近年来,多目标智能算法的研究,如多目标进化算法(MOEAs)和多目标粒子群优化算法(MOPSOs)的研究,已经成为了一个研究热点。本文旨在通过对多目标优化和高维多目标优化问题(MOPs和MaOPs)内在机制的深入研究和剖析,针对进化算法和粒子群优化算法在求解MOPs和MaOPs上存在的缺陷而设计新的改进措施,全面提升这两类智能算法在求解各类MOPs和MaOPs上的性能。论文的主要研究内容包括以下几个方面:首先,在基于限制子问题适应区域的分解策略的多目标进化算法中,均匀分布的权重向量与复杂的Pareto最优前沿一般无法完全匹配,这可能导致各子问题优化的不均衡,从而影响种群的多样性。为了解决这个问题,本文提出了一种基于动态分解策略的多目标进化算法。在这个算法中,规模为N的父代种群经进化操作产生新的规模为N的子代种群后组成一个合并种群,用基于限制子问题适应区域的分解策略根据预设的N个权重向量,将合并种群中的解与子问题关联。然后,通过计算每个子问题适应区域内的解的个数,反映出合并种群的解的分布,再统计出适应区域内没有解关联的子问题的数目作为要重新生成的子问题的数量,接着利用我们设计的基于聚类方法的动态分解方法将当前适应区域内解的数目最多的子问题进一步分解为两个新的子问题。最后,用一个简单的收敛性指标在每个新的子问题适应区域内选取一个收敛性最好的解。实验结果验证了这种动态分解策略的有效性。其次,研究发现大多数MOPSOs在求解MaOPs时效果不佳。这主要是因为在高维空间上,非支配个体数量大幅增加,算法在更新种群时面临选择压力的不足。另外,现有的多样性维持机制在高维空间上总是引导粒子向稀疏区域搜索。这样会导致算法最终的解集松散分布在目标空间而且远离真实的Pareto最优前沿。为了避免上述情况,本文提出了一种平衡适应度的计算方法和一种新的速度更新方式,并提出了一个新的高效求解MaOPs的粒子群优化算法。此外,在这个新的算法中的外部存档上加入进化操作,以提供另一种进化模式来进行搜索。最后,为了解决在高维目标空间平衡种群的收敛性和多样性非常困难的问题,本文提出了一种新的基于聚类方法的MaOEA。算法的主要思想是将种群通过聚类分成若干个类,在同一类中的每一个解都应该具有很高相似度,这个相似度根据解向量之间的夹角来定义。因此,这若干个聚类实际上有助于反映出整个种群的分布。为了对整个种群高效的聚类,首先用基于分割的聚类方法将种群分为m个大类(m为目标数),然后用基于层次的聚类方法进一步对这m个大类分别进行聚类,最终得到N个小类(N为种群规模且N>m)。在算法的环境选择中,从每个与坐标轴方向最近的小类中选取一个解来维护种群的多样性,而从剩下的每个小类中通过一个简单的收敛指标选取收敛性最好的解来保证种群的收敛性。实验结果验证了这种基于聚类方法的进化算法的有效性。