相比于多目标优化问题（Multi-Objective Optimization Problems,MOPs）,同时考虑目标数大于3的高维多目标优化问题（Many-Objective Optimization Problems,MaOPs）更符合实际应用。随着目标个数不断增多以及目标问题的复杂度增加,目前的多目标优化方法无法很好的解决高维目标空间中性能退化问题,如无法很好的筛除性能差的支配抵抗解（Dominance Resistant Solutions,DRSs）,在高维目标空间中的收敛性和多样性平衡性差,面对复杂Pareto前沿难以自适应调整,缺少良好的收敛性和多样性评估方法等。因此,MaOPs是当前演化计算领域的研究热点和研究难点。针对当前问题难点和演化计算的特点,本文提出了两个高效且易实现的新高维多目标优化算法（Many-objective Evolutionary Algorithms,MaOEAs）,并在标准测试集上与目前主流算法比较。本文研究具体如下:（1）为改善高维目标空间中种群整体收敛性和多样性的平衡问题,同时增强种群整体性能,本文设计了一种基于新的角度惩罚距离的高维多目标优化算法（A Many-Objective Evolutionary Algorithm based on New Angle Penalized Distance,MaOEA-NAPD）。在MaOEA-NAPD中,它可以随着进化过程调节收敛性和分布性重要程度从而进行平衡,并在环境选择中用新的角度惩罚距离来剔除较差个体来提高种群整体的性能。除了对环境选择改进外,本文将匹配机制改为基于两目标Pareto占优的二进制锦标赛选择策略,并引入了新的收敛性度量和分布性度量,分别为成绩标量函数和基于角度的拥挤度度量,从而提高了匹配池的择优能力。实验结果表明,在从3目标到15目标的标准测试函数中,与主流算法性能相比较,MaOEA-NAPD能取得更好结果且还具有自适应参考向量生成,时间复杂度低等优势。（2）为增强种群在高维目标空间中收敛性和多样性的评估能力,从而准确筛出并保存种群中的优异个体,本文提出了一种基于角度距离的分离和聚类的高维多目标进化算法（An Angle Distance based Many-Objective Evolutionary Algorithm with Separation and Clustering,ADMaOEA-SC）。在ADMaOEA-SC的环境选择中,首先采用角度优先策略来选择当前种群多样性最优的个体,以此作为目标子空间的中心,达到分离和保存多样性的目的。然后,通过最大最小距离将具有中心相似特性的个体进行聚类。最后根据聚合函数值进行精英选择,即在聚类中选取收敛性和多样性综合最优的精英个体进入下一代。经过共145组高维多目标标准测试函数的实验,结果表明ADMaOEA-SC算法能取得比对比算法更好结果。ADMaOEA-SC的主要优势在于通过更准确的评估策略提升算法在带有不规则Pareto前沿优化问题的性能。综上所述,本文针对高维目标空间种群的收敛性与多样性设计了两种不同的MaOEAs,并在相关测试函数中验证了性能。在高维目标空间中对于收敛性和多样性平衡的重视,可以缓解个体陷入局部最优解的情况同时提升种群整体性能,从而可以更好的适应带有复杂Pareto前沿问题。