现实中存在大量约束多目标优化问题,这些问题不仅存在多个需优化的目标,也存在诸多限制条件。基于群体搜索的进化算法非常适合求解具有多解特性的多目标优化问题。约束多目标进化算法需要在满足所有约束条件的情况下,得到收敛性和分布性尽可能好的可行非劣解集。在多目标进化算法中处理约束的难点之一是如何有效利用有价值不可行解蕴含的信息,引导种群跨越不可行区域搜索到全局可行前沿;二是如何较完整地捕捉约束带来的形状复杂的可行前沿。分解型多目标进化算法能较好维护解集的分布性,且具有较高的计算效率,但难以应对形状复杂的可行前沿。占优型多目标进化算法能较好维护解集收敛性,且具有处理复杂形状可行前沿的能力,但在高维目标问题上选择压力不足。因此,本文提出基于双种群的锥形分解约束处理机制,在分解的种群中有效利用不可行解提升算法总体约束处理能力。进一步提出采用该机制的约束锥形分解进化算法,结合占优与分解的优势提升算法捕捉复杂形状可行前沿的能力。本文的主要研究工作包括:（1）提出了基于双种群的锥形分解约束处理机制。该机制中基于分解的种群采用约束分层策略负责处理约束。它将目标分解得到的每个标量目标约束子问题进一步分解为可行层、中间层、目标层三个约束子层,分别采用可行优先、锥面积优先和目标优先更新规则采样具有不同约束违反程度的高价值可行或不可行解。然后依据可行层与目标层中两个解的可行性检测该约束子问题的局部约束类型,为两种局部约束类型针对性设计偏好不同约束子层的精细化选择策略,精准利用高价值的可行与不可行解引导种群跨越不可行区域到达可行前沿。此外,该机制采用双种群弱协作方式集成基于分解的种群和原始多目标进化算法的种群,弱协作方式有利于基于分解的种群为原始算法提供较强约束处理能力,原始算法种群利用自身机制为基于分解的种群注入多样性。（2）提出了采用上述约束处理机制的约束锥形分解进化算法。该算法引入了基于占优的双分层种群,该种群专注于辅助基于分解的种群捕捉复杂形状的可行前沿。它首先对两个种群中的可行个体进行非劣分层,然后对关联于同一个子问题的可行非劣个体进行内部排序从而挑选收敛性和分布性俱优的个体。内部排序中采用PBI与NBI协作式聚合目标函数提升种群在强凸前沿上的分布完整性与均匀性。（3）本文将采用上述约束处理机制的MOEA/D算法、约束锥形分解进化算法分别与主流的约束多目标进化算法在C-DTLZ系列标准测试例及水源规划和机床规划等两个实际工程问题上进行对比实验。实验结果表明,本文提出的约束处理机制相较于目前主流的约束处理机制具有一定优势;本文提出的约束锥形分解进化算法相较于主流的分解型及占优型约束多目标进化算法在解集收敛性、分布性等方面总体上具有明显优势。