多目标进化算法具有良好的全局最优性,被广泛应用于求解实际工程和科学研究的多目标优化问题。其中,多目标粒子群优化方法以其良好的收敛性、简单的计算和较少的参数设置等优点,被众多学者关注。但随着优化问题决策变量增多,算法性能随着“变量维度”的增加而显著下降。因此,含有大规模变量的优化问题已经成为进化算法领域的研究热点和难点。现有的大规模变量分解的研究主要集中在单目标优化中,而对于多目标优化问题的变量分解问题的成果较少。同时,大规模变量中往往存在关联变量,如果忽视关联变量之间的内在联系,将影响解集的质量。目前的变量分解方法主要基于固定分组的模式,缺乏挖掘变量间关联信息的有效方法。针对上述两个难点问题,本文从变量分解的研究为切入点,利用周期性变量随机分解策略来对大规模变量空间进行分解,并结合多目标粒子群优化算法的优点,研究基于大规模变量分解的多目标粒子群优化算法以及其相关应用。因此,本文的研究内容如下:1.将多目标优化的占优机制与关联变量的数学特征相结合,从关联性分析、变量分解策略、协同进化机制三个方面对算法改进进行理论研究。引入随机分解策略以及合作协同进化机制挖掘变量间关联信息,深入研究多目标优化问题中种群进化机制。2.提出周期性变量随机分解策略,增加关联变量分配到同组的概率,使得算法更好的保留变量间的关联性,并将合作协同进化框架融合到算法中,提出了基于大规模变量分解的多目标粒子群优化算法(CCMOPSO)。将该算法在经典标准测试函数ZDT1、ZDT2、ZDT3、ZDT6、DTLZ1、DTLZ2变量扩展后进行仿真对比实验,采用加法二进制ε指标和超体积指标(HV)对算法收敛性和多样性进行对比分析,实验结果表明,该算法在解决大规模变量的多目标函数中,变量维度越高,比经典多目标算法MOPSO、NSGA-II、MOEA/D以及GDE3具有更好的多样性与收敛性,同时计算复杂度明显降低。3.提出基于分解的无线传感器网络覆盖控制优化算法,本文采用概率感知模型,结合大规模变量随机分解策略和多目标粒子群优化算法特点,将所提的CCMOPSO应用于无线传感器网络覆盖控制问题,把能量利用效率作为重要指标,组成满足决策者要求的覆盖集,以实现降低网络能耗、提高网络覆盖率的目的。算法所求解集对网络的覆盖能力更精确,不受感知模型的限制,同时原理简单,易实现。与经典MOEA算法对比仿真实验,结果表明CCMOPSO在解决无线传感网络覆盖控制优化问题时更加有效。