约束多目标优化问题（CMOPs）广泛存在于许多现实应用中,如常见的背包问题,车辆路径优化问题,投资组合优化问题等。进化计算是一种具有高度鲁棒性和适用性的全局优化方法,能够有效处理传统优化算法难以解决的复杂问题,因而被广泛的应用于求解约束多目标优化问题。但是许多进化算法在处理具有复杂约束的CMOPs时面临着找不到可行解或仅能找到局部最优解的困难。复杂约束优化问题可行域的可行域具有狭小、离散、不规则的特点,在优化过程中难以找到可行最优解或陷入局部最优,且现有的约束进化优化方法并不能直接应用于实际应用场景。因此,设计更加合适的进化算法以获得目标良好且满足约束的可行解是十分有意义的。针对这一问题,本文对约束多目标进化算法及其教育推荐应用场景进行了研究与探索,具体研究内容如下:（1）本文提出了一种多阶段的进化算法解决复杂约束多目标优化问题。复杂约束条件会构成复杂的可行区域,近年来设计的一些算法在处理具有简单可行区域的CMOPs时能取得不错的效果。然而,对于具有复杂可行区域的CMOPs,大多数算法的性能显著降低。因此本文考虑将约束分解的思想,即逐个添加约束,并在不同的演化阶段进行处理。为了解决这一问题,本文提出了一种多阶段进化算法,在进化的不同阶段依次添加约束并进行处理。具体来说,在早期阶段,算法只考虑少量约束,种群可以有效收敛到具有良好多样性的潜在可行区域。随着算法进入后一阶段,在前一阶段得到的解的基础上,考虑更多的约束来搜索最优解。此外,还提出了一种根据对无约束帕累托前沿的影响进行约束处理优先级排序的策略,可以加快算法的收敛速度。在五个基准测试问题集和三个实际应用问题上的实验结果表明,该算法在处理CMOP问题时,尤其是在处理复杂约束问题时,性能优于几种较为先进的约束多目标进化算法。（2）本文提出了一种双种群协同的约束进化算法解决教育推荐场景下习题推荐这一复杂约束多目标优化问题。对于习题组推荐问题,既需要要考虑特定的推荐目标（如推荐薄弱项习题,推荐新知识点习题等）又要同时满足一定的约束条件（如习题难度约束,习题得分约束,习题基数约束等）以达到最好的推荐效果。而且搜索空间巨大,呈指数级增长,使得这个问题成为了一个复杂的大规模约束多目标优化问题,传统的进化算法难以优化。因此本文开发了特定的约束多目标进化算法应用到这一复杂的教育推荐场景。具体而言,本文首先提出了一个扩展的神经CD模型（ENeural CDM）,以获得这些现有CD模型难以获得的详细和全面的知识水平。其次,基于获得的诊断结果和一些其他已知数据（习题知识关系矩阵）将习题组推荐问题建模为一个具有特定目标和约束的约束多目标优化问题（例如,提高学生的知识掌握水平,激发学生的学习兴趣）。最后本文基于问题的特性开发了一个双种群双编码的协同进化算法用于求解提出的CMOP。在两个经典练习作答数据集上的实验结果证明了本文提出的方法的有效性。