在现实生活中存在诸多待优化问题,这类问题待优化的目标往往都不止一个,并且各个目标之间互相冲突又互相影响,这类问题都可以被定义为多目标优化问题。为了更好地解决这类问题,一些优秀的多目标优化算法被学者们相继提出,多目标优化算法也逐渐成为智能计算领域中的一个重要课题。其中,基于种群进化的进化算法,它每一次运行都能获得多个Pareto最优解,因此常常被用于求解多目标优化问题,并且取得较好的效果。在诸多进化算法中,基于分解的多目标进化算法(MOEA/D)是其中的佼佼者。MOEA/D将分解的思想引入到了进化算法中,使多目标问题可以被分解成若干个待优化的单目标子问题进行并行优化。因此,在处理复杂的优化问题时,MOEA/D在多样性和收敛速度方面更具有优势。因而,进一步的提高MOEA/D算法的性能是具有深远意义和实际价值的。本文针对基于分解的多目标进化算法中固定邻域规模和无限制的邻域更新策略存在的不足,而导致多样性保持不够开展针对性研究。创新地提出了动态邻域规模设置策略和自适应邻域更新策略,并将这二策略分别融入MOEA/D算法框架,通过仿真实验加以验证策略的有效性。本文的主要创新点如下:1、提出了一种动态邻域规模设置策略。子代个体通过自挖掘操作,获取子代个体更新邻域能力的大小。基于此,设计了一种能够准确反映子代个体进化幅度和种群进化状态的判断机制。结合上述判断机制,针对固定邻域规模会致使种群多样性缺失的不足,提出了一种动态邻域规模设置的策略(ANS)。该策略可以根据个体的进化幅度和种群的进化状态,分别对种群和子代个体的邻域规模进行实时调整,使种群进化过程中可以更好地维持种群的多样性。最终,通过一系列对比实验来验证动态邻域规模设置策略的有效性。2、提出了一种自适应邻域更新策略。在种群进化过程中,针对MOEA/D算法中无限制邻域更新策略会致使种群多样性缺失的不足,提出了一种自适应邻域更新策略(ENU)。该策略主要分为两部分,第一部分为子代个体的自挖掘策略,子代个体通过自挖掘来获取更多对算法有用的信息。第二部分为新型邻域更新策略,该策略由4种不同邻域更新策略组成,使不同类型的子代个体可以自适应的选取对应的邻域更新策略,使种群在进化过程中,可以更好地保持种群的多样性。最终,通过一系列对比实验来对自适应邻域更新策略的有效性进行验证。