多目标优化问题因其具有较强的全局优化能力而成为科学研究和工程应用领域中非常重要的研究课题。然而，高维目标进化算法在求解复杂的实际问题时，却普遍存在既要快速收敛又要维持群体多样性的矛盾。一方面，随着目标维度的增加，非支配解的比例迅速增加，从而种群的搜索能力显著下降，导致算法无法收敛；另一方面，在目标个数的急剧扩张下，要求逼近整个Pareto前沿的解集个体数必然呈指数型增长，解集个体数的严重不足会阻滞算法的进程向Pareto前沿逼近；同时，高额的计算复杂度使得解集分布在整个Pareto前沿增加一定的困难。协同进化机制强调种群与种群之间和种群与环境之间相互竞争和相互协作，在解决高维目标优化问题时，该机制能够有效的加快种群收敛又能提高种群多样性。针对以上难点问题，本文从协同机制的研究角度出发，引入膝盖点作为决策者偏好引导种群求解决策者感兴趣的区域。同时，提出种群自适应偏好集策略，进一步降低算法计算复杂度。本文的主要研究内容如下：　　1：提出了一种膝盖点引导的偏好集协同多目标进化算法。首先利用多个随机偏好引导种群进化，然后利用进化后的种群来选择偏好，这两个过程循环交替，实现偏好与种群协同进化。进一步，为了提高决策者在未知偏好情况下对解集的选择能力，提出膝盖点引导的偏好集协同多目标进化算法，即通过膝盖点引导种群向决策者感兴趣的区域逼近。在算法性能评价实验中，将所提算法应用到求解ZDT与DTLZ测试函数，实验结果表明该算法具有更好的收敛性。　　2：提出了一种基于偏好集自适应协同的高维目标进化算法。首先，围绕如何利用多个随机偏好来引导种群，并实现偏好与种群的共同进化，建立了一种偏好集与种群的自适应协同进化策略。其次，通过对多偏好更新频率的统计分析，获取多偏好与种群间的最优协同模式。在算法性能评估实验中，将所提算法用于求解2到10目标的WFG测试函数，实验结果上验证了算法的有效性与优越性。