现实世界中存在大量需要同时优化多个目标的问题。多目标优化问题存在一组对各个目标折衷的解集,它们在目标域的投影一般称为Pareto前沿(PF)。基于分解的多目标优化算法(MOEA/D)将一个多目标优化问题分解成一系列简单的单目标优化子问题,然后通过协作的方式同时解决子问题进而得到用于近似PF的解集。作为组合优化问题的常用方法,局部搜索可以通过MOEA/D框架中扩展应用于组合多目标优化问题。本论文结合MOEA/D框架以及协同群智的局部搜索,设计算法求解多目标组合优化问题,包括以下主要内容:1.在组合优化问题中常存在的尖峰和长尾帕累托前沿(Pareto前沿)情形,使用MOEA/D求解时得到解集通常多样性不是很好。针对上述问题,论文设计了一个均匀分布参考点的多种群局部搜索(URPLS-MP)算法。URPLS-MP算法先利用m(目标数)个种群粗略确定问题的一个最小个体凸集(CHIM),再利用标准边界插值(NBI)方法在CHIM上生成一组均匀分布的参考点,结合由极值点(nadir point)指向理想点(ideal point)的方向向量新构造一个种群迭代得到最终结果。对比实验表明了URPLS-MP的有效性。2.基于分解的框架MOEA/D使用一组预先定义好的一组方向向量和理想点对多目标优化问题进行分解,大量研究显示MOEA/D只在某些特定形状的Pareto前沿效果较好。本文结合协同进化算法框架,提出了一种基于分解的协同群智多目标局部搜索(CoMOLS/D)算法来更好的解决多目标组合优化问题,一个种群使用均匀分布的方向向量来保证收敛性,另一个种群利用前一个种群得到解的分布动态生成方向向量以弥补多样性的缺失。通过对不同种类的多目标进化算法(MOEA)对比实验结果,验证了所提出算法的有效性。