多目标优化问题在现实世界中广泛存在,它往往包含多个需要同时求解却又存在矛盾的优化目标。例如物流调度问题,在考虑物流成本最低的同时,需考虑用户的满意度最大。不同于单目标优化,多目标优化的最优解是Pareto解集,而非某个单一的最优解。为求解多目标优化,相较于传统数学方法,基于种群迭代的智能演化算法已经取得了显著的成效。近年来,为了进一步提升智能演化算法对多目标优化的解决效率,文献中出现了许多利用优化问题之间的相关性,借助问题之间的知识迁移,以实现快速多目标问题求解的智能演化算法。然而,如何寻找有用的相关性问题在实际多目标问题求解中仍然是一个具有挑战的问题。对多目标优化问题而言,其自身包含了多个单一优化目标。因此,这些单目标优化问题与原多目标优化问题本身就具备了天然的关联性。若能有效地学习与迁移这些单一优化目标中的知识以引导原多目标优化问题的优化方向,那么极有可能大幅度提升多目标优化的效率。基于此,本文围绕如何利用从多目标优化问题中拆解出的单目标优化信息,借助知识迁移的手段,以实现高效的多目标优化这一关键科学问题,开展了智能迁移优化算法的研究。具体地,本文的主要研究内容与贡献如下:（1）本文提出了一种基于单目标知识迁移的多目标优化算法（MOST）。该算法将已解决的单目标问题作为知识来源,将去噪自动编码器作为迁移方法。在常用多目标基准问题上的实验结果表明,该算法在不降低解质量的情况下,可以明显加速多目标优化的收敛过程。另外,通过进一步分析,揭示了算法有效性与迁移成功率之间的正相关性,为后续的工作提供了一种潜在的评价指标。（2）针对MOST算法可能出现的负面迁移效应,本文继续对单目标分解方法和知识迁移方法进行了探究,提出了一种基于加权分解方法的融合式迁移多目标优化算法（MOIST）。该算法使用加权分解方法设计单目标问题,提出了一种融合式迁移方法。实验结果表明此融合式迁移多目标算法能够有效减少负面的知识迁移,且提高多目标优化的收敛速度。同时,分析了不同单目标分解方法和知识迁移方法在不同问题上的偏好,为后续工作的改进提供了一些启发。