随着互联网技术和电子商务的发展,各行业逐渐趋于信息化,越来越多的在线服务为人们的生产生活带来了诸多便利。然而,大数据时代下,互联网平台的用户以及数据量呈指数式增长,用户需要在信息化平台上花费大量的时间和精力去选择感兴趣的内容。换句话说,互联网在带给人们便利的同时,也面临着信息过载问题。而推荐系统旨在海量信息中为用户推荐个性化的商品或信息,成为了缓解信息过载问题的重要工具,被广泛应用于众多网络应用。然而,现有的推荐模型大多关注于推荐的准确率和多样性,不足以满足用户的多样化需求。因此,为了尽可能缓解上述问题,本文拟将从智能优化角度,将推荐问题转化为高维多目标优化问题,构建推荐模型,并从知识挖掘、经验共享两个角度设计高维多目标优化算法去高效求解。具体工作如下:（1）针对现有的推荐算法大多关注于推荐的准确率和多样性,且存在单一推荐算法适用场景的局限性问题,本文提出基于高维多目标优化的混合推荐模型。首先,分析多个优化目标之间的关系,从多个角度模拟用户的需求。然后,通过线性混合三种基础推荐技术并采用基于评分的推荐机制,可以同时优化推荐的准确率、召回率、多样性、新颖度及覆盖率。实验结果证明,使用多种现存的高维多目标优化算法求解此模型可以为用户提供包含多种优秀性能的推荐表单,同时,通过与其余模型性能的对比,验证了此模型优越性。（2）为提高上述提出的基于高维多目标优化的混合推荐模型产生推荐的性能,设计两种不同机制高维多目标优化推荐算法。针对高维多目标优化算法中个体评估策略大多关注于个体的收敛性及多样性,而忽略算法运行代数对个体评估的影响,根据进化类算法“适者生存”的核心思想,提出基于代数的个体评估策略,使得个体评估的前期收敛性在个体评估中所占的比重较大,反之,多样性在算法运行后期所占的比重较大,从而提高算法的选择压力。由于基于高维多目标优化的混合推荐模型包含约束问题,算法在运行过程中会产生大量不满足约束的个体,知识挖掘策略将决策变量分区,利用算法进化过程中产生的知识,指导不满足约束个体生成在各区域的概率,提高算法优化模型效率。（3）为保证算法运行过程中种群内解的个体性,使种群在更新后不满足约束的个体可以回溯至个体历史最优位置,加快优化进程。根据群智能类算法“经验共享”的核心思想,提出多评价准则的高维多目标粒子群推荐算法。高维多目标粒子群算法中最核心的问题就是优解的选择,单一评价准则的性能将直接影响算法性能。本文采用“优势互补”的思想,使用侧重于代数影响的基于代数的个体评估准则以及侧重于个体收敛性及多样性的改进个体密度转移评估准则,构建多评价准则高维多目标粒子群优化算法。针对模型,构建基于分区的个体更新策略,在个体更新过程中加入区域最优个体进化的经验,避免算法陷入局部最优。在算法后期采用高维多目标细菌觅食算子加快算法局部搜索速度。实验结果证明,以上两种算法在求解优化算法基准问题集及推荐模型时都可以产生优秀的结果。