在科学与工程的技术应用中多目标优化问题随处可见,具体表现在自动控制、投资组合、投资决策和车间调度等方面。虽然超多目标优化问题在很多领域都有广泛应用,但随着目标数量的增大,现有的超多目标进化算法也暴露出较多的弊端。例如,算法在进化过程中无法较好地判断出解的支配关系,导致非支配解的数量快速增长,从而使得算法难以选择出合适个体进入下一代,最终造成算法收敛到局部最优解甚至无法收敛。本文针对超多目标优化问题,主要研究以下几点:（1）在某些超多目标优化问题中最优解可能位于离散区域,拟寻找一种策略改变传统的支配关系并扩大解的支配区域;（2）传统优化算法在解决超多目标优化问题时所耗费成本较大,且需要数以万次的真实函数评估才能得到较好的收敛结果,拟找到一种机制降低函数评估次数。鉴于此,本文的主要工作安排如下:（1）提出了一种将基于扩展区域的支配关系和改进的小生境技术相结合的超多目标进化算法。随着目标维数的不断增加,算法进化过程中会产生大量的非支配解,对于某个可行解来说,可能会存在一些在部分目标上稍好但是在绝大多数目标上明显劣于它的可行解。对于这些在部分目标上稍好但是在绝大多数目标上明显劣于它的可行解,它们应该是被原可行解所支配的,但传统的Pareto支配关系并不能解决这一问题。与此同时,某些问题的最优解处在离散区域,传统的Pareto支配关系也不能寻求到这些解。为了解决以上问题,本文提出一种新的非线性扩展支配关系,该方法不但扩大了支配优势,而且找到了处在离散区域的最优解。首先,对所有目标的函数值执行归一化操作,旨于消除因数量级不同而造成的影响;其次,通过新给出的扩展支配关系来对归一化后的目标函数值加以调整;最终,结合改进的小生境技术来弥补收敛压力较大导致解集的多样性下降的问题。本文将新的非线性扩展支配关系与小生境技术应用到NSGA-Ⅲ算法中,通过与主流的超多目标进化算法开展实验对比,结果显示该算法在收敛性和多样性上均展现出良好的性能。（2）提出了一种基于代理模型辅助的进化算法。传统的超多目标进化算法在解决优化问题时需要上万的真实函数评估次数才能使得算法达到收敛的效果,而这种方法从工程优化的成本上考虑是难以接受的。基于此,提出了一种基于代理模型辅助的超多目标进化算法。首先,通过初始种群来训练模型;其次,通过代理模型产生新的个体;最终,通过面积选择策略进行种群采样,将选出优秀的个体进行真实评估,并进入下一代种群。在进化过程中传统的选择策略往往只偏向于解集的多样性或者收敛性好的个体,而新提出的面积选择策略能够综合多样性和收敛性来选择优秀个体进入下一代。本文将提出的选择策略应用到一种基于贝叶斯优化方法辅助的多目标进化算法中,并通过引入了目标空间中个体距离理想点的距离来改进了它的获取函数。经过与主流的超多目标进化算法开展实验对比,结果显示该算法在收敛性和多样性上均展现出良好的性能。