评价问题的多目标优化方法研究具有十分重要的理论意义和应用价值.由于评价对象具有个体差异性,因此如何对评价对象进行合理分类,进而依据分类结果对其进行科学评价是大规模评价问题中的关键问题之一.本文首先针对Tzortzis和Likas提出的聚类算法进行改进,提出了一类新的改进的K-means算法,进而利用改进的K-means算法对大规模评价问题中的评价对象进行分类,通过引入分值转换函数和满意度函数,构建以所有类评价对象的满意度最大为目标的多目标优化模型对大规模评价问题进行研究.第一章主要给出多目标优化问题、K-means算法和评价问题的一些研究现状,提出本文的主要研究内容.第二章主要对Tzortzis等人提出的Minmax K-means算法进行改进.由于Minmax K-means算法中使用欧氏距离刻画个体间的差异,仅适用于个体评价指标绝对值大小的个体聚类问题.而由于评价对象专业背景等因素的不同所导致的个体差异性不仅体现在各指标数值绝对值大小上,也体现在评价对象各指标数值的偏向性上.因此,对评价对象的分类处理只考虑各指标数值的绝对差异,很可能出现分类不合理的情况.本章通过引入余弦距离,定义余弦相似度以刻画评价对象之间的差异.通过欧氏距离与余弦相似度构建新的距离函数以刻画评价对象之间的相似度,对Tzortzis等人提出的算法进行改进.第三章将改进的K-means聚类算法应用于大规模评价问题中.由于在大规模评价问题中评价对象的规模大,如果针对每一个评价对象进行研究,所构建的模型一般非常复杂,对于模型的高效求解等都会带来很大障碍.本章首先将评价对象进行合理分类,并引入分值转化函数,将每个评价对象的工作量分为基础工作量和参与绩效评价的工作量.其次,构建每个类别评价对象的最有利和最不利的最优分配模型,获得每个类别最有利和最不利的评价方案.基于此,以评价对象的分类结果构建类别平均满意度函数,以最大化每个类别平均满意度为目标构建多目标优化模型.数值实验结果表明:本文所提出改进的K-means算法可有效地用于大规模评价问题的评价对象分类,针对大规模评价问题而构建的多目标优化模型有较好的数值实验效果.