应用存在大量多目标优化问题。基本算法,如传统多目标优化算法、多目标遗传算法、多目标粒子群优化算法等,面对复杂实际问题,常常遇到陷入局部最优等诸多缺陷,原因在于算法偏好过于简单,没有充分利用问题特征。目前的算法设计单纯依靠经验,需要反复测试修改;算法的复杂性会显著影响其泛化能力,使其缺乏可复用性。因此,简化算法设计和重用已有算法具有重要意义。本文提出的多目标优化问题自适应求解框架通过特征分治和策略重用有效解决了以上两个问题。分类自适应求解多目标优化问题的特征,借鉴人群分工协作有效完成任务的行为,设计框架包含三个阶段、十三个模块和若干策略,阶段刻画求解流程、包含若干模块,模块对应特征类型、包含若干策略,策略负责处理具体特征、成为可复用的单元。算法设计简化为为框架中的模块选择合适的策略,策略的分析比较使选择变得简单。无法确定合适策略的模块可以对应一组策略,框架在线学习策略性能,自动选出最优策略。各模块核心思想描述如下。分维合作分析函数维的相关性,减小搜索空间;函数变换分析函数形态,在线调整使其更易优化;分群处理分析函数特性,分割搜索空间;三者共同分解问题相关性。初始分布利用先验知识,引导搜索;全局探索利用全局搜索能力强的算法,收敛到全局最优区域;局部开发利用局部搜索能力强的算法,快速收敛到域中最优;三者共同平衡探索与开发。支配排序利用Pareto支配概念,建立个体优劣的偏序关系;多样估计利用空间距离,度量个体的分布情况;优解选择利用支配排序和多样估计,优先选择非支配的或较少被支配的、分布稀疏的个体;三者共同平衡收敛与多样。结果分析利用量化指标,度量框架运行的总体性能;策略评价利用结果分析,评价策略优劣;策略选择利用策略评价,选择优秀策略更多参与计算;三者共同实现策略的自适应。参数优选利用动态改变算法参数,减少人工选择的影响。本文首先定义多目标优化问题、列举基本算法的缺陷。接着理论探讨求解框架,分析问题求解、分类问题特征、研究人群行为、提出求解框架。最后以粒子群优化为全局探索模块的策略,分裂优解选择为档案选择、个优选择、全优选择,详细总结各模块的核心思想,比较各策略的思想、偏好、假设和性能。