力，他们通过修改这种关系，提出了基于松弛的Pareto支配关系，但是那些算法也没有取得令人满意的收敛性和分布广泛性。针对以上问题，本文提出了一种基于ε邻域惩罚机制的ε-NPM算法，它是一种基于权重的邻域惩罚机制方法，算法首先对所有目标的目标函数值进行求和，然后根据种群中每个个体的目标值的和对所有的个体进行排序，因此种群中的所有个体就构成了全序关系，这样就能很容易的区分个体的好坏，从而能够快速的选出精英个体，故而就能有效的提高算法的收敛速度。同时在将种群中收敛性好的精英个体选入归档集后，然后再使用ε-NPM来惩罚其邻域个体，其目的在于防止被精英个体ε支配的个体也同时被选入归档集，这样就能够有效地提高算法的分布性。本文将ε-NPM与NSGA-Ⅱ、AR、GrEA、MSOPS与ε-MOEA这5个经典的高维多目标算法进行对比，通过最后的实验分析表明ε-NPM是这6个算法中收敛性和分布广泛性最好的算法。