现实中的优化问题一般具有多个优化目标,而且这些目标之间通常具有相互冲突的本质属性。进化算法具有一些适于求解多目标优化问题的特征,因而,近年来进化算法一直用于多目标优化问题的求解。迄今为止,已经涌现出了许多经典的多目标进化算法。这些多目标进化算法在解决目标数目较少的优化问题时一般具有较好的性能,而且能够获得令人鼓舞的结果。但如果将这些算法用来解决目标数目较大的优化问题时却表现出很差的性能,很难获得令人满意的解。现实中的应用问题一般具有较多的优化目标,而且这些目标之间一般也存在着复杂的联系。现实迫切需要将进化算法的解题范围扩展至高维目标空间以解决各类工程设计优化问题。本文专注于高维目标空间中的进化算法展开研究,探讨进化算法在高维目标空间中应用的途径、方式和方法,以有效地解决高维目标空间中的优化问题。概括地讲,本文的主要内容和创新性工作如下：1.论文通过实验考察了NSGA-Ⅱ算法在多目标0／1背包问题和DTLZ问题中的行为,揭示了多目标进化算法在高维目标空间中求解困难的原因。修正了NSGA-Ⅱ算法中的拥挤距离算子,并考察了修正后的NSGA-Ⅱ算法的行为。另外,论文使用加权平均序方法(RWAR)替代Pareto-支配的选择模式以改进NSGA-Ⅱ算法,并由此构造出RWAR-NSGA-Ⅱ算法。新的算法在多目标背包问题和DTLZ问题上进行了测试,实验结果表明新算法的收敛性有所改善,但这种改善却是以牺牲算法的多样性为代价的。2.论文讨论了高维目标空间中比较关系的演变。探讨了favour关系的性质,并比较了favour关系和dominate关系的性能。实验结果表明前者较之后者增强了算法的搜索能力,改善了算法的收敛性。论文还考察了ε-preferred关系,并比较了ε-preferred关系favour关系的性能。实验结果表明ε-preferred关系的鲁棒性比favour关系有所增强。文章还考察了缩放解个体支配区域以改变解个体间支配关系的策略,实验表明了这种策略的有效性。文章还讨论了胜出分赋值和平均序方法,并证明了这两种形式上迥异的赋值方式在本质上是一致的。3.论文从探讨度量解个体之间接近于Pareto-支配的程度入手,构造了三种不同的距离赋值算子：分向量距离赋值、δ-支配赋值和子目标支配计数。文章分别用这三种算子替代NSGA-Ⅱ算法中的拥挤距离赋值,并由此构造出三种改进的NSGA-Ⅱ算法。改进后的算法与原算法一起在DTLZ问题上进行了测试。实验结果表明改进后的算法在收敛性和多样性方面都比原算法有所改善。文章还进一步给出了高维目标空间中应用NSGA-Ⅱ算法的两条策略。4.论文定义了一种新的∑-支配关系,新关系是在序值重估函数的基础上构造的。文章用∑-支配关系替代多目标进化算法中的Pareto-支配关系构造了高维目标空间中混合进化算法：HMOEA。这种新的算法具有自适应的特征,其自适应性表现在下一代种群的组成是随当前的进化代数动态变化的。文章讨论了∑-支配关系的若干性质,并比较了HMOEA算法、COGA算法以及NSGA-Ⅱ算法在DTLZ问题上的行为。实验结果表明具有自适应特征的HMOEA算法在种群的收敛性和多样性方面表现出了较好的均衡,在高维目标空间中∑-支配关系表现出了较Pareto-支配关系更好的应用前景。文章还分析了HMOEA算法的收敛性,分析过程表明了HMOEA算法能够以概率1收敛。