具有相互冲突目标的多目标优化问题广泛存在于多个研究领域和工程实践领域中。基于分解的演化算法MOEA/D利用分而治之的思想,将一个复杂的多目标优化问题分解为多个单目标优化问题后同时处理,其计算复杂度较低,是解决多目标优化问题的主流算法。但是随着目标数目的增长,为了更好的逼近全局Pareto Front(PF),算法所需的种群规模需以指数的速度增长,计算资源消耗增大。偏好多目标演化算法引入了决策者的偏好信息来缩小算法的搜索范围,只需求得部分PF,不仅能缓解求解高维问题时面临的种群规模限制问题,还能提供更容易被决策者采纳的偏好解。因此,基于分解的偏好多目标演化算法受到越来越多研究者的青睐。但是现有基于分解的偏好算法在分解方法上存在一定的缺陷,且不支持决策者与算法的交互。在求解水库防洪调度等这类复杂的实际问题时,使用现有种群生成方法的算法收敛速度较慢。本文从对分解方法的改进和对复杂实际问题的适用两方面展开工作,具体如下:(1)针对现有基于偏好点的分解方法存在的问题,提出了基于决策偏好的交互式多目标演化算法i-MOEA/D。首先从理论上分析了沿单位向量方向投影的分解方法在求解PF复杂的问题时,会造成偏好区域偏离偏好点的问题,研究了一种能够修正偏好区域位置的最近邻点加权的分解方法。其次结合允许决策者更改偏好点的交互式思想,在每次交互的后三分之二阶段修正偏好区域的位置,形成了面向交互的改进分解策略,嵌入MOEA/D算法框架,提出了i-MOEA/D算法。最后,在PF复杂的测试问题上与使用现有分解方法的算法进行对比,验证了改进分解策略的有效性,并分别在低维和高维的测试问题上,与其他三种具有代表性的偏好算法进行对比,验证了i-MOEA/D算法的优越性。(2)针对水库的防洪调度问题,提出了数据驱动的交互式水库防洪调度算法DD-MOEA/D。首先从理论上分析了常用的随机初始化方法和种群更新方法导致算法收敛缓慢和响应偏好点变化速度慢的问题。其次结合水库防洪调度问题的特性,基于相似洪水的调度方案和偏好点信息,研究了一种数据驱动的种群生成方法。在i-MOEA/D算法的基础上,使用数据驱动的种群初始化方法生成初始种群,并在每次发生交互后自适应地引入数据驱动生成种群的信息,提出了DD-MOEA/D算法。最后分别在陕西安康水库6场洪水的防洪调度问题上,与i-MOEA/D算法进行对比,结果表明DD-MOEA/D算法能更快地响应交互,收敛到新的偏好区域,并验证了其有效性和稳定性。