科学研究和工程实践中广泛存在着具有多约束多变量的多目标优化问题。基于进化理论的多目标进化算法不需要问题的先验信息,具有良好的并行性和鲁棒性,在求解多目标优化问题上表现优异。子代解的产生是多目标进化算法的重要组成部分,显著影响算法的性能。因此,研究多目标进化算法子代解的产生方法具有重要意义。在多目标进化算法中,子代解通过父代选择和个体重组两个环节产生。改进多目标进化算法随机选择父代的方式,有助于避免误导算法的收敛方向;改进多目标进化算法的重组算子,有助于提高后代个体的质量,提升多目标进化算法的性能。本文利用K-means聚类算法挖掘种群演化的信息,基于聚类结果对父代选择进行交配限制,平衡全局搜索和局部搜索;设计不同的重组算子,引导算法平衡多样性和收敛性;应用改进后的算法求解光伏最大功率点追踪问题。本文的主要研究内容和成果如下:提出了一种基于聚类的动态交配限制概率策略（CDMRS）。基于支配的多目标进化算法演化前期偏向收敛性,后期逼近Pareto前沿时偏向多样性,导致算法容易陷入局部最优,最终种群多样性不足。CDMRS中使用K-means算法对种群进行划分,可以有效的控制父代来源;基于聚类结果,设计交配限制概率动态更新方式,在算法的不同阶段根据搜索需求动态平衡多样性和收敛性。在42个标准测试问题上,将CDMRS嵌入NSGA-II中,改进的算法分别在30和35个问题上获得了更优的IGD和HV指标;将CDMRS嵌入SPEA2中,改进的算法在23个问题上获得了更优的IGD和HV指标;验证了策略的有效性和适应性。提出了一种基于聚类的两阶段重组算子多目标进化算法（TROC-MOEA）。设计基于模型的重组算子,基于聚类结果对每个类中的个体构建高斯模型,通过采样产生子代提高了算法的局部开采能力。设计两阶段策略,在算法演化的不同阶段使用遗传算子或模型算子,有偏好地进行勘探和开采,平衡全局搜索和局部搜索。将TROCMOEA与五种经典算法在42个标准测试问题上实验,分别在21和19个问题上获得了最优的IGD和HV指标,验证了TROC-MOEA的有效性和合理性。应用TROC-MOEA对光伏最大功率点追踪问题求解。将光伏最大功率点追踪问题建模为最小化电流误差值和最大化输出功率的双目标优化问题。在设计的4种不同的仿真环境下,将TROC-MOEA与五种经典算法进行实验,TROC-MOEA在获得更小的电流误差值的前提下,获得了更大的输出功率和输出电压。