在人们的日常生活中，往往存在许多问题--包含了需要同时达到最大或者最小的相互竞争的多个标准，这类问题被称为多目标优化问题。多目标优化算法是不确定性和高度可参数化的优化方法，因其对问题约束较少且可以高效的解决多目标优化问题而得到学者们的广泛关注，并取得了较快的发展。
　　随着各种多目标优化技术的迅速发展，性能评价这一问题变得越来越重要，并逐渐发展成为多目标进化中一个独立的研究主题。算法的性能往往是通过解集的优劣来具体反映出来的。归纳起来，目前存在的评价指标主要可以用于评价近似解的以下三个性能：1）收敛性，表示近似解与Pareto前沿的趋近程度；2）均匀性，定义了近似解的成员在目标空间中的均匀性；3）广泛性，表示近似解在每一维目标在目标空间中所能到达的范围。本文主要针对解集的分布均匀性评价进行研究，并提出了一种基于空间的解集均匀性评价方法。经过进行原理分析和实验对比两个工作，证明了本文所提方法的可行性与可信度。
　　在对分布性的分析的基础上，将本文所提出的均匀性评价方法加以改进并应用于算法的性能提升。通过实验验证与分析表明：本文方法在对解集的分布性的保持上具有有效性，同时也说明本文工作具有较好的实际应用价值。总体而言，本文主要进行了以下几个方面的研究：
　　1）对已有的解集评价方法进行分析总结，简要的阐述了解集的收敛性评价指标，并详细的分析了解集的广泛性与均匀性评价方法，从而总结出了这些指标的主要特点与适用范围；
　　2）提出“基于空间”这一概念，并在此基础上提出了一种基于可变影响空间的多目标进化算法解集均匀性评价方法，从而对种群成员在解集空间上的散布均匀程度进行准确判断；
　　3）将本文提出的基于空间的均匀性评价指标加入相应的广泛性保持策略加以完善，并以基于非支配排序的算法框架为基础，将完善后的指标嵌入算法，提高算法的分布性性能。
　　本文从多目标进化算法中解集的性能评价的角度出发，对解集性能评价的研究现状进行了分析与总结。针对解集均匀性的评定，提出了相应的解决方案，并将此方案进一步完善，应用于算法的分布性性能保持方面，为评价指标如何嵌入算法并引导算法的搜寻提供了一定的参考。