昂贵多目标优化问题是近年来实际工程应用中的一个关注热点和研究难点。相比于多目标优化问题,这类问题通常具有复杂的机理模型,且其目标函数的每一次精确评价都需要耗费极其昂贵的时间和经济代价。随着智能计算技术的不断发展,进化算法以良好的鲁棒性、全局性等优点已经被广泛用于解决各种多目标优化问题,但是由于在其进化过程中通常需要做大量的适应值计算才能取得令人满意的结果,因而导致进化技术在昂贵多目标优化问题上的应用仍然具有很大的局限性。一种主流的方法是使用代理模型替代真实评价模型以减少昂贵函数评价次数,从而以较低成本估计进化算法中个体的适应值,指导算法的进化方向。由于代理模型本质上是一种有监督的机器学习模型,因而这类方法也被称为学习指导的进化算法。然而不幸的是,现有的大部分学习指导的进化算法仅能处理1-3个目标的优化问题,难以有效扩展到计算昂贵的高维目标优化问题上,因而还存在极大的改进和提升空间。事实上,昂贵多目标优化问题求解的关键在于多目标进化算法框架的设计、代理模型的构建以及采样解的选择。基于此,本文首先考虑充分利用分解型进化算法的性能优势,提出了一种通用的基于双参考向量集的锥形分解多目标进化算法框架。并在此基础上,突破单一代理模型的不足,设计了随机森林指导的锥形分解多目标进化算法以用于昂贵多目标优化问题的求解,并扩展至计算昂贵的高维目标优化问题上。本文的主要研究工作和创新点总结如下:(1)在基于锥形分解的多目标进化算法基础上,使用两组参考向量集互相协作的方式指导进化算法搜索,提出基于双参考向量集的锥形分解多目标进化算法框架CDEA-DR。其中两组参考向量集分别以理想点和天低点为坐标原点构建而成。在该算法中首先使用通用的锥形分解策略将多目标优化问题分解为一系列锥形子问题,然后依据K-D树辅助的全局关联机制分别将两组参考向量集中的解关联到与其最匹配的锥形子问题上。在进化的每一代每组参考向量集上均分别维护一组种群,因而对于交叉变异产生的新个体可以使用个体锥形更新机制来分别完成两组参考向量集上当前种群的更新操作。最后以SEnergy为度量标准选择出上述两组潜在种群中最合适的一组作为下一代进化的父种群。通过使用这种两组参考向量集互相协作进化的方式可以有效增加算法在处理不规则PFs时的灵活性从而使得该算法可以应对更多类型的前沿问题。(2)在上述分解型进化算法框架CDEA-DR的基础上,通过借鉴集成学习的思想,进一步提出了随机森林指导的锥形分解多目标进化算法RFCDEA-DR以用于昂贵多目标优化问题的求解。在该算法中,首先依据两组参考向量集将多目标优化问题分解为一系列单目标优化子问题,然后使用CDEA-DR算法对这些子问题进行求解。在具体的进化过程中,通过构建随机森林来预测搜索空间中各个点的适应值从而引导算法的进化趋势,同时使用一种新颖的基于双参考向量集的采样解选择标准从而挑选出有前景的采样解,并对其进行真实函数的评价以用于随机森林的更新,如此迭代直至满足最大真实评价次数。随机森林学习方法的应用使得高维目标优化问题中原本以万为数量级的适应值计算次数锐减到百次,极大的节约了使用进化算法解决这类问题时所需的时间和经济开销。此外,在采样解的选择过程中还加入了局部搜索技术以提高采样解的质量,从而增加模型的预测精度,维护整体种群的稳定性。(3)在DTLZ、WFG两类标准测试问题和两个实际工程问题上,分别对本文所提出的算法框架以及随机森林指导的锥形分解多目标进化算法进行全面的性能评估,并与当下主流的算法进行对比以验证本文算法在处理昂贵多目标优化问题上的有效性。标准测试例和实际工程问题上的实验结果表明,本文设计的分解型算法RFCDEADR能够有效克服多目标进化算法在处理昂贵高维目标优化问题时存在的局限性,并且在保持进化算法特性的同时大大降低了昂贵目标函数的评价次数。相比于当下主流的学习指导的进化算法,该算法在整体上获得了质量更优的解集,同时能够在有限次函数评估内优化出近似Pareto前沿的结果,有效降低了工程时间和经济成本,极大地扩展了分解型进化算法的应用范围,具有广阔的发展空间和应用前景。