以往的多目标优化算法可以很好的解决两个或三个目标的优化问题,但当目标数增加后很难获得较好的Pareto前沿。为此本文对目标数大于3的超多目标优化算法进行研究。超多目标优化算法的关键是如何保证Pareto前沿的多样性和收敛性。基于分解策略的超多目标优化算法在解决超多目标优化问题具有很好的效果,常用的方法有基于惩罚的边界交叉分解方法和切比雪夫分解方法。在原始的MOEA/D算法中,惩罚的边界交叉方法效果要比切比雪夫方法效果好,大多研究者都对惩罚的边界交叉方法进行研究,很少对切比雪夫方法进行深入研究。因此本文对基于切比雪夫方法分解的超多目标优化算法进行研究,主要内容是以下两个方面:1、对切比雪夫分解方法和修改的切比雪夫分解方法再进一步的进行改进,把切比雪夫分解方法扩展到广义形式L_p分解方法,其中p值越小收敛性越好,p值越大多样性越好,由此本文提出p值选择方法,对每个子问题的权重向量选择适合的更好的p值,以便更好的平衡收敛性和多样性。然而,p值对多样性的影响要大于收敛性,而且p值越小性能是越好的,所以p值自选方法是尽可能的选择小的p值。因此,为了改善算法在超多目标时的多样性,引进基于垂直距离的更新策略,以增加Pareto前沿的多样性。由此提出了基于p值选择方法和垂直距离更新策略的超多目标优化算法MOEA/D-PD。2、对权重向量扩展到p范数形式,并且对2范数的权重向量的切比雪夫分解方法的几何性质进行研究,本文提出了基于最大适应度值提升的更新策略,并且通过与最小适应度更新策略和随机适应度提升的更新策略进行比较,基于最大适应度提升的更新策略具有明显的优势。由此提出了基于2-TCH分解方法和最大适应度提升的超多目标优化算法MOEA/D-2TCHMI。最后,本文提出的两个算法通过DTLZ和WFG基准测试问题的IGD、HV或NHV性能评价指标与其他算法进行了比较,其中MOEA/D-PD和MOEA/D-2TCHMI显著优于其他基于分解的超多目标优化算法,并且相较于NSGA-III、GrEA等算法也有突出的表现。