近年来,单目标优化问题和多目标问题都已无法满足人们在各行各业中越来越复杂的需求,因为超多目标问题在各个领域受到广泛应用,所以与超多目标优化问题相关算法研究也有着重要的意义。目前超多目标优化问题求解算法研究存在一些问题需要解决,例如:随着目标个数的增加,Pareto解的数量呈指数级增长,导致解集的收敛性与多样性严重失衡,对算法的性能造成了严重的影响。实际上由于问题的复杂性,超多目标进化算法的研究在理论和技术上还存在一定的问题,测试问题案例在验证超多目标优化算法以及比较优化算法等方面发挥着重要的作用,由于现有的经典测试问题比较‘容易’使算法收敛到Pareto最优解,不能很准确地分析出超多目标优化算法存在的问题与缺陷,本文研究了多目标优化问题决策变量空间中收敛变量和Pareto变量的概念,设计了一组新的适用于超多目标优化问题的‘复杂’的测试案例,通过设置‘障碍’,使求解过程不容易收敛到Pareto最优面或使最优解不能保持在Pareto前沿面上的良好分布性,大大增加了求解难度,通过测试各经典算法在本文设计的测试案例上求解Pareto最优解的效率以及保持收敛性与分布性的表现,证明这些测试案例是有效的,相对常见的经典测试案例,更加适用于超多目标优化问题的求解性。本文在设计过程中主要提出以下研究内容以及创新:首先基于目前几种常用的超多目标优化问题测试案例,分析了超多目标优化问题测试案例设计的问题,研究了解决相关问题的方法;其次研究设计了一组特性函数,包括简单线性最优点、密度偏转、局部最优欺骗陷阱、多峰障碍、平坦区域等。将这些特性函数施加到收敛决策变量上,在设计最优解收敛点的同时,可以有效地设置障碍,增加求解难度;再次研究设计了凸面、凹面以及复合曲面等Pareto前沿形状函数集,研究了改变最优解分布特性的方法;最后设计了一组新的可以检测不同算法求解效率与求解性能的测试案例,测试案例包含多种几何形状与特性,测试案例构造过程容易,却具有较为复杂的求解特性,可以从多个不同方面验证和测试各算法的优势与缺陷,并通过对各经典算法实际求解与真实前沿进行对比验证,证明本文设计的测试案例的有效性以及优势。本文设计的测试案例可适用于多目标优化问题求解,并在超多目标优化问题上具有一定的优势。