基于分解的多目标进化算法(MOEA/D)在解决多目标问题时,具有简单有效的特点。但多数MOEA/D采用固定的控制参数,导致全局搜索能力差,难以平衡收敛性和多样性。针对以上问题提出一种基于变异算子和邻域值自适应的多目标优化算法。该算法首先根据种群中个体适应度值的分散或集中程度进行判断,并据此对变异算子进行自适应的调节,从而增强算法的全局搜索能力;其次,根据进化所处的阶段以及个体适应度值的集中程度,自适应的调节邻域值大小,保证每个个体在不同的进化代数都有一个邻域值大小;最后,在子问题邻域中,统计子问题对应个体的被支配数,通过判断被支配数是否超过设定的上限,来决定是否将Pareto支配关系也作为邻域内判断个体好坏的准则之一。将提出的算法与传统的MOEA/D在标准测试问题上进行对比。实验结果表明,提出的算法求得的解集具有更好的收敛性和多样性,在求解性能上具有一定的优势。