多目标问题广泛存在于科学、工程、经济等领域.随着科技的进步,实际问题越来越复杂,大大增加了求解多目标问题的难度.不同于单目标问题,多目标问题的求解过程更为复杂,更具挑战.因此研究多目标问题的求解算法具有重要的现实意义和理论价值.与传统优化相比,多目标进化算法可以获得均匀分布的非支配解集,且不要求目标函数的光滑性,对解决复杂优化问题发挥着至关重要的作用,因此研究者提出了许多优化算法来求解各种类型的多目标问题,如NSGA-Ⅱ、SPEA2、基于分解的多目标进化算法(MOEA/D)、多目标狼群算法(MOGWO)等.特别地,MOEA/D将进化算法与分解策略相结合,为多目标优化提供了新方向,被广泛应用于不同领域,成为求解多类复杂优化问题的有力工具之一.而MOGWO是一种新兴的群体智能优化算法,模拟了野生狼群的社会阶层、管理模式和觅食行为,参数少,易操作,具有良好的局部搜索和全局开发能力.然而MOEA/D和MOGWO存在种群多样性下降、进化过程缓慢等不足,为改善算法性能,本文通过分析MOEA/D和MOGWO的基本原理,对这两种算法分别进行了改进,主要内容如下:1.针对基于分解的多目标优化算法在整个进化过程中由于种群规模和权向量保持不变,容易导致种群多样性下降和早熟收敛的不足,提出了一种基于成绩标量函数搜索的分解多目标进化算法.为使MOEA/D对决策空间均匀探索,首先通过分析当前种群的稀疏度提出了一种自适应的基于成绩标量函数的局部搜索策略,动态地增加种群规模和权向量:;其次,提出了一种改进的混合差分算子和自适应的缩放因子设置方法,平衡算法的全局探索和局部开发.2.针对MOGWO不能有效地筛选出高质量的狼群首领,导致进化过程缓慢的不足,提出了基于有效序值的多目标狼群算法.该算法将有效序值排序引入MOGWO,以区分种群中的非支配解,选出具有优势的非支配解作为狼群领导,有效地提高狼群的捕猎效率并加快进化过程.数值实验结果说明了所提算法具有较好的性能.