多目标优化问题广泛存在于科学研究和工程实践领域当中,目前已成为智能信息处理领域的研究热点。近年来,在优化领域中存在许多类型的优化算法解决多目标优化问题,其中由于进化算法具有全局性、并行性和高鲁棒性等特性,且在处理多目标优化问题上表现出良好的性能,因此以多目标进化算法为主的智能算法解决多目标优化问题已得到越来越多研究者的关注。多目标进化算法虽然已成为解决多目标优化问题的主流算法,但在处理复杂决策空间和包含约束条件的复杂多目标优化问题时仍有不足之处,因此本文针对上述两类复杂多目标优化问题提出了基于多算子集成的多目标进化算法和基于角度约束支配关系的多目标进化算法。本文工作内容分为如下两部分:(1)为了解决复杂决策空间的多目标优化问题,本文提出了一种基于多算子集成的多目标进化算法(EAMOE)。EAMOE设计一种基于子种群的多算子集成策略,通过对算子在不同优化阶段的性能进行评价,并自适应地调整子种群的规模,使算法充分应用算子并有效搜索决策空间。其中算法根据子种群的规模比例和适应值提升构建了算子性能评估指标,之后利用指标更新每个子种群,以奖励或惩罚算子的权重。通过与现有的多目标进化算法在UF测试函数上进行实验得到的结果对比表明,EAMOE算法具有良好的解决复杂决策空间多目标优化问题的能力。(2)为了解决含约束条件的多目标优化问题,本文提出了一种基于角度约束支配关系的多目标进化算法(C-ACEA)。C-ACEA设计了基于角度的约束支配关系和基于角度的密度评估策略。为了探索更多可行区域,角度约束支配关系被用于在环境选择阶段对种群进行非支配排序,并赋予良好多样性的不可行解与可行解相同的支配等级。同时在多样性维护过程中,基于角度的密度评估方法旨在为具有良好收敛性的不可行解提供保留下来的机会,从而有助于跨越较大的不可行区域。通过与现有约束多目标进化算法在CDTLZ和DCDTLZ测试函数集上进行实验得到的结果表明,C-ACEA在处理约束多目标优化问题上有一定的优势。