在现实工程问题中,多目标优化问题（MOPs）是一类非常常见的优化问题。多目标优化问题通常包含两个或两个以上相互冲突的目标。近年来,一系列针对不同类型多目标优化问题的多目标智能优化算法相继提出。然而,对于一些具有复杂的Pareto最优解集或最优端面的复杂多目标优化问题,它们的Pareto最优端面不同部分具有不同的收敛难度或者逼近的困难。因此,这类复杂多目标优化问题能有效地检验多目标智能算法的种群多样性和收敛性。然而,绝大部分多目标智能优化算法在处理这类问题时,很难获得一个种群,使得种群中的个体能够完整地、均匀地分布在Pareto最优端面上。为了更好地解决这类具有复杂的Pareto最优解集或者端面的复杂多目标优化问题,本文提出了一系列工作,具体如下:1、提出了一种基于分解的克隆选择策略的多目标免疫算法（MOIA-DCSS）。首先,使用分解方法将种群中每个个体与其对应的子问题进行一一关联。通过这种方法,能够很好地对每个子问题的提升度进行量化。然后,在算法MOIA-DCSS中设计了一种新的基于分解的克隆选择策略。根据基于分解的克隆策略,更多的克隆个体将被分配给种群中相对提升值较大的个体。此外,在算法MOIA-DCSS中还使用了差分进化操作算子（DE）,以此来增强算法在整个优化过程中的探索能力,从而提高种群的多样性。实验对比结果表明,在求解28个具有复杂的Pareto最优解集和端面的复杂多目标优化问题时,算法MOIA-DCSS相较于四个多目标进化算法和三个多目标免疫算法具有明显的优势。2、提出了一种基于动态资源分配策略的混合粒子群优化算法（HMOPSO-ARA）,该算法在处理复杂的多目标优化问题时表现出良好的性能。首先,在粒子群搜索过程中引用了分解的方法。其次,在粒子群搜索的过程中,设计了一种全新的速度更新策略,其主要目的是为了加快整个粒子群的收敛速度。此外,在整个粒子群优化过程中引入了动态资源分配的策略,即根据每个粒子相对应的聚合函数提升值来分配进化资源。通过使用这种动态资源分配策略,使得有限的进化资源能够更多地分配给粒子群中性能表现更好的粒子。因此,算法HMOPSO-ARA不仅具有较强的搜索能力,而且能够快速收敛到真实的Pareto最优端面。实验证明了本文提出的HMOPSO-ARA算法相对于四种多目标算法和四种粒子群优化算法,在处理35个测试问题上,显示了较为明显的优势。3、为了充分利用不同分解方法的优点,提出了一种基于自适应分解选择策略的多目标进化算法,即MOEA/D-SDSS。首先,设计了两个分别基于切比雪夫方法（TCH）和基于惩罚的边界交叉分解方法（PBI）的种群,这两个种群属于相互竞争、互补的关系。在整个进化过程中,将根据两个种群中的个体分别在多样性和收敛性上的综合表现,进行自适应分解方法的选择。通过使用这种基于解在多样性和分布性的综合表现来进行动态选择的机制,能够为下一代选择一种更为有效且合适的分解方法。其次,通过两个竞争、互补的种群,大大提高算法在处理各类型多目标优化问题时的鲁棒性。最后,两个种群中性能表现更好的种群将作为最终种群输出。实验结果验证了在解决36个具有不同的Pareto最优解集或端面的多目标优化问题时,相较于其他六个基于单个分解方法的进化算法和六个其他类型的进化算法,算法HMOPSO-ARA展现了较强的鲁棒性和明显优势。